Mathematische Methoden der Zuverlässigkeitstheorie

Größe: px
Ab Seite anzeigen:

Download "Mathematische Methoden der Zuverlässigkeitstheorie"

Transkript

1 Mathematische Methoden der Zuverlässigkeitstheorie Christiane Takacs, Dmitry Efrosinin Institut für Stochastik 3. Auflage, 2005

2 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen Begriffe Wichtige Lebensdauerverteilungen Exponentialverteilung Weibullverteilung Erlangverteilung Potenzverteilung Logarithmische Normalverteilung IFR- (DFR-) Verteilungen Lebensdauerschätzungen Maximum-Likelihood-Schätzer Maximum-Likelihood-Schätzer für zensurierte Daten Graphische Methoden Strukturierte Systeme Seriensystem Parallelsystem Redundante Systeme Spezielle Modelle Competing Riscs Mischungen Einfluss unterschiedlicher Lebensbedingungen Boolesche Zuverlässigkeitsmodelle Boolesche Funktionen Ermittlung der Strukturfunktion Pivotzerlegung Pfad- und Schnittdarstellungen Verfahren zur Ermittlung der minimalen Pfade und Schnitte Orthogonalformen Systemverfügbarkeit Importanz Ereignisbäume

3 INHALTSVERZEICHNIS 2 4 Markovsche Systeme Grundlagen Homogene Markov-Ketten mit diskreter Zeit Homogene Markov-Ketten mit kontinuierlicher Zeit Graphische Veranschaulichung von Markov-Ketten Die eingebettete Markov-Kette Langzeitverhalten Markov-Ketten mit diskreter Zeit Markov-Ketten mit kontinuierlicher Zeit Existenz und Eindeutigkeit stationärer Verteilungen Konvergenz ins Gleichgewicht Grundbegriffe der Erneuerungstheorie Langzeitverhalten Literaturverzeichnis [1] Aggarwal, K.K.: Reliability Engineering, 1993, Kluwer, Mathbibl [2] Beichelt, F.: Zuverlässigkeits- und Instandhaltungstheorie, 1993, Teubner, Mathbibl [3] Gertsbakh, I.: Reliability Theory, With Applications to Preventive Maintainance, 2001, Springer, Mathbibl [4] Leemis, L.M.: Reliability, Probabilistic Models and Statistical Methods, 1995, Prentice Hall, Mathbibl : Besonders interessant das Kapitel über Lebensdauerverteilungen mit vielen Zitaten weiterführender Arbeiten Das vorliegende Skriptum gehört zur gleichnamigen Spezialvorlesung an der Universität Linz aus dem Sommersemester Das Skriptum selbst ist als Gedächtnisstütze gedacht. Daher werden die letzten Details mancher Argumente nicht ausgeführt. Viel Spaß beim Lesen und beim Kennenlernen der Materie! Christiane Takacs und Dmitry Efrosinin

4 Kapitel 1 Einleitung Die Zuverlässigkeitstheorie beschäftigt sich mit der Messung, Vorhersage, Erhaltung und Optimierung der Zuverlässigkeit technischer Systeme. Dabei versteht man unter der Zuverlässigkeit eines Systems seine Eignung, während vorgegebener Zeitspannen und Anwendungsbedingungen vorgegebene Forderungen zu erfüllen. Zuverlässigkeitskenngrößen, die auch quantitativ messbar sind, sind etwa die Überlebenswahrscheinlichkeit, die Verfügbarkeit oder auch die mittlere Lebensdauer eines Systems. Demnach werden in der Zuverlässigkeitstheorie folgende Problemkreise behandelt: Schätzung der Zuverlässigkeitskenngrößen von Systemen, Zusammenhang zwischen Zuverlässigkeitskenngrößen eines Systems und seiner Komponenten, Modellierung des Ausfallsverhaltens und der Abnutzung von Systemen, Entwicklung und Optimierung von Maßnahmen zur Erhaltung, Verbesserung bzw. Wiederherstellung der Zuverlässigkeit von Systemen (Instandhaltungstheorie). Methoden der Zuverlässigkeitstheorie werden in der Design-Phase (Vergleich von Systementwürfen, Prognose der Zuverlässigkeit im Hinblick auf Garantieleistungen) und in der Produktionsphase (Ermittlung von Schwachstellen, quantitativer Sicherheitsnachweis), aber auch bei der Wartung von Systemen im laufenden Betrieb gebraucht, sie sind stets mit Kostenüberlegungen verbunden. Das theoretische Fundament der Zuverlässigkeitstheorie ist die Wahrscheinlichkeitstheorie, da die Zuverlässigkeit eines Systems naturgemäß etwas Zufälliges ist. Systemausfälle oder Unfälle wird man nie mit Sicherheit ausschließen können. Man wird aber danach trachten, das Risiko für ihr Auftreten durch materielle und personelle Aufwendungen hinreichend klein zu halten. 3

5 Kapitel 2 Grundlagen 2.1 Begriffe Ein einfaches System ist die kleinste Einheit in einem System. Es wird hinsichtlich seiner Zuverlässigkeitseigenschaften nicht weiter differenziert. Typischerweise handelt es sich bei einfachen Systemen um Bauelemente (Komponenten). Ein einfaches System kann ausschließlich intakt (=1) oder defekt (=0) sein. Der Systemzustand zum Zeitpunkt t wird dann durch eine Boolesche Variable { 1 falls das System zur Zeit t intakt ist z (t) = 0 falls das System zur Zeit t defekt ist beschrieben. Den Übergang vom Zustand 1 in den Zustand 0 nennen wir Ausfall (Sprungbzw. Totalausfall) des Systems. Wir bezeichnen die Zeit X von der Inbetriebnahme des Systems bis zu seinem Ausfall als Lebensdauer des Systems. Die Lebensdauer ist eine Zufallsvariable, die nur positive Werte annimmt. Wir nehmen überdies an, dass sie eine stetige Zufallsvariable 1 ist. Damit ist auch der Systemzustand zum Zeitpunkt t eine Zufallsvariable { 1 falls t X Z (t) = 0 falls t > X. Die stetige (!) Verteilungsfunktion der Lebensdauer F X (t) = P [X < t] bezeichnen wir als Ausfallwahrscheinlichkeit. In der Zuverlässigkeitstheorie hat sich auch der Begriff der Überlebenswahrscheinlichkeit F X (t) = P [X t] = 1 F X (t) = R (t) eingebürgert, sie wird häufig auch Zuverlässigkeitsfunktion oder auch nur Zuverlässigkeit (reliability) genannt und mit R (t) bezeichnet. Die Dichtefunktion f X (t) (der stetigen 1 Wir treffen diese Annahme, weil meistens dieser Fall vorliegt. Die Verallgemeinerung auf diskrete oder gemischte Zufallsvariablen geschieht in der üblichen Weise. 4

6 KAPITEL 2. GRUNDLAGEN 5 Verteilungsfunktion F X (t)) wird als Ausfalldichte oder Lebensdauerdichte bezeichnet. Die erwartete Lebensdauer E[X] läßt sich mittels E[X] = 0 F X (t)dt aus der Überlebenswahrscheinlichkeit berechnen. (Beweis als Übung) Beispiel: Lebensdauerverteilungen Eine typische Lebensdauerverteilung ist die Weibullverteilung We(λ, β) mit { F X (t) = 0 falls t 0 1 e λtβ falls t > 0 { und f X (t) = 0 falls t 0 λβt β 1 e λtβ falls t > 0. Für β = 1 ergibt sich die Exponentialverteilung, für β = 2 die Rayleighverteilung. Die Überlebenswahrscheinlichkeit ist F X (t) = e λtβ, die mittlere Lebensdauer 2 einer Weibullverteilten Zufallsvariablen X ist ( ) Γ 1 β + 1 E[X] = λ 1/β. Eine weitere häufig gewählte Lebensdauerverteilung ist die logarithmische Normalverteilung LN (µ, σ) mit F X (t) = { Φ { 0 ) falls t 0 falls t > 0 und f X (t) = ( log t µ σ 1 2πσt exp 0 falls t 0 ( falls t > 0, ) (log t µ)2 2σ 2 wobei Φ die Verteilungsfunktion 3 der Standard-Normalverteilung bezeichnet. Ist X logarithmisch normalverteilt, so ist log X normalverteilt mit denselben Parametern. Die mittlere Lebensdauer einer logarithmisch normalverteilten Zufallsvariablen X ist 2 Zur Erinnerung Für x N gilt Γ(x) = (x 1)! 3 Wir bezeichnen mit E[X] = exp Γ (x) = 0 φ(t) := 1 2π t die Verteilungsfunktion der Standard-Normalverteilung. (µ + σ2 2 t x 1 e t dt. ). e x2 2 dx

