Irrfahrten und Phänomene des Zufalls
|
|
- Dennis Ritter
- vor 8 Jahren
- Abrufe
Transkript
1 Irrfahrten und Phänomene des Zufalls von Dipl.-math. oec. Bruno Ebner
2 Inhaltsverzeichnis 1 Einführung Zufallsexperiment, Ergebnismenge und Wahrscheinlichkeit Irrfahrten Symmetrische Irrfahrt auf einem Zahlenstrahl Zufallsvariable und Erwartungswert Irrfahrten Erwartete Anzahl an Schritten bis zur Absorption Weitere symmetrische Irrfahrten Der Binomialkoeffizient Pfade von Irrfahrten und das Reflektionsprinzip Irrfahrten in Z Harmonische Funktionen in Z Lösung bestimmen über lineare Gleichungssysteme Lösung approximieren über Monte-Carlo-Methode Irrfahrten auf dem Zahlengitter in der Ebene ohne Schranken Das Banach sche Streichholzproblem Bernoulli und Tennis Abschließende Bemerkungen Literaturverzeichnis 28 1
3 Abbildungsverzeichnis 1.1 Symmetrische Irrfahrt Pfad einer symmetrischen Irrfahrt Joseph L. F. Bertrand Pfade von Irrfahrten mit n = 50 (links) und n = 100 (rechts) Schritten Pfade von Irrfahrten mit n = 500 (links) und n = 1000 (rechts) Schritten Pfade von Irrfahrten mit n = (links) und n = (rechts) Schritten Reflektionsprinzip Zahlengitter S der Irrfahrt Ein Pfad einer Irrfahrt in der Ebene mit n = Schritten Irrfahrt im Zahlengitter S mit eingezeichneter Schranke B Zahlengitter S mit eingezeichneten Schranken B
4 Kapitel 1 Einführung Zu Beginn machen wir uns mit einigen wahrscheinlichkeitstheoretischen Grundlagen vertraut. 1.1 Zufallsexperiment, Ergebnismenge und Wahrscheinlichkeit Ein stochastischer Vorgang heißt ideales Zufallsexperiment, wenn folgende Gegebenheiten vorliegen: Das Experiment wird unter vorher genau festgelegten Bedingungen (Versuchsbedingungen) durchgeführt. Die Menge der möglichen Ergebnisse ist vor der Durchführung des Experiments bekannt. Das Experiment kann prinzipiell beliebig oft wiederholt werden. Beispiel Der einfache Würfelwurf eines fairen sechsseitigen Würfels ist ein ideales Zufallsexperiment, da er beliebig oft wiederholt werden kann und alle möglichen Ergebnisse durch die erzielten Augenzahlen bekannt sind. Die Menge der möglichen Ergebnisse eines idealen Zufallsexperiments bezeichnen wir mit Ω und nennen sie Ergebnismenge oder auch Grundraum. Die in der Ergebnismenge aufgeführten Elemente müssen nicht notwendig auch als Resultate eines Zufallsexperiments auftreten können. Wichtig für das Folgende ist nur, dass die Ergebnismenge Ω alle möglichen Ergebnisse enthält. Die Elemente von Ω werden mit ω, ω 1, ω 2,... oder anderen kleinen griechischen Buchstaben bezeichnet. Sie repräsentieren die möglichen Ergebnisse des Zufallsexperiments. 3
5 Beispiel Die Ergebnismenge eines einfachen Würfelwurfs wäre konkret Ω = {1, 2, 3, 4, 5, 6}. Wirft man den Würfel einmal und es erscheint die 2, so ist ω = 2 Ω das Ergebnis des idealen Zufallsexperiments. Ist Ω die Ergebnismenge eines Zufallsexperiments, so nennt man die Teilmengen A Ω Ereignisse. Beobachtet man bei der Durchführung des Zufallsexperiments das Ergebnis ω Ω, so ist das Ereignis A Ω eingetreten, falls ω A gilt. Falls dagegen ω A gilt, so ist das Ereignis A bei der Durchführung des Zufallsexperiments nicht eingetreten. Beispiel Interessiert in unserem Beispiel des einfachen Würfelwurfs nur, ob die Augenzahl gerade ist, so kann man das Ereignis wie folgt modellieren A = {2, 4, 6}. Das Ereignis A tritt also ein, falls eine gerade Augenzahl gewürfelt wird. Sind A, B zwei Ereignisse so ist der Durchschnitt A B := {ω Ω : ω A und ω B} und die Vereinigung ein neues Ereignis. A B := {ω Ω : ω A oder ω B} Beispiel Nehmen wir zu dem letzten Beispiel das Ereignis B der Augenzahlen kleiner gleich drei hinzu, also B := {1, 2, 3}, so ist der Durchschnitt und die Vereinigung A B = {2, 4, 6} {1, 2, 3} = {2} A B = {2, 4, 6} {1, 2, 3} = {1, 2, 3, 4, 6}. Also ist das Ereignis A B das Ereignis eine 2 zu würfeln und das Ereignis A B eine der Augenzahlen ausser der 5 zu würfeln. Wir wollen im Folgenden von Wahrscheinlichkeiten reden. Dafür benötigen wir eine konkrete Definition des Begriffs Wahrscheinlichkeit. 4
6 Definition Ein endlicher Wahrscheinlichkeitsraum ist ein Paar (Ω, P ), wobei Ω eine Ergebnismenge und P eine auf den Teilmengen von Ω definierte reellwertige Funktion mit folgenden Eigenschaften ist: a) P (A) 0 für A Ω, b) P (Ω) = 1, c) P (A B) = P (A) + P (B), falls A B =. P heißt Wahrscheinlichkeitsverteilung auf Ω. P (A) heißt die Wahrscheinlichkeit des Ereignisses A. Es gibt zahlreiche Zufallsexperimente mit endlich vielen Ausgängen, bei denen wir keinen Ausgang vor dem anderen als wahrscheinlicher oder unwahrscheinlicher ansehen. In unserem Beispiel des Würfelwurfs würden wir bei einem exakt gefertigten Würfel alle der sechs Augenzahlen als gleich wahrscheinlich erachten. Bezeichnen wir mit A die Anzahl aller möglichen Ergebnisse des Ereignisses A, so können wir durch P (A) = A Ω für A Ω, eine Wahrscheinlichkeitsverteilung angeben. In diesem Fall heißt der Wahrscheinlichkeitsraum (Ω, P ) Laplacescher Wahrscheinlichkeitsraum. Beispiel Für unseren einfachen Würfelwurf gilt dann mit dem oben definierten Ereignis A P (A) = A Ω = {2, 4, 6} {1, 2, 3, 4, 5, 6} = 3 6 = 1 2. Da wir im Folgenden die bedingten Wahrscheinlichkeiten benötigen führen wir sie hier kurz ein. Definition Es seien (Ω, P ) ein endlicher Wahrscheinlichkeitsraum und A, B Ω mit P (B) > 0. Dann heißt P (A B) P (A B) := P (B) die bedingte Wahrscheinlichkeit von A unter der Bedingung B. Beispiel In unserem Beispiel wäre also wegen A B = 1 und B = 3 und P (A B) = A B Ω = und P (B) = B Ω = 1 2
7 die bedingte Wahrscheinlichkeit von A unter der Bedingung B gegeben durch P (A B) = P (A B) P (B) = = Irrfahrten Symmetrische Irrfahrt auf einem Zahlenstrahl Ein Teilchen befindet sich zum Zeitpunkt 0 im Punkt x 0 = 0 auf der x-achse. Zu den Zeitpunkten t = 1, 2,... wandert das Teilchen entweder einen Schritt nach links (x 1 = 1) oder einen Schritt nach rechts (x 1 = 1) mit derselben Wahrscheinlichkeit 1 2. Die Irrfahrt endet, falls das Teilchen eine der vorher festgelegten Schranken a oder b erreicht, a, b N. Wir sprechen hier auch von der Absorption des Teilchens. a b Abbildung 1.1: Symmetrische Irrfahrt Ohne Beschränkung der Allgemeinheit setzen wir die linke Schranke auf 0, den Startpunkt verschieben wir auf a und die rechte Schranke auf n = b+a. Dann bezeichnen wir mit p(x) für x = 1,..., n die Wahrscheinlichkeit im Punkt n absorbiert zu werden, falls das Teilchen sich gerade im Punkt x befindet. Die Funktion p(x) hat die folgenden Eigenschaften: a) p(0) = 0, b) p(n) = 1, c) p(x) = 1 2 p(x 1) + 1 2p(x + 1) für x = 1, 2,..., n 1. Die Eigenschaft a) folgt direkt aus der Definition der Funktion p da das Teilchen in 0 absorbiert wurde und nicht mehr nach n kommen kann. Die Wahrscheinlichkeit in n absobiert zu werden falls das Teilchen sich in n befindet ist natürlich 1 und so kommt die Eigenschaft b) zu stande. Die letzte Eigenschaft lässt sich durch folgende Überlegung erklären: Falls das Teilchen sich im Punkt x befindet, x = 1,..., n 1, so befindet es sich nach dem nächsten Schritt mit Wahrscheinlichkeit 1 2 im Punkt x 1 (oder im Punkt x + 1). Die Wahrscheinlichkeit dann in n absorbiert zu werden ist demzufolge p(x 1) (bzw. p(x + 1)). Um die Regel nun korrekt zu erklären benötigen wir eine grundlegende Tatsache über bedingte Wahrscheinlichkeiten. 6
8 Theorem Sei A ein Ereignis und B, C sich ausschließende Ereignisse (also falls B eintritt, so nicht C und umgekehrt, also B C = und B C = Ω). Dann gilt P (A) = P (B)P (A B) + P (C)P (A C). Beweis: Da B und C sich ausschließende Ereignisse sind, gilt A = (A B) (A C) und (A B) (A C) =. Damit folgt mit der Definition der bedingten Wahrscheinlichkeit und der Eigenschaft c) der Wahrscheinlichkeitsverteilung P P (A) = P ((A B) (A C)) = P (A B) + P (A C) = P (B)P (A B) + P (C)P (A C). Setzen wir nun die Überlegung von oben in dieses Theorem ein, so folgt die Eigenschaft c) der Funktion p(x). Aber wie sieht nun die Funktion p(x) aus? Und endet eine solche Irrfahrt immer, auch wenn wir das n sehr groß wählen? Um Antworten auf diese Fragen zu geben, betrachten wir harmonische Funktionen. Harmonische Funktionen Wir lösen uns nun erstmal von den Irrfahrten und betrachten allgemein Funktionen für die die Eigenschaft c) gilt. In diesem Sinne bezeichnen wir mit S = {0, 1,..., n} die Menge der möglichen Punkte auf dem Zahlenstrahl, mit D = {1,..., n 1} S die inneren Punkte, also die Menge S vermindert um die beiden Schranken, und mit B = {0, n} die Menge der Schranken. Wir nennen eine Funktion f : S R, x f(x) harmonisch, falls sie auf der Menge D der Eigenschaft c) genügt, also gilt f(x) = 1 (f(x 1) + f(x + 1)). 2 Gelten mit y 1, y 2 R die folgenden Bedingungen f(0) = y 1 und f(n) = y 2 so nennen wir diese Randbedingungen. Also ist die Funktion p(x) eine harmonische Funktion mit den Randbedingungen p(0) = 0 und p(n) = 1. Das Problem eine harmonische Funktion mit vorgegebenen Randbedingungen zu finden, wird auch das Dirichlet Problem genannt. Wir werden im Folgenden beweisen, dass das Problem eine eindeutige Lösung besitzt. Theorem (Maximumsprinzip) Eine harmonische Funktion f(x) nimmt ihr Maximum M und ihr Minimum m am Rand an. 7
9 Beweis: Sei M der größte Wert der Funktion f. Falls nun f(x) = M für ein x D gilt, so gilt auch f(x 1) = M = f(x + 1), da f(x) der Mittelwert dieser beiden Werte ist. Falls dies nun aber für f(x 1) gilt, so gilt auch nach demselben Argument f(x 2) = M. Führt man dies so fort, kommt man auf f(0) = M. Die gleiche Argumentation funktioniert auch für das Minimum m. Theorem (Eindeutigkeitsprinzip) Seien f(x) und g(x) harmonische Funktionen auf S mit f(0) = g(0) und f(n) = g(n). Dann gilt f(x) = g(x), für alle x S. Beweis: Sei h(x) = f(x) g(x). Dann gilt für x D 1 2 (h(x 1) + h(x + 1)) = 1 (f(x 1) g(x 1) + f(x + 1) g(x + 1)) 2 = 1 2 (f(x 1) + f(x + 1)) 1 (g(x 1) + g(x + 1)) 2 = f(x) g(x) = h(x), da die Funktionen f(x) und g(x) nach Voraussetzung harmonisch sind. Also ist auch die Funktion h(x) harmonisch und es gilt h(0) = 0 und h(n) = 0. Wegen dem Maximumsprinzip ist dann sowohl das Maximum als auch das Minimum der Funktion h(x) gleich 0. Also muss für alle x S gelten h(x) = 0. Und somit stimmen die Funktionen f(x) und g(x) auf S überein. Mit Hilfe des Eindeutigkeitsprinzips können wir uns nun Gedanken um die Funktion p(x) aus dem vorherigen Abschnitt machen. Wir sehen, dass falls wir eine harmonische Funktion mit den in a) und b) vorgeschriebenen Randbedingungen finden, diese auch eindeutig ist. Die einfachste Art unser Problem zu lösen, ist einfach mal zu raten: Eine lineare Funktion, die unsere Randbedingung erfüllt ist f(x) = x n, da f(0) = 0 und f(n) = 1 gilt. Bleibt noch die Eigenschaft c) zu prüfen. Es gilt 1 x 1 + x + 1 (f(x 1) + f(x + 1)) = = x 2 2n n = f(x). Also haben wir eine harmonische Funktion mit den geforderten Randbedingungen gefunden und wegen dem Eindeutigkeitsprinzip gibt es auch keine weitere. Auch die zweite gestellte Frage, also die Frage nach der Endlichkeit einer solchen Irrfahrt, lässt sich mit Hilfe der harmonischen Funktionen leicht beantworten: Wir bezeichnen mit q(x) die Wahrscheinlichkeit, dass die Irrfahrt nie endet, falls das Teilchen sich am Punkt x befindet, also die Schranken B nie erreicht werden. Dann folgt mit den gleichen Überlegungen wie bei p(x), dass q(x) = 1 2 q(x 1) + 1 q(x + 1) 2 8