7 KAPITEL 2. GRUNDLAGEN 6 Neben der Verteilung der Lebensdauer X interessiert uns auch die bedingte Ausfallwahrscheinlichkeit (bedingte Verteilung), das ist die Verteilungsfunktion F X (t, τ) = P [X < t + τ X t] für die Restlebensdauer τ 0 nach t 0, d.h. die Verteilung der restlichen Lebensdauer, wenn das System bereits eine Zeitspanne t überlebt hat. Für die Ausfallwahrscheinlichkeit gilt F X (t, τ) = F X (t + τ) F X (t). 1 F X (t) Für die bedingte Überlebenswahrscheinlichkeit gilt F X (t, τ) = 1 F X (t, τ) = F X (t + τ). F X (t) Ein Systemmit Lebensdauer X heißt im Intervall [t 1, t 2 ] alternd, wenn für beliebiges aber festes τ > 0 die bedingte Überlebenswahrscheinlichkeit F X (t, τ) in t [t 1, t 2 ] streng monoton fallend ist. Beispiel: Alternde Systeme Für eine Weibull-verteilte Zufallsvariable gilt F X (t, τ) = e λ((t+τ)β t β ). Mit β > 1 kann sie die Lebensdauern alternder Systeme beschreiben. Für β = 1 (Exponentialverteilung) stimmt die bedingte Überlebenswahrscheinlichkeit mit der unbedingten überein, d.h. es gilt F X (t, τ) = F X (τ). Systeme mit einer exponential verteilten Lebensdauer altern also nicht. Umgekehrt kann man zeigen, dass eine Lebensdauer, deren Verteilung die obige Funktionalgleichung erfüllt, exponentialverteilt ist. Im Fall β < 1 nimmt die bedingte Überlebenswahrscheinlichkeit mit wachsendem t zu, damit lassen sich etwa Ausfälle durch Anlaufschwierigkeiten modellieren. Unter der Ausfallrate λ X (t) (auch als hazard rate h(t) oder Hazard function - Risikofunktion - bezeichnet) versteht man die bedingte Dichtefunktion P [X < t + τ X t] λ X (t) = lim. τ 0 τ Wenn man weiß, dass das System zum Zeitpunkt t intakt ist, so ist die Wahrscheinlichkeit, dass es im Intervall [t, t + dt[ ausfällt, ungefähr gleich λ X (t)dt. Für die Ausfallrate gilt λ X (t) = f X (t) 1 F X (t).

8 KAPITEL 2. GRUNDLAGEN 7 Beachtet man, dass f X (t) 1 F X (t) = d dt ln(1 F X (t)) gilt, so folgt aus der Definition für λ X sogleich F X (t) = 1 e t 0 λ X(τ)dτ als Darstellung für die Ausfallwahrscheinlichkeit aus der Ausfallrate. Jede der Größen Ausfallwahrscheinlichkeit, Überlebenswahrscheinlichkeit, Ausfalldichte, Ausfallrate kann aus jeder anderen dargestellt werden. (Man fertige als Übung eine Umrechnungstabelle an.) Manchmal wird auch die kumulative Ausfallfunktion Λ X (t) = t als Kenngröße für die Lebensdauer verwendet. 0 λ X (τ)dτ Satz 2.1 Ein System altert im Intervall [t 1, t 2 ] genau dann, wenn seine Ausfallrate dort streng monoton wächst. Beweis Alterung bedeutet, dass für τ > 0 0 > d dt F X (t, τ) = d dt F X (t + τ) F X (t) = f X (t + τ) F X (t) + F X (t + τ) f X (t) ( FX (t) ) 2 gilt, was mit f X (t + τ) F X (t) > F X (t + τ) f X (t) und damit λ X (t + τ) = f X (t + τ) F X (t + τ) > f X (t) F X (t) = λ X (t), also Monotonie der Ausfallrate, gleichbedeutend ist. In der Praxis wird die Ausfallrate λ X (t) häufig die Gestalt einer Badewannenkurve haben. Die Abnahme für kleine t repräsentiert die anfängliche Auftreten von Kinderkrankheiten, die Konstanz für mittlere t repräsentiert eine gewisse Zeitspanne des Nichtalterns, die Zunahme für große t repräsentiert das Auftreten von Alterserscheinungen. Denkbar sind aber auch periodisch schwankende Ausfallraten als Folge saisonbedingter Störeinflüsse.

9 KAPITEL 2. GRUNDLAGEN 8 Beispiel: Ausfallrate Eine Weibullverteilte Lebensdauer mit { 0 falls t < 0 F X (t) = 1 e λtβ falls t 0 { und f X (t) = 0 falls t < 0 λβt β 1 e λtβ falls t 0. hat als Ausfallrate λ X (t) = f X (t) 1 F X (t) = λβtβ 1, die für β < 1 streng monoton fällt, für β = 1 konstant ist und für β > 1 streng monoton wächst. Eine Weibullverteilte Lebensdauer mit β > 1 beschreibt daher ein alterndes System. Für elektronische Bauteile ist die Ausfallrate ein Qualitätsmerkmal und wird in Tabellen angegeben. Beispiel: Schocks In der Praxis gibt es häufig besondere Umstände, unter denen besonders leicht Ausfälle eintreten, so genannte Schocks. Wir nehmen nun an, dass ein Schock unabhängig von allem anderen mit Wahrscheinlichkeit p einen Systemausfall verursacht und je Zeiteinheit im Mittel s Schocks eintreffen, die einem Poissonprozess gehorchen. Dann ist die Zeit bis zum Systemausfall durch einen Schock exponentialverteilt mit Parameter sp. Wenn λ (t) die Ausfallrate durch andere Systemausfälle ist, so ergibt sich als Ausfallrate insgesamt λ (t) + sp (Beweis siehe unten). In der Geschichte der Zuverlässigkeitstheorie war die folgende Erkenntnis eine wichtige Grundlage für das Design zuverlässiger Systeme. Ist ein System, das aus n unabhängigen Komponenten besteht, genau dann intakt, wenn alle n Komponenten intakt sind (So ein System heißt Seriensystem.), so ist seine Ausfallrate die Summe der Ausfallraten der Komponenten. Beweis Bezeichnen X 1, X 2,..., X n die Lebensdauern der Komponenten und Y die Lebensdauer des Systems, so folgt aus n n F Y (t) = P [Y > t] = P [X i > t] = F Xi (t) durch Logarithmieren und Ableiten nach t f Y (t) F Y (t) = n f Xi (t) F Xi (t), was die Aussage beweist. Wird ein System, nachdem es ausgefallen ist, wieder instandgesetzt bzw. erneuert, so ist auch diese Instandsetzungszeit eine Zufallsvariable. Im Verlauf der Zeit wechseln sich

10 KAPITEL 2. GRUNDLAGEN 9 die Systemzustände Intakt und Defekt ab. In diesem Zusammenhang ist die Wahrscheinlichkeit, dass das System zum Zeitpunkt t intakt ist, die so genannte Verfügbarkeit des Systems zum Zeitpunkt t P [Z (t) = 1] = E[Z (t)], eine interessante Kenngröße. Für lange Betriebsdauern verwendet man der Einfachheit halber die stationäre Verfügbarkeit lim P [Z (t) = 1], t falls dieser Grenzwert existiert. Ist ein System in einem langen Intervall T 1 Zeiteinheiten intakt und T 0 Zeiteinheiten defekt, so ist seine stationäre Verfügbarkeit ungefähr gleich T 1 T 0 + T Wichtige Lebensdauerverteilungen Eine Familie von Verteilungen nennen wir skalierungsinvariant, wenn daraus, dass die Verteilung von X zu der Familie von Verteilungen gehört, folgt, dass für σ > 0 auch die Verteilung von σx dazugehört. Eine Familie von Verteilungen nennen wir lageinvariant, wenn daraus, dass die Verteilung von X zu der Familie von Verteilungen gehört, folgt, dass auch die Verteilung von X + µ dazugehört. Skalierungs- und lageinvariante Familien sind günstig, weil es bei ihnen nicht darauf ankommt, in welchen Einheiten gemessen wird. Die Familie der Normalverteilungen ist skalierungs- und lageinvariant. Zuerst werden die Kenngrößen der wichtigsten Lebensdauerverteilungen, wie Exponentialverteilung E (λ), Weibullverteilung W (λ, β), Erlangverteilung ER(n, λ), Potenzverteilung 4 PT (β, δ) auf [0, δ[ und Logarithmische Normalverteilung 5 LN ( µ, σ 2) zusammengestellt. (Umfangreichere Tabelle siehe etwa [4] S. 95) 4 Die unten angegebenen Formeln gelten für t [0, δ[. 5 Wir bezeichnen mit φ(t) := 1 2π t die Verteilungsfunktion der Standard-Normalverteilung. e x2 2 dx