10 gilt. Also ist q(x) eine harmonische Funktion und es gilt q(0) = q(n) = 0. Nun ist aber wegen dem Maximumsprinzip q(x) = 0 für alle x S. Interpretation als Penny Matching Game Man stelle sich folgende Situation vor: Peter hat a und Paul b faire Münzen mit den Symbolen Zahl (z) und Wappen (w). Sie schnippen jeweils eine ihrer Münzen auf den Boden, so dass sie flach aufliegen. Ist bei beiden Münzen das gleiche Symbol zu sehen, so gewinnt Peter beide Münzen, sind unterschiedliche Symbole zu sehen, so gewinnt Paul beide Münzen. Das Spiel wird so lange gespielt bis einer von beiden keine Münze mehr hat (Absorption). Auch hier handelt es sich um eine symmetrische Irrfahrt. Die Wahrscheinlichkeit, dass Peter oder Paul eine Runde gewinnt, ist jeweils 1 2, da folgende Kombinationen pro Wurf auftreten können: {(w, w), (z, z), (w, z), (z, w)}. Wenden wir das oben gezeigte auf unser Spiel an, so ist die Wahrscheinlichkeit, dass Peter alle Münzen von Paul gewinnt durch p(a) = a n = a a+b gegeben. Respektive gewinnt Paul alle Münzen mit der Wahrscheinlichkeit 1 p(a) = b b+a. Beispiel Peter hat a = 1 Münze und Paul b = 99 Münzen. Die Wahrscheinlichkeit, dass Peter das Spiel gewinnt, liegt bei p(1) = 0.01 = 1%. 1.3 Zufallsvariable und Erwartungswert Zufällige Ereignisse werden meist mit Hilfe von Zufallsvariablen beschrieben. Darunter versteht man eine Variable, deren Wert vom Ergebnis eines Zufallsexperiments abhängt. Definition Ist Ω eine Ergebnismenge, so heißt jede Abbildung X : Ω R von Ω in die Menge der reellen Zahlen eine Zufallsvariable (auf Ω). Wir können eine Zufallsvariable X als eine Vorschrift ansehen, die jedem Ergebnis ω Ω des idealen Zufallsexperimentes eine reelle Zahl X(ω) zuordnet. Der Wert X(ω) heißt auch Realisierung der Zufallsvariablen zum Ausgang ω. Beispiel Wir interessieren uns beim einfachen Würfelwurf für das Quadrat der geworfenen Augenzahl, also setzen wir als Zufallsvariable X(ω) = ω 2, ω Ω. Die Zufallsvariable nimmt also die Werte 1, 4, 9, 16, 25 und 36 an. 9
11 Ist Ω eine Ergebnismenge eines Zufallsexperiments und ist X : Ω R, ω X(ω), eine Zufallsvariable, so interessiert man sich in der Praxis für Ereignisse der Form A = {ω Ω : X(ω) = x} Ω, x R, also für das Ereignis, dass bei Durchführung des Zufallsexperiments die Zufallsvariable X einen fest vorgegebenen Wert x R annimmt. Beispiel Interessieren wir uns zum Beispiel für das Ereignis A so können wir dieses mit Hilfe der Zufallsvariablen X schreiben als A = {2, 4, 6} = {ω Ω : X(ω) = 4} {ω Ω : X(ω) = 16} {ω Ω : X(ω) = 36}. Wir betrachten allgemein für ein s N die endliche Ergebnismenge Ω = {ω 1,..., ω s } mit einer durch P ({ω j }) für j = 1,..., s gegebenen Wahrscheinlichkeitsverteilung sowie X als Zufallsvariable auf Ω. Dann können wir den Erwartungswert einer Zufallsvariablen wie folgt definieren. Definition Für eine Zufallsvariable X : Ω R auf einem endlichen Wahrscheinlichkeitsraum (Ω, P ) heißt die Zahl E(X) := X(ω 1 )P ({ω 1 }) + X(ω 2 )P ({ω 2 }) + + X(ω s )P ({ω s }) der Erwartungswert von X. Wir können E(X) als durschnittliche Auszahlung pro Spiel auf lange Sicht ansehen, wenn wiederholt ein Glückspiel mit den möglichen Ergebnissen ω Ω und einer durch die Zufallsvariable X festgelegten Auszahlungsfunktion gespielt wird. Beispiel Der Erwartungswert der Zufallsvariablen X aus Beispiel ist wegen P ({ω}) = 1 6 für alle ω Ω gegeben durch E(X) = X(1)P ({1}) + X(2)P ({2}) + + X(6)P ({6}) = 1P ({1}) + 4P ({2}) P ({6}) = 1 6 ( ) = Sind X, Y Zufallsvariablen auf Ω und a R, so hat der Erwartungswert folgende Eigenschaften: a) E(X + Y ) = E(X) + E(Y ), b) E(aX) = ae(x). 10
12 Kapitel 2 Irrfahrten Erwartete Anzahl an Schritten bis zur Absorption Bei der in Abschnitt eingeführten symmetrischen Irrfahrt auf dem Zahlenstrahl haben wir gesehen, dass das Teilchen früher oder später immer absorbiert wird. Eine weitere natürliche Frage stellt sich dann: Wie oft wird das Teilchen im Durchschnitt hin und her springen bis es absorbiert wird? Dieser Frage wollen wir uns im Folgenden widmen. Hierzu benötigen wir die gerade eingeführten Begriffe der Zufallsvariable und des Erwartungswertes. Wir bezeichnen mit N x := Anzahl der benötigten Schritte bis das Partikel absorbiert wird, dabei steht der Index x = 0,..., n für die Position des Teilchens. Von vornherein kennen wir zwei sichere Werte der Zufallsvariablen N x N 0 = 0 und N n = 0, da in diesen Positionen das Teilchen bereits absorbiert wurde. Befindet sich das Teilchen in der Position x = 1,..., n 1 so läuft es einen Schritt (nach links oder rechts, jeweils mit Wahrscheinlichkeit 1 2 ) und kommt in den Positionen x 1 oder x + 1 an. Von dort aus braucht es aber noch N x 1 bzw. N x+1 Schritte bis es absorbiert wird. Also können wir die Zufallsvariable N x schreiben als { 1 + Nx 1, mit Wahrscheinlichkeit 1 N x = 2, 1 + N x+1, mit Wahrscheinlichkeit 1 2. Für den Erwartungswert E(N x ) hält demzufolge für x = 1,..., n 1 die folgende Differenzengleichung E(N x ) = E (N x 1) E (N x+1). Die allgemeine Lösung der Differenzengleichung 1 ist gegeben durch E(N x ) = x 2 + c 1 x + c 2, c 1, c 2 R. 1 Das Lösen von Differenzengleichungen ist nicht Bestandteil des Schnupperkurses, weswegen in diesem Falle die Lösung angegeben wird. Es handelt sich hier um eine lineare Differenzengleichung 2. Ordnung, welche mit Standardmethoden gelöst werden kann. 11
13 Mit den beiden sicheren Werten N 0 = N n = 0 ergeben sich die Erwartungswerte E(N 0 ) = E(N n ) = 0 und damit die Gleichungen c 2 = 0 n 2 + c 1 n + c 2 = 0. Setzt man c 2 = 0 in die zweite Gleichung ein, so folgt wegen n 0 n 2 + c 1 n = 0 n(c 1 n) = 0 = c 1 = n. Eingesetzt ergibt dies den gesuchten Erwartungswert E(N x ) = x 2 + nx. Falls wir also in x = a starten ergibt sich mit n = a + b als erwartete Anzahl an Schritten für eine symmetrische Irrfahrt auf dem Zahlenstrahl mit absorbierenden Schranken in 0 und b + a E(N a ) = a 2 + (a + b)a = ab. Erwartete Anzahl an Münzwürfen bis zum Ruin Wenden wir das eben berechnete auf die Situation des Penny Matching Games an, so erhalten wir die verblüffende Antwort, dass selbst wenn Peter nur 1 Münze hat, das Spiel im Mittel 99-mal gespielt wird, bis einer der Spieler ruiniert ist, obwohl die Wahrscheinlichkeit, dass es nach einem Spiel schon endet, bei 50% liegt Weitere symmetrische Irrfahrten In der Situation von Abschnitt setzen wir a = und b N so sprechen wir von einer Irrfahrt mit nur einer absorbierenden Schranke. Auch hier stellt sich die Frage nach der Wahrscheinlichkeit der Absorption des Teilchens, da es ja prinzipiell in eine Richtung abdriften könnte (Übungsaufgabe). Setzen wir auch b = so sprechen wir von einer symmetrischen Irrfahrt ohne Schranken, da das Teilchen nie absorbiert wird Der Binomialkoeffizient In Kapitel 1 haben wir den Laplaceschen Wahrscheinlichkeitsraum eingeführt. Um die möglichen Ergebnisse eines Ereignisses angeben zu können, sollten wir uns mit einigen zentralen Begriffen der Kombinatorik, der Lehre des Abzählens, vertraut machen. Unter der Fakultät einer Zahl n N verstehen wir die Zahl n! := n (n 1) (n 2) Beispiel Die Fakultät ist eine sehr schnell wachsende Vorschrift: 1! = 1, 2! = 2 1 = 2, 3! = = 6, 4! = 4 3! = 24, 6! = 6 5 4! = 720 und 15! =
14 Der Binomialkoeffizient ist für n, k N mit k n definiert durch ( ) n n! := k k!(n k)!. Eine direkte Interpretation des Binomialkoeffizienten ist die Anzahl aller möglichen Ergebnisse, die man als zufällige Auswahl von genau k Elementen einer n elementigen Menge ohne Berücksichtigung der Reihenfolge treffen kann. Beispiel Beim Lotto 6 aus 49 wird aus einer Urne mit 49 Kugeln genau 6 herausgenommen. Der Binomialkoeffizient liefert hierfür die Anzahl an möglichen verschiedenen Ziehungen mit n = 49 und k = 6 ( ) 49 49! = = 6 6!(49 6)! 6! = ! = = Pfade von Irrfahrten und das Reflektionsprinzip Wir betrachten zunächst die Irrfahrt aus Abschnitt und drehen diese um 90 Grad. Hinzu zeichnen wir eine Zeitachse beginnend im Ursprung (siehe Abbildung 2.1). Wir zeichnen den sogenannten Pfad einer Irrfahrt wie folgt ab: Wandert das Teilchen zum Zeitpunkt t 1 = 1 nach 1 so markieren wir dies mit einem Pfeil vom Punkt (0, 0) zum Punkt (1, 1). Wandert das Teilchen nach 1 so markieren wir dies mit einem Pfeil vom Punkt (0, 0) zum Punkt (1, 1). Dies wiederholen wir zu den Zeitpunkten t 2, t 3,... vom jeweiligen erreichten Punkt bis zur Absorption des Teilchens. Im Folgenden betrachten wir allgemein b t 1 Abbildung 2.1: Pfad einer symmetrischen Irrfahrt Pfade von Irrfahrten und geben hierzu wie in Abschnitt die Restriktion der Schranken auf. Mathematisch gesehen kann man solch einen Pfad einer Irrfahrt als Realisierung von 13
15 n N Zufallsvariablen X 1,..., X n betrachten: Geht der Pfad zum Zeitpunkt t einen Schritt nach oben, so erhält die Variable X t den Wert 1, geht er einen Schritt nach unten, so erhält die Variable den Wert 1. Bei einer symmetrischen Irrfahrt gilt also Definieren wir P (X k = 1) = P (X k = 1) = 1, für k = 1,..., n. 2 S k := X 1 + X X k als Partialsummen der ersten k Zufallsvariablen, so können wir S k als Gewinn (oder Verlust) zum Zeitpunkt k interpretieren. Es gilt S k S k 1 = X k = ±1, S 0 := 0, k = 1,..., n. (2.1) Mit dieser Schreibweise kommen wir zur Definition eines Pfades einer Irrfahrt. Definition Seien n N und m Z. Ein Pfad {S 1, S 2,..., S n } vom Punkt (0, 0) zum Punkt (n, m) ist eine Linie (Polygonzug), die durch die Punkte (i, S i ) für i = 0,..., n geht und für die die Beziehung (2.1) mit S n = m gilt. Falls nun p der Zufallsvariablen X 1,..., X n positiv und q negativ sind, so ist n = p + q und m = p q. Da nichts über die genaue Zuordnung der Zufallsvariablen mit Wert 1 und mit Wert -1 vorausgesetzt wurde, können diese laut Abschnitt in ( ) ( ) p + q p + q N n,m = = p q verschiedenen Kombinationen ausgewählt werden. Beispiel Betrachten wir eine symmetrische Irrfahrt ohne Schranken und fragen uns nach der Anzahl der Pfade der Irrfahrt von (0, 0) nach (14, 4). Dann muss also n = 14 = p + q und m = 4 = p q sein. Daraus folgt also p = 4 + q damit q = 5 und p = 9. Damit ergibt sich die Anzahl an möglichen Pfaden ( ) 14 14! N 14,4 = = = = !(14 9)! 14