11 KAPITEL 2. GRUNDLAGEN 10 F X (t) f X (t) λ X (t) E[X] V [X] E (λ) e λt λe λt ( 1 λ 1 2 λ) W (λ, β) e λtβ λβt β 1 e λtβ λβt β 1 Γ ER(n, λ) PT (β, δ) LN ( µ, σ 2) e λt n 1 k=0 ( 1 t 1 φ (λt) k k! λ (λt)n 1 (n 1)! ) e λt β β ( δ δ 1 t δ ( ) t µ)2 ln t µ 1 (ln σ 2πσt e 2σ 2 ր t λ ) β 1 β δ t nicht monoton λ( ) 1 β +1 λ 1/β n λ δ β+1 ( ) ( ) 2 Γ 2 β +1 Γ 1 β +1 λ 2/β n λ 2 βδ 2 (β+1) 2 (β+2) ( e µ+ σ 2 2 e 2µ+σ2 e σ2 1 Häufig werden auch Verteilungen verwendet, die um einen Parameter t 0 mehr enthalten, wenn man z.b. weiß, dass ein Ausfall mit Sicherheit erst nach einer gewissen Zeit t 0 auftritt, und X t 0 die entsprechende Verteilung hat Exponentialverteilung Die Exponentialverteilung hat viele schöne Eigenschaften (vgl. [4], 4.2). 1. Nichtalterungseigenschaft: Sei X negativ exponentialverteilt, dann gilt P [X t + h X t] = P [X h] t 0, h 0 2. Die Exponentialverteilung ist die einzige stetige Verteilung mit der Nichtalterungseigenschaft. 3. Sei X negativ exponentialverteilt mit Parameter λ, dann gilt E[X s ] = λ s Γ (s + 1), also E[X] = λ 1, V[X] = λ 2, Variationskoeffizient V[X] / E[X] = 1 4. Skalierungsinvarianz: X E (λ) λ X E (1) Die Familie der zweiparametrigen Exponentialverteilungen ist sogar skalierungs- und lageinvariant. 5. Seien X 1, X 2,..., X n vollständig unabhängig und X i E (λ i ), dann gilt (für die Lebensdauer eines Seriensystems) ( n ) min {X 1, X 2,...,X n } E λ i. 6. Seien X 1, X 2,..., X n vollständig unabhängig und X i E (λ), dann gilt 2λ n X i χ 2 (2n), n X i ER(n, λ) Man beachte, dass es sich beim letzteren um die Verteilung der Lebensdauer eines Systems mit einer Komponente im Betrieb und n 1 Reservekomponenten handelt. )

12 KAPITEL 2. GRUNDLAGEN Seien X 1, X 2,..., X n vollständig unabhängig und X i E (λ) und X (1), X (2),..., X (n) seien die zugehörigen Ordnungsstatistiken (X 1, X 2,..., X n der Größe nach sortiert), dann gilt X (1), X (2) X (1),..., X (n) X (n 1) sind vollständig unabhängig und exponentialverteilt, wobei P [ X (k) X (k 1) t ] = e (n k+1)λt t 0, k = 1, 2,...,n. Man beachte, dass diese Zufallsvariablen bei einem Lebensdauertest auftreten. 8. Seien X 1, X 2,..., X n vollständig unabhängig und X i E (λ) und X (r) sei die r-te Ordnungsstatistik mit X (0) = 0, dann gilt für r = 1,...,n E[X (r) ] = 1 λ r k=1 V[X (r) ] = 1 λ 2 r k=1 1 n k + 1, 1 (n k + 1) Seien X 1, X 2,..., X n vollständig unabhängig und X i E (λ i ), dann gilt Weibullverteilung 2 n λ i X i χ 2 (2n). Die Weibullverteilung 6 wurde Ende der 40er Jahre vom schwedischen Ingenieur Weibull zur Beschreibung der Lebensdauern von Verschleißteilen vorgeschlagen. Sie war jedoch schon vorher von Wissenschaftern der Universität Freiberg entdeckt worden und ist daher in der montanwissenschaftlichen Literatur als Rosin/Rammler-Verteilung bekannt. 1. Die Familie der Weibullverteilungen ist skalierungsinvariant. Ist etwa X W (λ, β) verteilt, so ist λ 1/β X W (1, β) verteilt. Der Parameter β ist der eigentliche Formparameter, die Größe λ 1/β ist lediglich ein Skalenparameter. 2. Mit Hilfe der Weibullverteilung können alternde (β > 1) und verjüngende (β < 1) Systeme beschrieben werden. 3. Besteht ein System aus sehr vielen unabhängigen hochzuverlässigen Komponenten mit negativ exponentialverteilten Lebensdauern und braucht es zu seiner Funktion eine vorgegebene Anzahl von intakten Komponenten, wobei defekte nicht ersetzt werden, so ist seine Lebensdauer näherungsweise Weibullverteilt mit β > 1, siehe [3] Seite Achtung: Die Angabe der Parameter (Reihenfolge, λ ersetzt durch λ 1/β ) einer Weibullverteilung ist in der Literaur sehr unterschiedlich, vgl. auch Mathematica. Man muss immer genau prüfen, welche Parameter gemeint sind.

13 KAPITEL 2. GRUNDLAGEN Die Weibullverteilung ist eine Extremwertverteilung in folgendem Sinn: Sind X 1, X 2,... unabhängige Zufallsvariablen mit der Eigenschaft P [X k t] = ct d (1 + o (1)) für t > 0 in der Nähe von 0 und c, d > 0 und gilt weiters Z n = n 1/d min {X 1,...,X n }, so kann man zeigen, dass Z n in Verteilung gegen eine Zufallsvariable Z mit Verteilung W (c, d) konvergiert. 5. Sind X k W (λ k, β) unabhängige Zufallsvariablen und λ = n k=1 λ k, so gilt min {X 1,...,X n } W (λ, β). 6. Ist X W (λ, β) verteilt, so heißt die Verteilung von lnx Extremwertverteilung vom Typ III. Die Familie dieser Verteilungen ist skalierungs- und lageinvariant. Beweis Einerseits gilt P [lnx < t] = P [X < exp(t)] λ(exp t)β = 1 e = 1 e λexp(βt) und andererseits für σ > 0 [ ( )] t µ P [σ lnx + µ < t] = P X < exp σ t µ = 1 e λ(exp( σ )) β µβ λ = 1 e exp( σ )exp( β t) σ, was offensichtlich dieselbe Gestalt wie der obige Ausdruck hat Erlangverteilung Bei der Erlangverteilung ist n ein Formparameter und λ ein Skalenparameter. Sind X 1, X 2,..., X n vollständig unabhängig und X i E (λ), dann gilt n X i ER(n, λ). Man beachte, dass es sich hier um die Verteilung der Lebensdauer eines Systems mit einer laufenden Komponente und n 1 Reservekomponenten handelt. Eine solche Lebensdauer tritt aber auch dann auf, wenn auf ein System Schocks eintreffen, die einem Poissonprozess mit Intensität λ gehorchen, und das System beim n-ten Schock zerstört wird. Eine Verallgemeinerung der Erlangverteilung ist die Gammaverteilung, sie ist allerdings im Vergleich zur Weibullverteilung weniger populär, weil die Überlebenswahrscheinlichkeit keine so einfache Gestalt hat. Zur Klasse der Gammaverteilungen gehört auch die χ 2 -Verteilung Potenzverteilung Bei der Potenzverteilung ist β ein Formparameter und δ ein Skalenparameter, für δ = β = 1 ergibt sich die Gleichverteilung im Intervall [0, 1]. Eine PT (β, δ) verteilte Lebensdauer endet mit Sicherheit vor dem Zeitpunkt δ.

14 KAPITEL 2. GRUNDLAGEN Logarithmische Normalverteilung Die logarithmische Normalverteilung wird vor allem als Verteilung von Reparaturdauern verwendet, sie beschreibt aber auch die Einsatzdauern von Fahrzeugen pro Jahr. Ist X normalverteilt, so ist e X logarithmisch normalverteilt. Ist nicht bekannt, zu welcher Klasse eine Lebensdauerverteilung gehört, so versucht man, wenigstens den Typ der Ausfallrate, ob fallend oder steigend, herauszufinden. Bei Vorliegen eines gewissen Typs können nämlich Abschätzungen mithilfe der Exponentialverteilung herangezogen werden, wobei lediglich die Kenntnis gewisser Momente erforderlich ist IFR- (DFR-) Verteilungen Man sagt, eine Verteilungsfunktion F ist eine IFR- (DFR-) Verteilung, wenn F (t, τ) für jedes τ > 0 in t streng monoton steigt (fällt). IFR (increasing failure rate) bzw. DFR (decreasing failure rate) bedeutet für die Ausfallrate, dass sie streng monoton steigt bzw. fällt. Beispiele IFR: Exponentialverteilung, Weibullverteilung mit β 1, Erlangverteilung, Potenzverteilung DFR: Exponentialverteilung, Weibullverteilung mit β 1 Weisen alle Komponenten eines Seriensystems aus unabhängigen Komponenten eine Lebensdauerverteilung vom selben Typ auf, so hat die Lebensdauerverteilung des Systems denselben Typ. Sind X 1, X 2,..., X n unabhängige Zufallvariablen, so heißt die Zufallsvariable Y eine Mischung von X 1, X 2,..., X n, falls es α 1, α 2,..., α n > 0 gibt mit n α i = 1 und n P [Y < t] = α i P [X i < t]. Die Verteilungsfunktion von Y ist also Konvexkombination der Verteilungsfunktionen der X i. Dieselbe Beziehung gilt auch für die Überlebens- und die Dichtefunktionen. Eine Mischung tritt z.b. auf, wenn etwa in einer Firma gleichartige Bauteile auf verschiedenen Maschinen erzeugt werden, sodass sich abhängig davon unterschiedliche Lebensdauern ergeben. Eine Mischung von exponentialverteiten Zufallsvariablen hat eine DFR-Verteilung. Beweis Sei X i E (λ i ) und Λ eine Zufallsvariable mit P [Λ = λ i ] = α i und n α i = 1, dann gilt n F Y (t) = P [Y t] = α i P [X i t] = n α i e λit = E [ e Λt].

15 KAPITEL 2. GRUNDLAGEN 14 Für die Ausfallrate ergibt sich d dt λ Y (t) = d2 dt 2 ln( FY (t) ) = d2 dt 2 ln( E [ e Λt]) = E[ Λ 2 e Λt] E [ e Λt] ( E [ Λe Λt]) 2 0, (E[e Λt ]) 2 wobei die letzte Gleichheit folgt, indem man die Ableitung in den Erwartungswert hineinzieht, und die Ungleichheit aus der Cauchy-Schwarz-Ungleichung 7. Abhängig vom Typ der Lebensdauerverteilung, gibt es verschiedene Abschätzungen für die Überlebenswahrscheinlichkeit. Bezeichnet µ k := E[X k ], so gilt etwa 8 für eine IFR- Verteilung und für eine DFR-Verteilung F X (t) e t µ µ 2 2µ 2 +1 F X (t) e t ( k! µ k ) 1/k für t µ 1/k k 0 für t > µ 1/k k { e t µ für t µ µ et für t > µ. Liegen die Schranken nahe beisammen, so kann die Überlebenswahrscheinlichkeit gut abgeschätzt werden. 7 E [ V 2] E [ W 2] (E[V W]) Der Beweis ist nicht trivial.

16 KAPITEL 2. GRUNDLAGEN Lebensdauerschätzungen Es gibt viele Schätz- und Testmethoden, die dazu dienen, die Zuverlässigkeit eines Systems festzustellen. Man unterscheidet Lebensdauerschätzungen (dauert lang, daher zensurierte Daten, eventuell Beschleunigungsmodell), Restlebensdauerschätzungen (Wann soll man erneuern?), Tests unter Grenzbelastungen, Qualitätsüberwachung. Man unterscheidet die Untersuchungsmethoden auch hinsichtlich folgender Aspekte: Destruktive und nicht destruktive Methoden Tests im Labor oder in der tatsächlichen Umgebung (simuliert oder echt) Analysen auf verschiedenen Levels (Tests für Komponenten, Teilsysteme verschiedener Größe, ganze Systeme) Untersuchungsmethoden abhängig von ihrem Zweck Maximum-Likelihood-Schätzer Bei einem Schätzproblem kennt man eine Stichprobe x 1,...,x n (von Lebensdauern), wobei von den zugehörigen unabhängigen und identisch verteilten Zufallsvariablen X 1,...,X n nur bekannt ist, dass ihre Verteilung aus einer Familie von Verteilungen stammt, die durch einen Parametervektor θ R p parametrisiert ist. Die Verteilungsfunktion von X i wird mit F Xi ( θ) bezeichnet. Ein Schätzer θ für θ heißt erwartungstreu (oder unverzerrt), wenn E( θ) = θ gilt. Eine Folge [ von Schätzern θ (X 1,...,X ] n ) n N für θ heißt konsistent, wenn für alle ε > 0 gilt lim P θ (X 1,...,X n ) θ < ε = 1. n Der Maximum-Likelihood-Schätzer für θ für das Datenmaterial {x 1,...,x n } ist jener Wert θ, der die Likelihood-Funktion L(x 1,...,x n θ) = n f Xi (x i θ) maximiert. Dabei entspricht die Likelihood-Funktion L(x 1,...,x n θ) der Wahrscheinlichkeit, dass bei Vorliegen von θ die Stichprobe x 1,...,x n auftritt. Ein Maximum- Likelihood-Schätzer ist nicht notwendigerweise erwartungstreu. Gegeben sei ein Schätzproblem und seine Likelihood-Funktion L(x 1,...,x n ) : R p R. Dann heißt die p p-matrix ( ]) I (θ) = E [ 2 lnl(x 1,...,X n θ) θ i θ j 1 i,j p die Fisher sche Informationsmatrix von X 1,...,X n. Der Maximum-Likelihood-Schätzer θ für θ ist asymptotisch normalverteilt mit Erwartungswertvektor θ und Kovarianzmatrix I 1 (θ) (ohne Beweis; weitere asymptotische Eigenschaften siehe [4] Kapitel 7). Die (näherungsweise) Kenntnis der Verteilung von θ ermöglicht es, einen Test auf Vorliegen eines gegebenen Parameters zu machen und/oder

17 KAPITEL 2. GRUNDLAGEN 16 ein Konfidenzintervall zu konstruieren. In jedem Fall wird man sich aber mit einem Schätzer für I (θ) zufrieden geben müssen. Die sogenannte geschätzte Informationsmatrix [ ( ) ] O( θ) := 2 lnl(x 1,...,x n θ) θ i θ j 1 i,j p θ= θ ist für viele Verteilungen, insbesondere für die Exponentialverteilung, ein konsistenter Schätzer für I (θ). Exponentialverteilung - vollständiger Datensatz Gegeben seien Realisierungen x 1, x 2,...,x n von unabhängigen Zufallsvariablen X 1,...,X n, die alle exponentialverteilt sind mit unbekanntem Parameter λ. Für λ sind ein Schätzer und ein Konfidenzintervall gesucht. Für die logarithmierte Likelihood-Funktion ergibt sich n lnl(x 1,...,x n λ) = ln(f Xi (x i λ)) = n ( ) ln λe λx i = n ln(λ) λ Durch Extremwertbestimmung erhalten wir als Schätzer für λ λ (x 1,...,x n ) = n n. x i Man beachte, dass es sich bei n x i. n x i um die Gesamtzeit für den Test handelt. Um ein Konfidenzintervall für λ zu bestimmen, benötigen wir die Eigenschaft 6. der Exponentialverteilung, dass nämlich 2λ n X i χ 2 (2n) gilt. Bezeichnen wir nun mit χ 2 α (2n) das α-quantil der χ 2 -Verteilung, dann gilt [ ] n 1 α = P χ 2 α (2n) 2λ X i χ 2 1 α (2n) 2 2 [ ] = P χ 2 2nλ α (2n) 2 λ (X 1,...,X n ) χ2 1 α (2n). 2 Ein Konfidenzintervall mit Niveau 1 α für den Parameter λ ist also [ λ (X1,...,X n ) χ 2 α (2n), λ ] (X 1,...,X n ) χ 2 1 2n 2 2n α (2n). 2 Durch einfaches Umformen erhält man auch für die Überlebenswahrscheinlichkeit F X (t) = exp( λt) ein Konfidenzintervall mit Niveau 1 α nämlich [ ( ) ( )] 1,...,X n ) exp t λ(x χ 2 (X 1,...,X n ) 1 2n α (2n), exp t λ χ 2 α (2n). 2 2n 2

18 KAPITEL 2. GRUNDLAGEN Maximum-Likelihood-Schätzer für zensurierte Daten In der Praxis wird man oft nicht so lange warten, bis alle Systeme ausgefallen sind, d.h. man wird nicht alle Realisierungen der zufälligen Lebensdauern kennen. Es liegt also ein zensuriertes Datenmaterial vor. Setzt man eine zeitliche Grenze fest, bei der das Experiment beendet wird, selbst wenn noch einige Systeme intakt sind, so handelt es sich um rechtsseitig zensurierte Daten. Dabei werden die Ausfälle von Anfang an bis zu einem fixen oder zufälligen Zeitpunkt beobachtet. Man unterscheidet 3 Arten von rechtsseitiger Zensurierung. Zensurierung nach der Ordnungsstatistik (Typ-II-Zensurierung): Das Experiment wird beim r-ten Ausfall beendet. Dabei ist die Gesamtdauer des Experiments zufällig. Zensurierung zu einem fixen Zeitpunkt (Typ-I-Zensurierung): Das Experiment wird zum fixen Zeitpunkt c abgebrochen. Hier ist die Anzahl der Ausfälle zufällig. Auch die Gesamtdauer des Experiments ist zufällig, aber nach oben beschränkt. Zufällige Zensurierung: Jedes System i wird bis zu einem zufälligen Zeitpunkt C i beobachtet. Üblicherweise nimmt man an, dass die Lebensdauer T i und C i unabhängige Zufallsvariablen sind. Viel seltender als rechtsseitig zensurierte Daten trifft man auf linksseitig zensurierte Daten, etwa wenn bei einem (wissenschaftlichen) Experiment Lebensdauern auftreten, die so kurz sind, dass sie von den Messgeräten nicht erfasst werden können. Analog können auch beidseitig zensurierte Daten auftreten. Eine andere Art der Zensurierung ist die sogenannte Intervallzensurierung. Sie tritt etwa dann auf, wenn die Systeme nur in bestimmten periodischen Intervallen überprüft werden. Findet man ein System defekt vor, so weiß man lediglich, dass es irgendwann seit der letzten Überprüfung ausgefallen ist. Die Likelihood-Funktion für rechtsseitig zensurierte Daten Gegeben seien die Zeitpunkte der rechtsseitigen Zensurierung c 1, c 2,...,c n für die Beobachtungen (im Fall der Typ I Zensurierung etwa gilt c 1 = c 2 =... = c n = c). Weiters seien die unabhängigen und identisch mit Parameter θ R p verteilten Zufallsvariablen Y 1,...,Y n gegeben, die zensuriert sind, d.h. es gilt X i = min {Y i, c i }. Seien nun x 1, x 2,...,x n Realisierungen von X 1,...,X n. Der Datenpunkt x i stimmt also mit der Lebensdauer des i-ten Systems überein, wenn diese kürzer ist als c i, und wird sonst auf c i gesetzt. Wir definieren zuerst die Mengen U = {i x i < c i }, C = {i x i = c i }, die die Indizes der ausgefallenen Systeme (unzensuriert) bzw. der überlebenden Systeme (zensuriert) beinhalten. Mit Hilfe von U und C stellen wir nun die Likelihood-Funktion unseres Datensatzes auf. L(x 1,...,x n θ) = i U f Xi (x i θ) i C F Xi (x i θ).