16 In den folgenden Bildern werden einige konkrete Pfade von symmetrischen Irrfahrten ohne absorbierende Schranken gezeigt. Die Bilder wurden mit dem Computer erzeugt und es wurden n = 50, 100, 500, 1000, 10000, Zufallsexperimente simuliert (siehe Abbildungen ). Betrachten wir nun die Punkte A = (a, α) und B = (b, β) mit a, b, α, β N und b > a. Unter der Spiegelung des Punktes A an der Zeitachse verstehen wir den Punkt A = (a, α). Unter einem Pfad von A nach B verstehen wir die Definition mit A als Ursprung (0, 0) (siehe Abbildung 2.5). Theorem (Reflektionsprinzip) Die Anzahl an Pfaden von A nach B, welche die Zeitachse berühren oder überqueren entspricht der Anzahl an Pfaden von A nach B. Beweis: Wir betrachten einen Pfad von A nach B der die Zeitachse mindestens einmal berührt und spiegeln den Punkt A an der Zeitachse auf den Punkt A. Nennen wir den ersten Berührungspunkt mit der Zeitachse T = (t, 0). Da der Pfad von A nach B die Zeitachse vor dem Punkt T nicht berührt, gibt es genauso viele Pfade von A nach T, welche die Zeitachse erst in T berühren, wie von A nach T (Spiegelung). Und da danach die beiden Pfade identisch nach B laufen, ist das Theorem bewiesen. Abbildung 2.6: Joseph L. F. Bertrand Das Reflektionsprinzip lässt sich sehr vielfältig in der Theorie der Irrfahrten einsetzen. Eine Anwendung findet sich in der von dem französischen Mathematiker Joseph Louis François Bertrand 1887 vorgestellten Abstimmungsproblem: In einer Stichwahl erhält Kandidat P insgesamt p Stimmen und Kandidat Q erhält q Stimmen mit p > q (also Kandidat P hat die Wahl gewonnen). Wie groß ist die Wahrscheinlichkeit, dass während der Auszählung der Stimmen Kandidat P immer mehr Stimmen hatte als Kandidat Q? Wir gehen davon aus, dass die Stimmzettel nacheinander einer gut gemsichten Wahlurne entnommen werden. Den entscheidenden Hinweis für die Antwort auf diese Frage liefert das folgende Theorem. Theorem Seien n, m N mit n, m > 0 und m n. Die Anzahl der Pfade {S 1, S 2,..., S n } mit S n = m, also der Pfade vom Punkt (0, 0) zum Punkt (n, m), so dass S 1 > 0, S 2 > 0,..., S n > 0 gilt, ist genau m n N n,m. 15
17 Beweis: Da nach dem ersten Schritt S 1 = ±1 ist, gilt nach der Voraussetzung S 1 = 1. Also sind die wirklich in Frage kommenden Pfade alle diejenigen, die vom Punkt (1, 1) zum Punkt (n, m) laufen, dabei aber die Zeitachse weder berühren noch schneiden. Nach dem Reflektionsprinzip ist die Anzahl dieser Pfade gegeben durch ( ) ( ) p + q 1 p + q 1 N n 1,m 1 N n 1,m+1 = p 1 q 1 = p q ( ) p + q p + q p und damit ist das Theorem bewiesen. = m n N n,m Nun können wir mit Hilfe des eben bewiesenen Theorems die Frage von Herrn Bertrand beantworten: Wir wissen, dass die Anzahl der Pfade von (0, 0) bis (n, m) welche die Zeitachse nie berühren gleich m n N n,m ist. Also ist die gesuchte Wahrscheinlichkeit P gegeben durch die Anzahl der Pfade welche die Zeitachse nie berühren geteilt durch die anzahl aller Pfade von (0, 0) bis (n, m): P := m n N n,m N n,m = m n = p q p + q. Beachte: Alle Pfade sind gleich wahrscheinlich (Laplacescher Wahrscheinlichkeitsraum). 16
18 Abbildung 2.2: Pfade von Irrfahrten mit n = 50 (links) und n = 100 (rechts) Schritten Abbildung 2.3: Pfade von Irrfahrten mit n = 500 (links) und n = 1000 (rechts) Schritten Abbildung 2.4: Pfade von Irrfahrten mit n = (links) und n = (rechts) Schritten.
19 t Abbildung 2.5: Reflektionsprinzip 18
20 Kapitel 3 Irrfahrten in Z 2 Wir betrachten in diesem Abschnitt Zahlengitter in Z 2 := Z Z = {(x, y) : x, y Z}, also insbesondere eine Menge von Punkten (x, y) mit ganzzahligen Koordinaten x {..., 2, 1, 0, 1, 2,...} und y {..., 2, 1, 0, 1, 2,...}. Wir bezeichnen mit S = D B Z 2 eine Menge von Punkten, welche die folgenden Bedingungen erfüllt: a) Die Mengen D und B sind disjunkt, es gilt also B D =. b) Jeder Punkt in D hat alle vier Nachbarpunkte in S. c) Jeder Punkt von B hat mindestens einen Nachbarpunkt in D. d) Für alle Punkte E, F S gilt: Es gibt eine Folge von Punkten P 1,..., P n D, so dass sie einen Weg von E nach F bilden (bzw. S ist zusammenhängend). Wir nennen die Punkte aus der Menge D die inneren Punkte von S und die Punkte aus der Menge B die Randpunkte von S (vergleiche Abschnitt 1.2.1). Eine symmetrische Irrfahrt auf einem Zahlengitter S mit Schranken in B führen wir wie folgt ein: Befindet ein Teilchen sich in einem Punkt (x, y) D so springt es jeweils mit Wahrscheinlichkeit 1 4 zu einem seiner Nachbarpunkte, in diesem Fall also (x + 1, y), (x 1, y), (x, y + 1) oder (x, y 1). Kommt es in einem Punkt (a, b) B an, so wird es absorbiert und die Irrfahrt endet. Beispiel Wir betrachten die Punktmengen und D = {(0, 0), (1, 0), (2, 0), (1, 1), (2, 1)} B = {( 1, 0), (0, 1), (0, 1), (1, 2), (2, 2), (3, 0), (3, 1), (1, 1), (2, 1)}. Graphisch kann man das Zahlengitter S = D B darstellen wie in Abbildung 3.1, wobei die ausgefüllten Punkte aus der Menge der Randpunkte B und die nichtausgefüllten Punkte aus der Menge der inneren Punkte D stammen. 19
21 y x 1 Abbildung 3.1: Zahlengitter S der Irrfahrt In der Situation von Beispiel bezeichnen wir im Folgenden mit p(x) die Wahrscheinlichkeit in den Schranken B 1 := {( 1, 0), (0, 1), (1, 0), (1, 2), (2, 2), (3, 1)} absorbiert zu werden. Weiter seien die inneren Punkte aus D lexikographisch durchnummeriert, also a = (0, 0), b = (1, 0), c = (2, 0), d = (1, 1), und e = (2, 1). Damit gelten die folgenden Eigenschaften der Funktion p(x): a) p(x) = 1 für alle x B 1 und p(x) = 0 für alle x B \ B 1, b) p(a) = 1 4 p(b) + 3 4, c) p(b) = 1 4 p(a) p(c) p(d), d) p(c) = 1 4 p(b) p(e), e) p(d) = 1 4 p(b) p(e) + 1 2, und f) p(e) = 1 4 p(c) p(d) Es stellt sich wie schon in Abschnitt die Frage, wie man die gesuchte Funktion p(x) bestimmen kann und ob diese, so wie wir sie definiert haben, eindeutig ist. Die Frage nach der Eindeutigkeit können wir wie auf dem Zahlenstrahl behandeln und führen hierfür harmonische Funktionen ein. 20