19 KAPITEL 2. GRUNDLAGEN 18 Durch Logarithmieren und Einsetzen von f X (x) = λ X (x) F X (x) bzw. 9 FX (x) = exp( Λ X (x)) ergibt sich lnl(x 1,...,x n θ) = ln(f Xi (x i θ)) + ln ( F Xi (x i θ) ) i U i C = n ln(λ Xi (x i θ)) + ln ( F Xi (x i θ) ) i U = n ln(λ Xi (x i θ)) Λ Xi (x i θ). i U Je nachdem welche der Kenngrößen f T, F T, λ T und Λ T der Verteilung man zur Verfügung hat, wird man die geeignete Darstellung verwenden. Exponentialverteilung - Typ-II-zensurierte Daten Ein Lebensdauertest von n Systemen, deren Lebensdauern Y 1,...,Y n unabhängig und exponentialverteilt mit unbekanntem Parameter λ sind, wird nach dem r-ten Ausfall abgebrochen. Für λ sind ein Schätzer und ein Konfidenzintervall gesucht. Die (in diesem Fall zufälligen) Zeitpunkte c i der Zensurierung sind für alle Systeme gleich Y (r), also erhalten wir X i = min { Y i, Y (r) }. Liegt nun die Stichprobe x1, x 2,...,x n vor, so erhalten wir für die logarithmierte Likelihood-Funktion lnl(x 1,...,x n λ) = i U ln(λ) λ n x i = r ln(λ) λ((n r)x (r) + r x (i) ). Durch Extremwertberechnung erhalten wir den Maximum-Likelihood-Schätzer für λ λ = Man beachte, dass es sich bei r n x i = r (n r)x (r) + r x (i) n x i um die Gesamtzeit für den Test handelt. Um ein Konfidenzintervall für λ zu bestimmen, benötigen wir zunächst die Eigenschaft 7. der Exponentialverteilung. Es gilt nämlich für die Ordnungsstatistiken Y (0) = 0, Y (1), Y (2),..., Y (n), dass die Differenzen aufeinanderfolgender Ordnungsstatistiken vollständig unabhängig und exponentialverteilt sind, d.h. für k = 1, 2,..., n gilt Y (k) Y (k 1) E ((n k + 1) λ). Damit folgt (vgl. Eigenschaft 9. der Exponentialverteilung) 2λ( r X (j) + (n r)x (r) ) χ 2 (2r). j=1 x 9 Mit Λ X (x) := λ X (ξ) dξ bezeichnen wir die kumulierte Ausfallsrate. 0.

20 KAPITEL 2. GRUNDLAGEN 19 Mit dieser Aussage können wir nun ein Konfidenzintervall herleiten. Es gilt [ ] r 1 α = P χ 2 α (2r) < 2λ( X 2 (i) + (n r)x (r) ) < χ 2 1 α (2r) = 2 [ = P χ 2 α (2r) < 2rλ ] 2 λ < χ2 1 α (2r). 2 Ein Konfidenzintervall mit Niveau 1 α für den Parameter λ ist also [ λ 2r χ2 α (2r), λ ] 2 2r χ2 1 α (2r). 2 Man beachte, dass bei gleichem ˆλ das Konfidenzintervall nicht von der Gesamtzahl n der Systeme abhängt. In einem Lebensdauertest mit r Systemen, bei dem man wartet, bis alle ausgefallen sind, erhält man also ˆλ mit derselben Genauigkeit wie bei einem Test mit n Systemen, bei dem nach dem r-ten Ausfall abgebrochen wird. Man braucht also n r Systeme mehr, um die gleiche Genauigkeit der Schätzung zu erhalten. In der Praxis heißt dies: Das Kapital, das man durch eine kürzere Versuchszeit spart, muss zumindest teilweise in einen höheren Materialeinsatz investiert werden. Exponentialverteilung - Typ-I-zensurierte Daten Ein Lebensdauertest von n Systemen, deren Lebensdauern Y 1,...,Y n unabhängig und exponentialverteilt mit unbekanntem Parameter λ sind, wird zu einem fixen Zeitpunkt c abgebrochen. Für λ sind ein Schätzer und ein Konfidenzintervall gesucht. Die (in diesem Fall fixen) Zeitpunkte c i der Zensurierung sind für alle Systeme gleich c, also erhalten wir X i = min {Y i, c}. Von den ursprünglich n vorhandenen Systemen sind bis zum Zeitpunkt c eine zufällige Anzahl R ausgefallen. Liegt nun die Stichprobe x 1, x 2,...,x n vor, wobei vor c eine Anzahl von r Systemen ausgefallen sind, so erhalten wir für die logarithmierte Likelihood-Funktion lnl(x 1,..., x n λ) = i U = r lnλ λ lnλ Xi (x i, λ) n x i n Λ X (x i, λ) Für den Schätzer ergibt sich daraus dieselbe Formel wie bei der Typ-II-Zensurierung Auch hier handelt es sich bei λ = r n x i. n x i um die Gesamtzeit für den Test. Auch das Konfidenzintervall für λ führt man heuristisch auf das der Typ-II-Zensurierung zurück, indem man annimmt, man hätte statt c den Zeitpunkt X (r) oder X (r+1) gewählt (siehe [4] 8.2).

21 KAPITEL 2. GRUNDLAGEN 20 Exponentialverteilung - zufällig zensurierte Daten Ein Lebensdauertest von n Systemen, deren Lebensdauern Y 1,...,Y n unabhängig und exponentialverteilt mit unbekanntem Parameter λ sind, wird für jedes System i zu einem zufälligen Zeitpunkt C i abgebrochen, wobei C 1,...,C n unabhängig und unabhängig von Y 1,...,Y n sind. Für λ sind ein Schätzer und ein Konfidenzintervall gesucht. In diesem Fall gilt X i = min {Y i, C i }. Von den ursprünglich n vorhandenen Systemen sind eine zufällige Anzahl R ausgefallen. Liegt nun die Stichprobe x 1, x 2,...,x n vor, wobei eine Anzahl von r Systemen ausgefallen sind, so erhalten wir für die logarithmierte Likelihood- Funktion wie oben n lnl(x 1,..., x n λ) = r lnλ λ und daher auch wie oben λ = r n Da 1 n R X i eine Zufallsvariable ist, deren Verteilung in der Regel analytisch nicht zugänglich ist, behilft man sich bei der Bestimmung eines Konfidenzintervalls mit asymptotischen Aussagen. Man weiß, dass λ asymptotisch normalverteilt ist mit Erwartungswert λ und Varianz ( ]) 1 I (λ) 1 = E [ 2 λ 2 lnl(x 1,...,X n θ) ( [ ]) R 1 = E λ 2 = λ2 E[R]. Näherungsweise erhält man daher für den Schätzer ˆλ eine Normalverteilung mit Erwartungswert λ und Varianz O(ˆλ) 1 = ˆλ 2 r. Übung: Likelihoodfunktion für links und rechts zensurierte Daten Beispiel - Vergleich der verschiedenen Konfidenzintervalle An einer Anzahl von 21 Patienten wurde ein Medikament getestet. Man nimmt an, dass dessen Verweilzeit im Körper negativ exponentialverteilt ist. Bei insgesamt 9 Patienten konnte das Medikament vor Ablauf der Beobachtungszeit nicht mehr nachgewiesen werden. Die gesamte Studie dauerte 359 Wochen. Für den Parameter λ der Exponentialverteilung sind ein Schätzer und ein Konfidenzintervall gesucht. Für den Schätzer erhalten wir λ = r n x i. = 9 = x i Im Mittel verweilt das Medikament also ca. 40 Wochen im Körper. x i

22 KAPITEL 2. GRUNDLAGEN 21 Als 95%-Konfidenzintervall für λ bei Typ-II-Zensurierung ergibt sich = λχ (18) 18 < λ < λχ (18) 18 = Die erwartete Verweilzeit liegt also in diesem Fall mit 95%-iger Sicherheit zwischen etwa 23 und 87 Wochen. Berechnet man das 95%-Konfidenzintervall für λ mit Hilfe der asymptotischen Normalverteilung von ˆλ, so ergibt sich λ λ N (0, 1), O 1 2( λ) ungefähr wobei O(ˆλ) 1 = ˆλ 2 r der Schätzer für die Varianz von ˆλ ist. Bezeichnen wir mit n α das α-quantil der Standardnormalverteilung, so gilt mit 95%-iger Sicherheit = λ n 97.5 ˆλ 9 < λ < λ + n 97.5 ˆλ 9 = , was einer mittleren Verweilzeit zwischen 24 und 115 Wochen entspricht. Man beachte, dass man auch mit Hilfe des Maximum-Likelihood-Quotiententests ein Konfidenzintervall konstruieren hätte können. Wiederholung: Maximum-Likelihood-Quotiententest Weibullverteilung - rechtsseitig zensurierte Daten Wir wollen nun einen Maximum-Likelihood-Schätzer für die Parameter der Weibullverteilung gewinnen. Liegt die Stichprobe x 1,...,x n mit r unzensurierten Werten vor, so hat die logarithmierte Likelihood-Funktion hier die Gestalt lnl(x 1,...,x n (λ, β)) = i U = i U ln(λ Xi (x i (λ, β))) + ( ln λβx β 1 i ) + n ln ( F Xi (x i (λ, β)) ) n ( ln e λxβ i = r lnλ + r lnβ + (β 1) i U Das optimale Paar (ˆλ, ˆβ) muss die beiden Gleichungen 0 = rˆλ n 0 = rˆβ + i U xˆβ i lnx i ˆλ n xˆβ i lnx i ) lnx i λ n x β i.

23 KAPITEL 2. GRUNDLAGEN 22 erfüllen. Berechnet man aus der ersten Gleichung ˆλ und setzt es in die zweite ein, so erhält man eine nichtlineare Gleichung für ˆβ, die numerisch etwa mit dem Newtonverfahren 10 leicht zu lösen ist. Als Startwert lässt sich das durch die graphische Methode (siehe unten) gefundene β verwenden. Ein asymptotischer Konfidenzbereich läßt sich mit Hilfe der beobachteten Fisher schen Informationsmatrix bestimmen. Es gilt ) O (ˆλ, ˆβ = r ˆλ 2 n xˆβ i lnx i n xˆβ i lnx i r + ˆλ n xˆβ ˆβ 2 i (lnx i) 2 Häufig werden auch die Logarithmen der Lebensdauern verwendet und die Parameter der entsprechenden Extremwertverteilung geschätzt. Beispiel: Lebensdauern von Kugellagern vgl.[4] E 8.16 (E 8.1) Graphische Methoden i Diese Methoden beruhen darauf, dass man, wenn man eine Verteilungsfunktion F X (t) auf einem geeigneten Papier aufträgt, eine Gerade erhält. Sie sind bei IngenieurInnen auch heute noch relativ weit verbreitet und dienen in erster Linie einer ersten Orientierung und wie etwa bei der Weibullverteilung der Gewinnung von Startwerten. Im Fall einer Exponentialverteilung, d.h. F X (t) = 1 e λt wird ln(1 F X (t)) gegen t aufgetragen. Man erhält eine Gerade durch den Ursprung mit Steigung λ. Soll nun aus einem Datenmaterial mit den beobachteten Lebensdauern x (1) <... < x (n) der Parameter λ ( geschätzt werden, so wird gegen x (i) auf der waagrechten Achse ln 1 ˆF ( ) ) X x(i) senk- ( ) recht aufgetragen, wobei ˆFX x(i) = n+1 ungefähr der empirischen Verteilungsfunktion entspricht, und die Regressionsgerade durch den Ursprung eingezeichnet. Den Schätzwert für 1/λ liest man auf der waagrechten Achse beim Funktionswert 1 ab. (Folie) Im Fall einer Weibullverteilung, d.h. F X (t) = 1 e λtβ wird analog ln ( ln(1 F X (t))) gegen lnt aufgetragen. Man erhält eine Gerade durch den Ursprung mit Steigung β und Achsenabschnitt lnλ. Näheres siehe [1] Strukturierte Systeme Wir nehmen nun an, ein System bestehe aus n unabhängigen Elementen (Teilsystemen) mit den Lebensdauern X i, deren Verteilungen man kennt. Gesucht ist die Verteilung der Lebensdauer X des Systems. Diese hängt von der Struktur des Systems ab. Im einfachsten Fall handelt es sich um Seriensysteme, Parallelsysteme oder k-aus-n-systeme. 10 In Mathematica leistet der Befehl FindRoot das Gewünschte..

24 KAPITEL 2. GRUNDLAGEN Seriensystem Für die Lebensdauer X s eines Seriensystems gilt X s = min {X 1,...,X n }, das System ist nur solange intakt, solange alle Elemente intakt sind. Aus der Unabhängigkeit der Elemente folgt die Produktformel F Xs (t) = n F Xi (t) für die Überlebenswahrscheinlichkeit. Die Ausfallrate des Seriensystems kennen wir bereits, sie ist die Summe der Ausfallraten der Elemente. Durch Seriensysteme können nicht nur in naheliegender Weise in Serie geschaltete Komponenten modelliert werden, die durch Unterbrechung des Stromkreises ausfallen, sondern alle Systeme, bei denen ein Systemausfall durch n unabhängige global wirksame Ursachen zustande kommen kann. Aufgabe Man schätze die Überlebenswahrscheinlichkeit eines Seriensystems ab, wenn man weiß, dass die Lebensdauern der Elemente einer IFR-Verteilung genügen, und ihre Erwartungswerte bekannt sind Parallelsystem Für die Lebensdauer X p eines Parallelsystems gilt X p = max {X 1,...,X n }, das System ist solange intakt, solange zumindest ein Element intakt ist. Es fällt dann aus, wenn alle Elemente ausfallen. Aus der Unabhängigkeit der Elemente folgt hier die Produktformel F Xs (t) = n F X i (t) für die Ausfallwahrscheinlichkeit. Parallelsysteme dienen zur Modellierung von Systemen, bei denen es zu einem Arbeitselement n 1 Reserveelemente gibt, die beim Ausfall dessen Funktion übernehmen, falls sie nicht selbst früher ausfallen. Eine elektrische Parallelschaltung muss vom zuverlässigkeitstheoretischen Standpunkt aus nicht unbedingt ein Parallelsystem sein. Fallen die Elemente etwa durch Kurzschluss aus, so entsteht in der Parallelschaltung ein Kurzschluss, sobald mindestens ein Element ausgefallen ist. Aus der Sicht der Zuverlässigkeitstheorie handelt es sich damit um ein Seriensystem. Aufgabe Man berechne die mittlere Lebensdauer eines Parallelsystems aus n unabhängigen Komponenten mit exponentialverteilter (Parameter λ ) Lebensdauer. Wieviele Elemente braucht man im Parallelsystem, um die mittlere Lebensdauer zu verdreifachen? Aus wievielen Komponenten mit exponentialverteilter (Parameter λ) Lebensdauer muß ein Parallelsystem mindestens bestehen, wenn es im Intervall [ 0, λ] 1 mit 95% Wahrscheinlichkeit nicht ausfallen soll.

25 KAPITEL 2. GRUNDLAGEN Redundante Systeme Parallelsysteme können nun insofern verallgemeinert werden, als die Reserveelemente nicht die ganze Zeit in Betrieb sein müssen. Man unterscheidet dabei heiße, warme und kalte Reserve. Man spricht auch von belasteter, erleichterter und unbelasteter Redundanz. Die Elemente können selbst auch wiederum Teilsysteme sein, zu denen es eine Reserve gibt. Die Anzahl der Elemente im Parallelsystem heißt Maßstab der Redundanz. Ein höherer Maßstab liefert bei gleicher Anzahl von Elementen im System in der Regel zwar eine höhere Ausfallwahrscheinlichkeit, erfordert aber weniger (fehleranfällige) Umschaltvorgänge und ist technisch leichter zu realisieren. Häufig sind auch k-aus-n-systeme anzutreffen, die aus n Elementen mit identisch verteilten Lebensdauern X 1,...,X n bestehen und genau dann intakt sind, wenn zumindest k Elemente intakt sind. Für die Überlebenswahrscheinlichkeit des k-aus-n-systems gilt F X (t) = n j=k ( ) n F X1 (t) j F X1 (t) n j. j Für exponentiell verteilte Lebensdauern X i E (λ) wird die erwartete Lebensdauer eines k-aus-n-systems wie folgt berechnet: E[X] = 0 F X (t)dt n ( ) n ( = e λtj 1 e λt) n j dt j j=k 0 n ( ) n 1 = z j (1 z) n j 1 j j=k 0 λz dz = 1 n 1 λ j. j=k Ein typisches Beispiel für ein k-aus-n-system dient etwa zur Überwachung eines schwer messbaren Parameters, wobei n Sensoren (die bei der Messung relativ leicht kaputt gehen können) den Parameter messen und einem Auswahlelement mitteilen. Sind zumindest k Messwerte (abgesehen von Messfehlern) ident, so wird dieser Wert als wahrer Wert angesehen und zum Systemausgang geschaltet. Diejenigen Sensoren, die falsche Meßwerte liefern, werden instandgesetzt. Man spricht von Majoritätsschaltungen, wenn k > n 2 gilt. Häufig werden 2-aus-3- Systeme verwendet. 2.5 Spezielle Modelle Competing Riscs Dieses Modell wird verwendet, wenn es für einen Systemausfall verschiedene Ursachen gibt, etwa, wenn ein elektrisches Gerät durch Kurzschluss oder Stromausfall ausfallen kann. So