22 3.1 Harmonische Funktionen in Z 2 Wie schon in Kapitel 1 nennen wir eine auf S definierte Funktion f : S R, (x, y) f(x, y) harmonisch, falls für Punkte (x, y) D die Eigenschaft f(x, y) = 1 (f(x + 1, y) + f(x 1, y) + f(x, y + 1) + f(x, y 1)) 4 gilt. Auch hier gibt es ein Maximums- und ein Eindeutigkeitsprinzip. Theorem (Maximumsprinzip) Eine harmonische Funktion f(x, y) nimmt ihr Maximum M und ihr Minimum m am Rand an. Beweis: Übung! Theorem (Eindeutigkeitsprinzip) Seien f(x, y) und g(x, y) harmonische Funktionen auf S mit f(a, b) = g(a, b) für (a, b) B. Dann gilt f(x, y) = g(x, y), für alle (x, y) S. Beweis: Übung! Die betrachtete Funktion p(x) ist eine harmonische Funktion mit gegebenen Randwerten, also ist diese nach dem Eindeutigkeitsprinzip, falls wir sie explizit angeben können, auch eindeutig bestimmt. Wie können wir in diesem Fall die Funktion p(x) bestimmen? 3.2 Lösung bestimmen über lineare Gleichungssysteme Die Eigenschaften e)-f) bilden ein lineares Gleichungssystem mit 5 Unbekannten (hier p(a), p(b), p(c), p(d) und p(e)) und 5 Gleichungen. Lösen wir dieses lineare Gleichungssystem (Übung!), so kommen wir auf die eindeutige Lösung p(a) p(b) p(c) p(d) p(e)
23 3.3 Lösung approximieren über Monte-Carlo-Methode In der Stochastik werden zufällige Phänomene oft über die sogenannte Monte Carlo Methode 1 simuliert. Dabei wird ein zufälliger Vorgang n-mal wiederholt (n N möglichst groß) und sich die relative Häufigkeit eines eintretenden Ereignisses angeschaut. Diese relative Häufigkeit wird als Schätzung der für dieses Ereignis zu erwartenden wahren Wahrscheinlichkeit genommen. In unserem Beispiel implementieren wir die angegebene Irrfahrt auf dem Computer und führen sie ausgehend von den Punkten a bis e jeweils mal durch. Die sich dadurch ergebene Schätzung lautet ˆp(a) ˆp(b) ˆp(c) ˆp(d) ˆp(e) = Die Approximation an die Lösung ist offensichtlich ganz gut. Möchte man eine genauere Näherung bekommen, so muss man einfach die Anzahl der durchlaufenen Irrfahrten erhöhen. 3.4 Irrfahrten auf dem Zahlengitter in der Ebene ohne Schranken Betrachten wir die symmetrische Irrfahrt auf S = Z 2 mit B = so erhalten wir eine Irrfahrt ohne Schranken. Hier stellt sich schon wie in Kapitel 1 die Frage nach der Abbildung 3.2: Ein Pfad einer Irrfahrt in der Ebene mit n = Schritten. 1 Begriffsbildung: Die Methode ist nach den berühmten Spielcasinos in Monte Carlo benannt 22
24 Wahrscheinlichkeit einen beliebigen Punkt (x, y) Z 2 früher oder später zu besuchen. Äquivalent hierzu ist die Frage, ob ein Teilchen bei einer symmetrischen Irrfahrt in der Ebene immer an seinen Ausgangspunkt zurück kommt. Dieses Problem löst der Satz von Pólya. Theorem (Satz von Pólya) Eine symmetrische Irrfahrt auf einem Zahlengitter in der Ebene ohne Schranken kommt immer zu ihrem Startwert zurück. Dieses Theorem wollen wir nicht beweisen. Es sei aber noch gesagt, dass dies in höheren Dimensionen ( 3) nicht mehr zutrifft. Im folgenden wollen wir auf diese sehr interessante Klasse von Irrfahrten aber nicht weiter eingehen. 3.5 Das Banach sche Streichholzproblem Der polnische Mathematiker Stefan Banach (geb. 1892, gest. 1945) stellte folgendes Problem: Eine Person hat in jeder seiner beiden Hosentaschen eine Streichholzschachtel mit n Streichhölzern. Wenn ein Streichholz gebraucht wird, zieht er mit gleicher Wahrscheinlichkeit eine Schachtel aus seinen Taschen und entnimmt eines. Dies macht er so lange bis er eine Schachtel zieht die leer ist. Wieviele Streichhölzer verbleiben im Durchschnitt noch in der nichtleeren Schachtel? Wir übertragen das Problem auf eine Irrfahrt in der Ebene. Dabei starten wir die Irrfahrt im Punkt (0, 0) und laufen mit Wahrscheinlichkeit 1 2 nach rechts bzw. nach oben. Die Irrfahrt endet falls die Geraden x = n + 1 bzw. y = n + 1 erreicht werden (die Irrfahrt endet falls n + 1-mal eine der beiden Streichholzschachteln gezogen wird), siehe für eine Visualisierung der Irrfahrt mit inneren Punkten und Schranken Abbildung 3.3. Wir bezeichnen mit R die Anzahl an verbleibenden Streichhölzern in der nichtleeren Schachtel und mit N die Anzahl der Ziehungen bis eine der beiden Schachteln leer ist. Es gibt einen funktionalen Zusammenhang zwischen den beiden Zufallsvariablen R und N, da die Anzahl der benötigten Ziehungen gegeben ist durch n + 1 Ziehungen der am Ende leeren Schachtel und n R Ziehungen der nichtleeren Schachtel. Es gilt also N = 2n + 1 R. Um E(R) zu berechnen brauchen wir also E(N). Wir versuchen die Wahrscheinlichkeitsverteilung von N zu bestimmen. Dazu betrachten wir das Ereignis {N = k} für k = n + 1,..., 2n + 1. Weiter bezeichnen wir mit p k := P (N = k). Falls also N = k gilt, so muss gelten 1. n der ersten k 1 Ziehungen fällt auf die linke Streichholzschachtel und auch die k-te Ziehung. 2. n der ersten k 1 Ziehungen fällt auf die rechte Streichholzschachtel und auch die k-te Ziehung. 23