26 KAPITEL 2. GRUNDLAGEN 25 kann durch Kombination mehrerer unabhängiger Ausfallursachen eine Ausfallrate entstehen, die sich als Summe der einzelnen Ausfallraten ergibt. Auf diese Art kann man auch die Badewannenkurve erreichen. Betrachtet man die Ausfälle durch den Fehler j (j = 1,...,k nicht unbedingt unabhängig), so muss man zwischen den potentiellen Lebensdauern ( net lives ) und den beobachteten Lebensdauern ( crude lives ) unterscheiden. Die potentielle Lebensdauer (bezeichnet mit X j ) würde erreicht, wenn es nur den Fehler j gäbe. Sie wird aber nur dann beobachtet, wenn der Fehler j vor allen anderen Fehlern zum Ausfall führt. Die beobachtete Lebensdauer mit Fehler j bezeichnen wir mit Y j. Mit T = min {X 1,...,X k } bezeichnen wir die Lebensdauer des Systems (mit einem beliebigen Fehler). Mit π j = P [T = X j ] die Fehlerwahrscheinlichkeit für den Fehler j. Wie man aus F Yj (t) = P [X j < t T = X j ] = P [T < t T = X j ], k k F T (t) = P [T < t, T = X j ] = π j F Yj (t) j=1 sieht, sind die Verteilungen der Y j aus der gemeinsamen Verteilung der X i leicht zu bestimmen. Die Verteilung von T ist durch die Verteilungen der Y j und die Fehlerwahrscheinlichkeiten festgelegt. Die umgekehrte Richtung, nämlich die Verteilungen der X i aus den Verteilungen der Y j zu berechnen, ist nur möglich, wenn die X i vollständig unabhängig sind. Dann gilt für die Ausfallrate π i f Yi (t) λ Xi (t) = k j=1 π j F Yj (t). j=1 Man beachte, dass im Nenner gerade F T (t) steht. Beweis Wir berechnen zuerst k π j FYj (t) = F k T (t) = P [X j t], j=1 j=1 π i f Yi (t)dt = P [T = X i ] P [Y i [t, t + dt[] = P [T = X i ] P [X i [t, t + dt[ T = X i ] = P [X i [t, t + dt[,t = X i ] = P [X i [t, t + dt[] j i P [X j t + dt]. Daraus folgt nun π i f Yi (t) = f Xi (t) j i P [X j t] und durch Einsetzen π i f Yi (t) k j=1 π j F Yj (t) = f X i (t) j i P [X j t] k j=1 P [X j t] = f Xi (t) P [X i t]

27 KAPITEL 2. GRUNDLAGEN 26 die Behauptung. Beispiel Ein Gerät habe zwei unabhängige Ausfallursachen mit X 1 We(5, 0.5) und X 2 We(5, 3). Man bestimme die Verteilung von T, die Verteilungen von Y j und die zugehörigen Ausfallraten und Erwartungswerte Mischungen Bei einem solchen Modell nimmt man an, dass die Lebensdauer X von einem zufälligen Parameter θ abhängt, etwa, weil die Systeme auf unterschiedlichen Maschinen, bei unterschiedlicher Temperatur oder bei unterschiedlichen Verhältnissen produziert wurden. Es ergibt sich F X (t) = F X (t δ)df θ (δ), wobei F X (t δ) = P [X < t θ = δ] bezeichnet. Der Parameter θ kann eine diskrete oder eine stetige Zufallsvariable sein, er heißt Mischungsparameter. In diese Modellklasse fallen etwa endliche Mischungsmodelle, Modelle mit einem stochastischen Parameter und Bayes sche Modelle. Beispiel Eine Lebensdauer X sei mit Wahrscheinlichkeit p 1 exponentialverteilt mit Parameter λ 1 und mit Wahrscheinlichkeit p 2 exponentialverteilt mit Parameter λ 2. Man bestimme die Verteilung von X (Hyperexponential-Verteilung). Beispiel Eine Lebensdauer X sei exponentialverteilt mit Parameter Λ, wobei Λ exponentialverteilt ist mit Parameter λ. Man bestimme die Verteilung von X (Log-Logit-Verteilung). Nicht einmal bei endlichen Mischungsmodellen ist es möglich, aus der Mischungsverteilung, die zugrundeliegenden bedingten Verteilungen zu bestimmen Einfluss unterschiedlicher Lebensbedingungen Man nimmt an, die Lebensdauer X hängt von den Lebensbedingungen z ab, wobei z = o den Standardbedingungen entspricht. Ein solcher Ansatz wird dann gebraucht, wenn man etwa in verkürzter Zeit eine Lebensdauerschätzung oder einen Test durchführen will. Accelerated Life - Ansatz In diesem Fall nimmt man an, dass eine erhöhte Belastung eine Beschleunigung im zeitlichen Verlauf mit sich bringt, dass sich also im belasteten Fall die Zeit um einen gewissen

28 KAPITEL 2. GRUNDLAGEN 27 Faktor verkürzt. Man spricht von linearer Beschleunigung. Bezeichnet Ψ ( z) den Beschleunigungsfaktor, so gilt für die Lebensdauern X ( z) und X (o), und daher für ihre Ausfallwahrscheinlichkeit X ( z) = 1 Ψ ( z) X (o) F X( z) (t) = F X(o) (Ψ ( z) t). Man beachte, dass, falls wirklich eine Beschleunigung vorliegt, Ψ ( z) > 1 gelten muss. Spezielle parametrische Ansätze für Ψ ( z) werden im Folgenden beschrieben. Das Arrheniusmodell ist physikalisch motiviert und wird dann verwendet, wenn die die Lebensdauer X von der Temperatur T abhängt. Man wählt ( ) H X (T) = A exp, kt wobei A und H unbekannte Konstante sind und k die Boltzmann-Konstante. Mit ( ) H X (T 0 ) = A exp kt 0 ergibt sich ( ( H 1 X (T) = exp k T 1 )) X (T 0 ). T 0 Im Rahmen dieses Modells reicht also eine Schätzung von H aus, um die Beschleunigungsfaktoren zwischen beliebigen Temperaturen zu gewinnen. Das Eyringmodell lässt außer der Temperatur T auch andere Belastungen S zu ( ) (( H X (T, S) = A T α exp exp B + C ) ) S. kt T Die Formel wurde durch physikalisch-chemische Überlegungen aus der Quantenmechanik und der chemischen Reaktionsdynamik theoretisch hergeleitet. In diesem Zusammenhang kann H physikalisch als Aktivierungsenergie für ein Elektron interpretiert werden. Mehrere nicht thermische Belastungen S i gehen in Form weiterer Faktoren der Gestalt (( exp B i + C ) ) i S i T ein. In einem kleinen Temperaturbereich oder wenn α klein ist und außer der Temperatur keine Belastungen vorliegen, geht das Eyringmodell in das Arrheniusmodell über. Beispiel Die Lebensdauer eines elektronischen Bauteils hängt nach dem Eyringmodell von Temperatur und Spannung ab. Wie geht man beschleunigt vor, um die Lebensdauer unter Normalbedingungen zu schätzen?

29 KAPITEL 2. GRUNDLAGEN 28 ( ) Der statistische Ansatz setzt Ψ ( z) = exp β t z. Damit ergibt sich aus durch Logarithmieren X (o) ( ) X ( z) = exp β t z lnx (o) lnx ( z) = β 1 z β k z k. Man erhält also ein Regressionsmodell für lnx ( z) in Abhängigkeit von z. Proportional Hazards - Ansatz Hier wird die Proportionalität bei der Ausfallrate angenommen, d.h. λ X( z) (t) = Ψ ( z)λ X(o) (t). Aufgabe Berechnen Sie für beide Ansätze (Accelerated Life und Proportional Hazards) die anderen Kenngrößen der Verteilung von X ( z). Zum Vergleich der beiden Ansätze siehe auch [4] Seite 126.

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Zuverlässigkeit und Lebensdauer

Zuverlässigkeit und Lebensdauer Zuverlässigkeit und Um was geht es? Die DIN fordert unter Designlenkung eine Überprüfung, ob die geforderte der Produkte erfüllt wird. Dies geht nur mit Hilfe der Statistik, d.h. mit der Weibull-Verteilung.

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!