25 y n + 1 B n + 1 x 1 Abbildung 3.3: Irrfahrt im Zahlengitter S mit eingezeichneter Schranke B Wegen ( der Symmetrie dieser beiden Ereignisse sind sie gleichwahrscheinlich. Nun gibt es k 1 ) n Möglichkeiten (vgl. Abschnitt 2.1.2) in den ersten k 1 Ziehungen n-mal die linke (rechte) Streichholzschachtel zu ziehen. Also ist die Wahrscheinlichkeit p k gegeben durch ( k 1 p k = P (N = k) = 2 n ) ( 1 2 Für k = n + 1,..., 2n gilt für den Quotienten ) k = ( k 1 n ) ( ) 1 k 1. 2 p k p k+1 = ( k 1 n ( k n ) ( 1 k 1 2) ) ( 1 ) k = 2 2(k n) k (3.1) und insbesondere gilt p n+1 = ( ) 1 n und p 2n+1 = 2 ( 2n n Wir nutzen die Formel (3.1) aus, um den Erwartungswert ) ( 1 2 ) 2n E(N) = (n + 1)p n+1 + (n + 2)p n (2n)p 2n + (2n + 1)p 2n+1 zu bestimmen. Zunächst schreiben wir (3.1) um zu 2(k + 1)p k+1 = kp k + 2(n + 1)p k+1. 24
26 Summieren wir beiderseits über k = n + 1, n + 2,..., 2n auf, so erhalten 2E(N) 2(n + 1)p n+1 = E(N) (2n + 1)p 2n+1 + 2(n + 1)(1 p n+1 ). Auflösen nach E(N) liefert ( ) ( ) 2n 1 2n E(N) = 2(n + 1) (2n + 1). n 2 Wegen E(R) = 2n + 1 E(N) ist also die gesuchte durchschnittliche Anzahl an in einer Schachtel verbleibenden Streichhölzern gegeben durch ( ) ( ) 2n 1 2n E(R) = (2n + 1) 1. n 2 Falls wir also mit n = 50 Streichhölzern in einer Schachtel starten, so gilt E(R) Also werden im Mittel ungefähr 7 Streichhölzer in einer der beiden Schachteln übrig bleiben. Einen Link zu einer Simulation des Banach schen Streichholzproblems findet sich auf der Homepage des Schnupperkurses. 3.6 Bernoulli und Tennis Jakob Bernoulli (geb. 1654, gest. 1705) beschreibt in Letter to a Friend on the Sets in Court Tennis mit Hilfe von Irrfahrten die Gewinnwahrscheinlichkeit eines Spielers für ein Spiel im Tennis in Abhängigkeit seiner Spielstärke in Relation zur Spielstärke seines Gegners. Betrachten wir ein Spiel im Tennis mit den üblichen Regeln. Anstatt der normalen Zählweise 0, 15, 30, 40, Spiel, notieren wir Punkte 0, 1, 2,.... Das Spiel endet also bei den Spielständen 4 0, 4 1, 4 2, 5 3, 6 4,... oder 0 4, 1 4,.... Wir betrachten das folgende Modell (siehe Abbildung 3.4): Die schwarzen Punkte gehören zur Menge der möglichen Spielstände S und die eingezeichneten Schranken B. Wir nehmen im Folgenden an, dass Spieler 1 mit Wahrscheinlichkeit p und Spieler 2 mit Wahrscheinlichkeit q = 1 p einen Punkt macht und der Quotient p q = m N eine natürliche Zahl darstellt. Ein Spiel ist also eine Irrfahrt, die im Punkt (0, 0) startet, mit Wahrscheinlichkeit p einen Schritt nach rechts und mit Wahrscheinlichkeit q einen Schritt nach oben läuft. Sie endet, falls sie die Schranke B erreicht. Gesucht ist die Wahrscheinlichkeit P (i, j), dass Spieler 1 beim Spielstand (i, j) N 2 0 das Spiel für sich entscheidet, also gewinnt. Wir stellen die Lösung zu diesem Problem von Bernoulli von vor über 300 Jahren dar: Wir betrachten die Beziehung P (i, j) = pp (i + 1, j) + qp (i, j + 1). Nach zweimaligem Anwenden dieser Beziehung und einsetzen des Punktes (3, 3) erhalten wir P (3, 3) = p 2 P (5, 3) + 2pqP (4, 4) + q 2 P (3, 5). 25
27 y B B x 1 Abbildung 3.4: Zahlengitter S mit eingezeichneten Schranken B Wir wissen, dass Spieler 1 beim Stand von (5, 3) gewonnen hat, also P (5, 3) = 1 gilt, und er beim Stand von (3, 5) verloren hat, also P (3, 5) = 0 ist. Weiter gilt offensichtlich P (4, 4) = P (3, 3), da dann wieder Gleichstand ist und beide Spieler noch 2 Punkte in Folge benötigen um zu gewinnen. Daraus erhalten wir also P (3, 3) = Nun können wir einfach mit P (2, 4) = 0 P (3, 3) = p pqP (3, 3) p2 1 2pq = p2 p 2 + q 2 = m2 m und mit P (4, 2) = 1 P (2, 3) = pp (3, 3) + qp (2, 4) = p3 p 2 + q 2 P (3, 2) = pp (4, 2) + qp (3, 3) = p + qp2 p 2 + q 2. Führt man dies nach gleichem Schema fort, so erhält man in Abhängigkeit von m die Ausgangswahrscheinlichkeit für den Gewinn eines Punktes P (0, 0) = m 7 + 5m m m 4 m 7 + 5m m m m m 2 + 5m + 1. Für einige konkrete Werte von m N ergibt die Auswertung der angegebenen Formel die folgende Tabelle: 26
28 m P (0, 0) Man kann nun leicht alle Werte P (i, j) für (i, j) S angeben. Als Übung kann man zeigen, dass falls der Spieler 1 doppelt so stark ist wie sein Gegner, also insbesondere m = 2 gilt, Spieler 1 dem Gegner zwei Punkte Vorsprung geben kann und das Spiel ist annähernd fair. In diesem Fall gilt P (0, 2) Abschließende Bemerkungen Für diesen Schnupperkurs wurden die Bücher von Doyle und Snell [2], von Blom, Holst und Sandell [1] und von Feller [3] verwendet. Die Grundlagen entstammen dem Lehrbuch von Herrn Henze [4], welches eine gute Einführung in die Stochastik liefert und anhand dessen die Vorlesung Einführung in Stochastik (Stochastik 1) im Bachelor aufgebaut wird. 27
29 Literaturverzeichnis [1] Holst L. Blom, G. and D. Sandell. Problems and Snapshots from the World of Probability. Springer, [2] P. G. Doyle and J. L. Snell. Random Walks and Electric Networks. The Mathematical Association of America, [3] W. Feller. An Introduction to Probability - Theory and Applications, Volume I. Wiley, 2te edition, [4] N. Henze. Stochastik für Einsteiger - Eine Einführung in die faszinierende Welt des Zufalls. Vieweg+Teubner, 8te edition,
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
Mehrgeben. 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
Mehr7 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
Mehr50. 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
MehrName:... 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
MehrBeispiel 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.
MehrWürfelt 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
Mehr1 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.
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrMathematischer 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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrZeichen 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
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrLineare 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
MehrZufallsgrößen und Wahrscheinlichkeitsverteilungen
RS 24.2.2005 Zufallsgroessen_i.mcd 1) Zufallsgröße Zufallsgrößen und Wahrscheinlichkeitsverteilungen Zu jedem Zufallsexeriment gehört ein Ergebnisraum Ω. Die einzelnen Ergebnisse ω i können Buchstaben,
MehrTECHNISCHE 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)
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrGrundlagen 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
MehrDie 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,
MehrGüte 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
MehrR. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007
R. Brinkmann http://brinkmann-du.de Seite 1 30.11.2013 Schriftliche Übung Mathematik Stochastik II (Nachschreiber) Jan. 2007 SG15/25D NAME: Lösungen 1. In einer Packung sind Glühbirnen, davon sind zwei
MehrElemente 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
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrApproximation 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
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
Mehr1. 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:
MehrGleichungen 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
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrEinführung 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
MehrDie 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...........................................
MehrStatistische 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
Mehr15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit
5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord
MehrLösung. Prüfungsteil 1: Aufgabe 1
Zentrale Prüfung 01 Lösung Diese Lösung wurde erstellt von Cornelia Sanzenbacher. Sie ist keine offizielle Lösung des Ministeriums für Schule und Weiterbildung des Landes. Prüfungsteil 1: Aufgabe 1 a)
MehrIm 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
Mehr1 C H R I S T O P H D R Ö S S E R D E R M A T H E M A T I K V E R F Ü H R E R
C H R I S T O P H D R Ö S S E R D E R M A T H E M A T I K V E R F Ü H R E R L Ö S U N G E N Seite 7 n Wenn vier Menschen auf einem Quadratmeter stehen, dann hat jeder eine Fläche von 50 mal 50 Zentimeter
MehrR 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
MehrBestimmung 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,
MehrData 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
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrAufgabe 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
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrTag der Mathematik 2012
Gruppenwettbewerb Einzelwettbewerb Mathematische Hürden Aufgaben mit en und Bepunktung Allgemeine Hinweise: Als Hilfsmittel dürfen nur Schreibzeug, Geodreieck und Zirkel benutzt werden. Taschenrechner
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrCoupon 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
MehrKugel-Fächer-Modell. 1fach. 3fach. Für die Einzelkugel gibt es 3 Möglichkeiten. 6fach. 3! Möglichkeiten
Kugel-Fächer-Modell n Kugeln (Rosinen) sollen auf m Fächer (Brötchen) verteilt werden, zunächst 3 Kugeln auf 3 Fächer. 1fach 3fach Für die Einzelkugel gibt es 3 Möglichkeiten } 6fach 3! Möglichkeiten Es
MehrInformationsblatt 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
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrBONUS 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,
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
Mehr8.2 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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrLU-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
MehrSchleswig-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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrTangentengleichung. 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
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
MehrW-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(für Grund- und Leistungskurse Mathematik) 26W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP
.RPELQDWRULN (für Grund- und Leistungsurse Mathemati) 6W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP Nach dem Studium dieses Sripts sollten folgende Begriffe beannt sein: n-menge, Kreuzprodut, n-tupel Zählprinzip
MehrTipp III: Leiten Sie eine immer direkt anwendbare Formel her zur Berechnung der sogenannten "bedingten Wahrscheinlichkeit".
Mathematik- Unterrichts- Einheiten- Datei e. V. Klasse 9 12 04/2015 Diabetes-Test Infos: www.mued.de Blutspenden werden auf Diabetes untersucht, das mit 8 % in der Bevölkerung verbreitet ist. Dabei werden
MehrAufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis
Aufgabe 2. Ergebnis, Ergebnismenge, Ereignis Ergebnis und Ergebnismenge Vorgänge mit zufälligem Ergebnis, oft Zufallsexperiment genannt Bei der Beschreibung der Ergebnisse wird stets ein bestimmtes Merkmal
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrKreativ visualisieren
Kreativ visualisieren Haben Sie schon einmal etwas von sogenannten»sich selbst erfüllenden Prophezeiungen«gehört? Damit ist gemeint, dass ein Ereignis mit hoher Wahrscheinlichkeit eintritt, wenn wir uns
MehrÜbungsaufgaben Tilgungsrechnung
1 Zusatzmaterialien zu Finanz- und Wirtschaftsmathematik im Unterricht, Band 1 Übungsaufgaben Tilgungsrechnung Überarbeitungsstand: 1.März 2016 Die grundlegenden Ideen der folgenden Aufgaben beruhen auf
MehrErgänzungen zum Fundamentum
Matura 2014 - Mathematik - Gymnasium Immensee 2 Ergänzungen zum Fundamentum Abstand eines Punktes zu einer Geraden d = AP v v Substitution ohne Grenzen Mit u = g(x) gilt: f(g(x))dx = 1 u f(u)du Matura
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrMATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009
EUROPÄISCHES ABITUR 2009 MATHEMATIK 3 STUNDEN DATUM: 8. Juni 2009 DAUER DES EXAMENS : 3 Stunden (180 Minuten) ZUGELASSENE HILFSMITTEL : Europäische Formelsammlung Nicht graphischer und nicht programmierbarer
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrTESTEN SIE IHR KÖNNEN UND GEWINNEN SIE!
9 TESTEN SIE IHR KÖNNEN UND GEWINNEN SIE! An den SeniorNETclub 50+ Währinger Str. 57/7 1090 Wien Und zwar gleich in doppelter Hinsicht:!"Beantworten Sie die folgenden Fragen und vertiefen Sie damit Ihr
MehrMatrizennorm. 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
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
Mehr13. 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)
MehrProfessionelle 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
Mehr9.2. 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
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrPlotten 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
MehrDie 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
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrInhalt. Allgemeine Einführung. Argumentationsvermögen. Räumliches Vorstellungsvermögen. Begabungen und Fähigkeiten messen
Beispielheft Inhalt Allgemeine Einführung Test Eins: Test Zwei: Test Drei: Test Vier: Test Fünf: Argumentationsvermögen Auffassungsvermögen Zahlenvermögen Sprachverständnis Räumliches Vorstellungsvermögen
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrKorrelation (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
MehrUniversität 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
MehrVorlesung 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
MehrAnleitung über den Umgang mit Schildern
Anleitung über den Umgang mit Schildern -Vorwort -Wo bekommt man Schilder? -Wo und wie speichert man die Schilder? -Wie füge ich die Schilder in meinen Track ein? -Welche Bauteile kann man noch für Schilder
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrGrundlagen 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