B 2.  Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!! Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden

Mehr

Mean Time Between Failures (MTBF)

Mean Time Between Failures (MTBF) Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen

Mehr

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

Mehr

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3 Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

Mehr

Aufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:

Aufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt: Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an

Mehr

Informationsblatt Induktionsbeweis

Informationsblatt Induktionsbeweis Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-Rechnung und Statistik für Ingenieure Übung 11 W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik

Mehr

4. Versicherungsangebot

4. Versicherungsangebot 4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist

Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Grundlagen der Theoretischen Informatik, SoSe 2008

Grundlagen der Theoretischen Informatik, SoSe 2008 1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)

Mehr

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler

Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term

Mehr

Beweisbar sichere Verschlüsselung

Beweisbar sichere Verschlüsselung Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6

Mehr

Korrelation (II) Korrelation und Kausalität

Korrelation (II) Korrelation und Kausalität Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 Die Beurteilung von Testleistungen 1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen

Mehr

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

Mehr

Plotten von Linien ( nach Jack Bresenham, 1962 )

Plotten von Linien ( nach Jack Bresenham, 1962 ) Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels

Mehr

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Kaplan-Meier-Schätzer

Kaplan-Meier-Schätzer Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall

Mehr

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

Mehr

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6

Mehr

Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 2010

Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 2010 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Lineare Differentialgleichungen erster Ordnung erkennen

Lineare Differentialgleichungen erster Ordnung erkennen Lineare Differentialgleichungen erster Ordnung In diesem Kapitel... Erkennen, wie Differentialgleichungen erster Ordnung aussehen en für Differentialgleichungen erster Ordnung und ohne -Terme finden Die

Mehr

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

Der Provider möchte möglichst vermeiden, dass die Werbekampagne auf Grund des Testergebnisses irrtümlich unterlassen wird.

Der Provider möchte möglichst vermeiden, dass die Werbekampagne auf Grund des Testergebnisses irrtümlich unterlassen wird. Hypothesentest ================================================================== 1. Ein Internetprovider möchte im Fichtelgebirge eine Werbekampagne durchführen, da er vermutet, dass dort höchstens 40%

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht

8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht 8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht 8.2-1 Stoffliches Gleichgewicht Beispiel Stickstoff Sauerstoff: Desweiteren

Mehr

4. Erstellen von Klassen

4. Erstellen von Klassen Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl

Mehr

Leseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter

Leseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl

Mehr

Das Mathematik-Abitur im Saarland

Das Mathematik-Abitur im Saarland Informationen zum Abitur Das Mathematik-Abitur im Saarland Sie können Mathematik im Abitur entweder als grundlegenden Kurs (G-Kurs) oder als erhöhten Kurs (E-Kurs) wählen. Die Bearbeitungszeit für die

Mehr

F-Praktikum Physik: Photolumineszenz an Halbleiterheterostruktur

F-Praktikum Physik: Photolumineszenz an Halbleiterheterostruktur F-Praktikum Physik: Photolumineszenz an Halbleiterheterostruktur David Riemenschneider & Felix Spanier 31. Januar 2001 1 Inhaltsverzeichnis 1 Einleitung 3 2 Auswertung 3 2.1 Darstellung sämtlicher PL-Spektren................

Mehr

Die Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt.

Die Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt. LÖSUNGEN TEIL 1 Arbeitszeit: 50 min Gegeben ist die Funktion f mit der Gleichung. Begründen Sie, warum die Steigung der Sekante durch die Punkte A(0 2) und C(3 11) eine weniger gute Näherung für die Tangentensteigung

Mehr

Berechnung der Erhöhung der Durchschnittsprämien

Berechnung der Erhöhung der Durchschnittsprämien Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die

Mehr

Mathematik I für Wirtschaftswissenschaftler

Mathematik I für Wirtschaftswissenschaftler 1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

EM-Wellen. david vajda 3. Februar 2016. Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören:

EM-Wellen. david vajda 3. Februar 2016. Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören: david vajda 3. Februar 2016 Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören: Elektrische Stromstärke I Elektrische Spannung U Elektrischer Widerstand R Ladung Q Probeladung q Zeit t Arbeit

Mehr

Repetitionsaufgaben Wurzelgleichungen

Repetitionsaufgaben Wurzelgleichungen Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.

Klausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,

Mehr

Name:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest

Mehr

Modellbildungssysteme: Pädagogische und didaktische Ziele

Modellbildungssysteme: Pädagogische und didaktische Ziele Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr

Entladen und Aufladen eines Kondensators über einen ohmschen Widerstand

Entladen und Aufladen eines Kondensators über einen ohmschen Widerstand Entladen und Aufladen eines Kondensators über einen ohmschen Widerstand Vorüberlegung In einem seriellen Stromkreis addieren sich die Teilspannungen zur Gesamtspannung Bei einer Gesamtspannung U ges, der

Mehr

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen .3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt

Mehr

Wir arbeiten mit Zufallszahlen

Wir arbeiten mit Zufallszahlen Abb. 1: Bei Kartenspielen müssen zu Beginn die Karten zufällig ausgeteilt werden. Wir arbeiten mit Zufallszahlen Jedesmal wenn ein neues Patience-Spiel gestartet wird, muss das Computerprogramm die Karten

Mehr

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Schleswig-Holstein 2011. Kernfach Mathematik

Schleswig-Holstein 2011. Kernfach Mathematik Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHISCHE UIVERSITÄT MÜCHE Zentrum Mathematik PRF. R.R. JÜRGE RICHTER-GEBERT, VAESSA KRUMMECK, MICHAEL PRÄHFER Höhere Mathematik für Informatiker I (Wintersemester 003/004) Aufgabenblatt 1 (4. ktober 003)

Mehr

Professionelle Seminare im Bereich MS-Office

Professionelle Seminare im Bereich MS-Office Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie Kaspar, Prof. Dr. B. Grabowski 1 7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen

Mehr

Chemie Zusammenfassung KA 2

Chemie Zusammenfassung KA 2 Chemie Zusammenfassung KA 2 Wärmemenge Q bei einer Reaktion Chemische Reaktionen haben eine Gemeinsamkeit: Bei der Reaktion wird entweder Energie/Wärme frei (exotherm). Oder es wird Wärme/Energie aufgenommen

Mehr

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775, Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen

Mehr

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes. Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel

Mehr

Gutes Leben was ist das?

Gutes Leben was ist das? Lukas Bayer Jahrgangsstufe 12 Im Hirschgarten 1 67435 Neustadt Kurfürst-Ruprecht-Gymnasium Landwehrstraße22 67433 Neustadt a. d. Weinstraße Gutes Leben was ist das? Gutes Leben für alle was genau ist das

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

Download. Mathematik üben Klasse 8 Funktionen. Differenzierte Materialien für das ganze Schuljahr. Jens Conrad, Hardy Seifert

Download. Mathematik üben Klasse 8 Funktionen. Differenzierte Materialien für das ganze Schuljahr. Jens Conrad, Hardy Seifert Download Jens Conrad, Hard Seifert Mathematik üben Klasse 8 Funktionen Differenzierte Materialien für das ganze Schuljahr Downloadauszug aus dem Originaltitel: Mathematik üben Klasse 8 Funktionen Differenzierte

Mehr

Nerreter, Grundlagen der Elektrotechnik Carl Hanser Verlag München. 8 Schaltvorgänge

Nerreter, Grundlagen der Elektrotechnik Carl Hanser Verlag München. 8 Schaltvorgänge Carl Hanser Verlag München 8 Schaltvorgänge Aufgabe 8.6 Wie lauten für R = 1 kω bei der Aufgabe 8.1 die Differenzialgleichungen und ihre Lösungen für die Spannungen u 1 und u 2 sowie für den Strom i? Aufgabe

Mehr

Persönliche Zukunftsplanung mit Menschen, denen nicht zugetraut wird, dass sie für sich selbst sprechen können Von Susanne Göbel und Josef Ströbl

Persönliche Zukunftsplanung mit Menschen, denen nicht zugetraut wird, dass sie für sich selbst sprechen können Von Susanne Göbel und Josef Ströbl Persönliche Zukunftsplanung mit Menschen, denen nicht zugetraut Von Susanne Göbel und Josef Ströbl Die Ideen der Persönlichen Zukunftsplanung stammen aus Nordamerika. Dort werden Zukunftsplanungen schon

Mehr

Approximation durch Taylorpolynome

Approximation durch Taylorpolynome TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni

Mehr

Mind Mapping am PC. für Präsentationen, Vorträge, Selbstmanagement. von Isolde Kommer, Helmut Reinke. 1. Auflage. Hanser München 1999

Mind Mapping am PC. für Präsentationen, Vorträge, Selbstmanagement. von Isolde Kommer, Helmut Reinke. 1. Auflage. Hanser München 1999 Mind Mapping am PC für Präsentationen, Vorträge, Selbstmanagement von Isolde Kommer, Helmut Reinke 1. Auflage Hanser München 1999 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 21222 0 schnell

Mehr

Statistik I für Betriebswirte Vorlesung 11

Statistik I für Betriebswirte Vorlesung 11 Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

Gleichungen und Ungleichungen

Gleichungen und Ungleichungen Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

Mehr

Die reellen Lösungen der kubischen Gleichung

Die reellen Lösungen der kubischen Gleichung Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr