Wahrscheinlichkeitstheorie

Größe: px
Ab Seite anzeigen:

Download "Wahrscheinlichkeitstheorie"

Transkript

1 Wahrschenlchet Grundbegrffe Wahrschenlchetsbegrffe (Axomatsche Defnton) Rechenoperatonen mt Wahrschenlcheten Statstsche Unabhängget Numersche Berechnung von Wahrschenlcheten Klasssche Bemessung nach Laplace Emprsche oder Statstsche Wahrschenlchet Subjetve Bemessung von Wahrschenlcheten Bblografe Bleymüller / Gehlert / Gülcher Verlag Vahlen Statst für Wrtschaftswssenschaftler Bleymüller / Gehlert Verlag Vahlen Statstsche Formeln, Tabellen und Programme PowerPontPräsentatonen (Prof. Mohr/ Dr. Rcabal) Vorlesungssrpt für Statst I (Dr. Pu Chen) Vorlesungssrpt für Statst II (Prof. Mohr, Prvate Hanseunverstät Rostoc) 2

2 Zufallsexpermente De Bass der Wahrschenlchetsrechung blden Zufallsexpermente, de tatsächlch oder nur gedanlch durchgeführt werden. Se bestzen de Egenschaft, dass hre Ergebnsse ncht vorausgesagt werden önnen. Bespele: Werfen enes Würfels oder ene Münze Zehen ener Karte oder Lottozahl Drehen enes Rouletterades Überprüfung der Qualtät ener Warenleferung (gut - schlecht) 3 Eregnsmenge En Zufallsexperment wrd ferner durch ene Versuchsanordnung und durch de Menge aller möglchen Ausgänge deses Experments beschreben. De enzelnen ncht weter zerlegbaren und sch gegensetg ausschleßenden Ergebnsse des Experments heßen Elementareregnsse w. De Menge sämtlcher Elementareregnsse heßt de zugehörge Eregnsmenge bzw. Eregnsraum Ω. Bespel: Werfen mt enem Würfel Elementareregnsse: w, w 2 2,, w 6 6 Eregnsraum: Ω {, 2, 3, 4, 5, 6} 4

3 Eregns Ene Telmenge der Ergebnsmenge heßt Eregns E. Deses setzt sch aus Elementareregnssen zusammen. Bespel: Werfen mt enem Würfel Elementareregnsse: w, w 2 2,, w 6 6 Eregnsraum: Ω {, 2, 3, 4, 5, 6} E gerade Augenzahl {2, 4, 6} E 2 Augenzahl größer 4 {4, 6} Spezelle Eregnsse: Unmöglches Eregns: Scheres Eregns: ø Ω 5 Vernüpfungen von Eregnssen Symbol (Mengenschrebwese). Verengung von Eregnssen A B 2. Durchschntt von Eregnssen A B Bedeutung (Eregnsalül) mndestens enes der beden Eregnsse A oder B trtt en w A w B Sowohl Eregns A als auch Eregns B trtt en w A w B Darstellung m Venn-Dagramm A A B B Ω Ω 3. Komplementäreregns (Gegeneregns) Ᾱ ; A c ; A Ᾱ trtt en, wenn A ncht entrtt w Ᾱ w A A Ᾱ Ω 6

4 Vernüpfungen von Eregnssen Symbol (Mengenschrebwese) 4. Dfferenz von Eregnssen A \ B A B c 5. Dsjunte Eregnsse A B ø 6. Teleregnsse A B Bedeutung (Eregnsalül) A, jedoch ncht B trtt en w A w B A und B schleßen sch gegensetg aus w A w B w B w A Eregns A zeht Eregns B nach sch w A w B Darstellung m Venn-Dagramm Ω A A A B B B Ω Ω Ᾱ 7 Bespel: Vernüpfungen von Eregnssen Werfen mt enem Würfel mt E {2, 4, 6} und E 2 {5, 6} E E 2 {2, 4, 5, 6} E E 2 {6} Ē {, 3, 5} ungerade Augenzahl E \E 2 {2, 4} E 2 \E {5} E und E 3 {5} snd dsjunt E 3 E 2 8

5 Rechenregel für Eregnsse* A A c ø A A c Ω A Ω A A Ω Ω A ø ø A ø A A \ B A B c (A c ) c A Konmutatvgesetze: A B B A A B B A Assozatvgesetze: (A B) C A (B C) A B C (A B) C A (B C) A B C Idempotenzgesetze: A A A A A A De Morgansche Gesetze: (A B) c A c B c (A B) c A c B c * (sehe Mengenlehre) 9 zwetes De Morgansche Gesetz Graphsche Darstellung (A B) c A c B c 0

6 Eregnssysteme In der Statst st es wchtg, das Zusammenspel von Eregnssen zu betrachten. Snnvollerwese verwendet man dazu Eregnssysteme. De Eregnsse E, E 2,, E bldet ene Partton (Zerlegung) der Eregnsmenge Ω, wenn se paarwese dsjunt snd und hre Verengung Ω ergbt. E E j für, j,, ; j E 2 E 4 E 6 E E 2 E Ω E E 3 E 5 Eregnsalgebra Ene Eregnsalgebra ℇ st ene Menge von Eregnssen, so dass für jewels endlch vele Eregnsse auch deren Komplemente, Durchschntte und Verengungen dazugehören. Ene Eregnsalgebra zechnet sch dadurch aus, dass se en geschlossenes System hnschtlch der obgen Operatonen darstellt. Man blebt mmer nnerhalb des Mengensystems. Man ann ene Eregnsalgebra formal we folgt beschreben: Ω ℇ E ℇ E c ℇ E, E 2,, E ℇ E E 2 E ℇ oder analog E, E 2,, E ℇ E E 2 E ℇ 2

7 Eregns-Sgma-Algebra Ene Eregns-Sgma-Algebra legt vor, wenn de Egenschaften ener Eregnsalgebra auch für abzählbar (unendlch) vele Eregnsse gültg snd. Man ann ene Eregns-Sgma-Algebra formal we folgt beschreben: Ω ℇ E ℇ E c ℇ E, E 2 ℇ E E 2 ℇ oder analog E, E 2 ℇ E E 2 ℇ Frage: Warum gehört auch zur ℇ? ( ℇ ) 3 Bespel: Eregnsalgebra De lenste Eregnsalgebra von Ω st das Mengensystem {, Ω }. De größte Eregnsalgebra von Ω st de zugehörende Potenzmenge (Menge aller Telmengen von Ω). Dabe bestehet de Potenzmenge aus dem Mengensystem aller Telmengen von Ω. Z. B. für Ω {w, w 2, w 3 }: Anzahl Elementareregnsse j Möglche Eregnsse 0 {w }, {w 2 }, {w 3 } 2 {w, w 2 }, {w, w 3 }, {w 2, w 3 } 3 Ω{w, w 2, w 3 } 4

8 Wahrschenlcheten Zufallsexpermente lassen sch ncht exat voraussagen. Aber unter bestmmten Bedngungen lassen sch für de Ausgänge des Experments Wahrschenlcheten angeben. Zunächst werden de Bedngungen behandelt, damt man snnvoll mt Wahrschenlcheten arbeten ann. Im zweten Tel wrd dargestellt, we man numersch dese Wahrschenlcheten berechnen ann. 5 Axomatsche Defnton von Wahrschenlchet Kolmogoroff hat en Axomensystem mt dre Axomen für ene Eregns-Sgma-Algebra defnert, de erfüllt sen müssen, damt man wderspruchfre mt den zugehörgen Wahrschenlcheten arbeten ann:. 0 W(E) für E ℇ (jedem Eregns E wrd ene nchtnegatve Wahrschenlchet zugeordnet; sog. Nchtnegatvtätsaxom) 2. W(Ω) (Das schere Eregns erhält de maxmale Wahrschenlchet ; sog. Normerungsaxom) 3. Seen E, E2, ℇ ene Folge paarwese dsjunter abzählbar veler Eregnsse. Dann glt: W(E E 2 ) W(E ) + W(E 2 ) + (De Wahrschenlchet für de Verengung dsjunter Eregnsse st glech der Summe hrer Enzelwahrschenlcheten; sog. Addtonsaxom) 6

9 Sätze zur Wahrschenlchetsrechnung Aus. und 2. folgt: 0 W(E) für alle E ℇ Satz von der Gegenwahrschenlchet: W(Ᾱ)-W(A) Satz der Monotone: A B W(A) W(B) Allgemener Addtonssatz Für 2 Eregnsse: W(A B) W(A) + W(B) - W(A B) Für 3 Eregnsse: W(A B C) W(A) + W(B) +W(C) - W(A B) - W(A C) -W(B C) + W(A B C) Für n Eregnsse analog A A 2 Ω W(A A 2 ) W(A )+W(A 2 ) - W(A A 2 ) (Sonst würde A A 2 doppelt gezählt werden.) 7 Bespel: Sätze für de Wahrschenlchetsrechnung Werfen mt zwe Münzen (Zahl und Wappen2) Ω {,2, 2, 22} (Alle Kombnatonen haben de Wahrschenlchet ¼) B: Summe der Realsatonen st gerade A : Der erste Wurf zegt de Augenzahl (, 2); A blden ene Zerlegung von Ω W(B) W({, 22}) /2; W(A ) W({, 2}) /2; W(A 2 ) W({2, 22}) /2 W( B) W(B) 2 2 W(A B) W(A ) + W(B) - W(A B) + W({})

10 Zerlegungssatz Blden A, A 2,, A ene Zerlegung von Ω, so glt für en belebges Eregns B: A 2 A B A 3 A 4 A 5 A 6 Ω Aus der Graph seht man: B A ; B A2; L ; B A Es glt: snd dsjunt. W(B) W(A B) + W(A2 B) + L+ W(A B) W(A B) 9 Bespel: Zerlegungssatz Bespel: Werfen mt zwe Münzen (Zahl und Wappen2) 2 Ω (Alle Kombnatonen haben de Wahrschenlchet ¼) 2 22 B: Summe der Realsatonen st gerade A : Der erste Wurf zegt de Augenzahl (, 2) W(B)/2, W(A )/2; W(A 2 )/2 A blden ene Zerlegung von Ω W(B) W(A B) W(A B) + W(A2 B) W({}) + W({22})

11 Bedngte Wahrschenlchet Seen A und B zwe Eregnsse und se B A das Eregns B unter der Bedngung, dass das Eregns A entrtt (engetreten st). De zugehörge bedngte Wahrschenlchet se W(B A). Dann glt: W(B A) W(A B) falls W(A) > 0 W(A) Man beachtet, dass de bedngte Wahrschenlchet völlg analog zu den bedngte Häufgeten n der desrptve Statst formulert snd. Im Spezalfall W(A) 0 setzt man W(B A) 0. 2 Bespel: Bedngte Wahrschenlchet (Werfen mt enem Würfel) U: ungerade Augenzahl mt W(U) /2 w : Augenzahl (, 2,, 6) mt W(w ) /6 für, 2,, 6 We groß st de Wahrschenlchet de Augenzahl w zu realseren, unter der Bedngung, dass das Eregns U entrtt (engetreten st)? W( w U) 3 W( w 3 U) 3 W( w 5 U) W( w 2 U) 0 W( w 4 U) 0 W( w 6 U)

12 Multplatonssatz Der sog. Multplatonssatz folgt unmttelbar aus der Defnton der bedngten Wahrschenlchet: W(A B) W(A) W(B A) W(B) W(A B) W(B A) W(A B) W(A B) W(A B) W(A) W(B A) W(A) W(A B) W(A B) W(B) W(A B) W(B) 23 Wahrschenlchets-Baumdagramm Bedngte Wahrschenlcheten treten n mehrstufgen Zufallsexpermenten auf, de sch n enem Wahrschenlchets-Baumdagramm veranschaulchen lassen. Dabe schrebt man an de Äste des Baumes de Wahrschenlcheten auf de entsprechende Stufe. Somt lässt sch damt auch der Multplatonssatz graphsch darstellen. 24

13 r s g 4 3 Start Bespel: Baumdagramm für Wahrschenlcheten In ener Urne befnden sch 4 rote, 3 schwarze und grüne Kugel. Es werden (nachenander) 2 Kugel ohne Zurüclegen und mt Beachtung der Rehenfolge gezogen. /8 3/8 4/ g 4 2 s 3 3 r 0 3/7 4/7 /7 2/7 4/7 /7 3/7 3/7 g 0 s 3/56 r 4/56 g 3/56 s 6/56 r 2/56 g s r 4/56 2/56 2/56 W(Z s Z2 r) W(Z s) W(Z r Z s) 25 Satz von der totalen Wahrschenlchet Blden de Eregnsse A, A 2,..., A ene Zerlegung von Ω, so glt für jedes Eregns B: Ω A 2 A B A 4 A 6 A 3 A 5 W(B) W(A B) W(B A ) W(A) Aus der Graph seht man: B A; B A2; L ; B A snd dsjunt: B U W(B) (B A ) W(B) W( W(B A ) U W(B A )) W(B A ) + L+ W(B A ) W(B A ) W(A ) 26

14 Bespel: Satz von der totalen Wahrschenlchet In ener Urne befnden sch 4 rote, 3 schwarze und grüne Kugel. Es werden (nachenander) 2 Kugel ohne Zurüclegen und mt Beachtung der Rehenfolge gezogen. Berechnen Se de Wahrschenlchet dafür, dass de zwete Kugel schwarz wrd. Seen: B: De zwete Kugel st schwarz. A : De erste Kugel st grün, A 2 : De erste Kugel st schwarz und A 3 : De erste Kugel st rot B B A + B A2 + B A3 W(B) W(B A ) + W(B A2) + W(B A3) W(B A) W(A ) + W(B A2) W(A2) + W(B A3) W(A3) Formel von Bayes Blden de Eregnsse A, A 2,..., A ene Zerlegung von Ω, so glt für jedes Eregns B mt W(B)>0: a pror W(A B) W(B A ) W(A ) W(A B) 4243 W(B) a posteror W(B A ) W(A ) mt W(A B) W(B A ) W(A ) W(A B) W(B) und W(B) W(B A ) W(A) De Formel von Bayes folgt unmttelbar aus dem Multplatonssatz und dem Satz von der totalen Wahrschenlchet! 28

15 Bespel: Satz von der totalen Wahrschenlchet In ener Urne befnden sch 4 rote, 3 schwarze und grüne Kugel. Es werden (nachenander) 2 Kugel ohne Zurüclegen und mt Beachtung der Rehenfolge gezogen. Berechnen Se de Wahrschenlchet dafür, dass de erste Kugel grün st, wenn de zwete Kugel schwarz st. Seen: B: De zwete Kugel st schwarz. A : De erste Kugel st grün, A 2 : De erste Kugel st schwarz und A 3 : De erste Kugel st rot a pror W(A B) W(B A) W(A) W(A B) W(B) a posteror W(B A ) W(A ) Bespel: A pror und a posteror Wahrschenlcheten Es wrd en zwestufges Experment mt zwe Urnen durchgeführt, de jewels schwarze und weße Kugeln enthalten. Auf der erste Stufe wrd ene Urne ausgewählt, für de erste (zwete) Urne st de Wahrschenlchet 0, (0,9). De erste Urne enthält 70% schwarze Kugeln, de zwete 40%. Auf der zwete Stufe wrd ene Kugel gezogen. We groß st de Wahrschenlchet, dass ene schwarze Kugel aus Urne stammt? Urne; A Urne 2; B s schwarze Kugel A 2 Gegeben: W(A ) 0,; W(A2) 0,9; W(B A) 0,7; W(B A2) W 2 (B) W(B A ) W(A) + W(B A2) W(A ) 0,43 W(B A) W(A ) 0,07 W( A B) 2 0,43 W(B A ) W(A ) 0,63 0,4 W( A2 B) 0,837 Berechnen Se de a posteror Wahrschenlchet W(A B c )! 30

16 Statstsche Unabhängget von Eregnssen Zwe Eregnsse A und B (mt W(A)>0 und W(B)>0 snd statstsch (stochastsch) unabhängg, wenn glt: W(A B) W(A) W(B) In desem Fall glt glechwertg: W(A B) W(A) W(B) W (A B) W(A) W(B) W(B) Her seht man, dass das Eregns B enen Enfluss auf A hat. Analog: W(B A)W(B) 3 Klasssche Bemessung nach Laplace Idee von Bernoull Laplace (82) Voraussetzungen: Endlche Ergebnsmenge bzw. Eregnsraum Ω Alle Elementareregnsse glechwahrschenlch Se A en Eregns mt A Ω. Dann glt: Anzahl aller für A güngstgen Elementareregnsse A W(A) Anzahl aller für Ω möglchen Elementareregnsse Ω Dese Bestmmung st ncht emprsch orentert. Man ann de Wahrschenlcheten ohne Expermente oder vor enem geegneten Experment durchführen. Daher sprcht man auch von a pror Wahrschenlcheten. 32

17 Bespel: Klasssche Bemessung von Wahrschenlcheten We groß st de Wahrschenlchet bem dremalgen Werfen mt ener Münze mndestens enmal de Ausprägung Zahl zu erhalten? A 7 W (A) W(A) Ω 8 8 Eregns Ᾱ: en mal Zahl, d. h. Ᾱ{(w, w, w)} Ω enthält 8 glechwahrschenlche Elementareregnsse Ω {(z, z, z); (z, z, w); (z, w, z); (z, w, w); (w, z, z); (w, z, w); (w, w, z); (w, w, w)}; A 7; Ᾱ ; Ω 8 Wahrschenlchet für zwe mal Zahl? B 3 W (B) B {(z, z, w); (z, w, z); (w, z, z)}; B 3 Ω 8 33 Klasssche Defnton - Voraussetzungen Für de Bestmmung der entsprechenden Elementareregnsse benötgt man häufg Kenntnsse n Kombnator. (Exurs) Als Begründung der zwete Annahme (Glechwahrschenlchet der Elementareregnsse), verwendet man das Prnzp des unzurechenden Grundes. Deses besagt, dass dese Annahme erfüllt st, wenn es enen hnrechenden Grund gbt, dass bestmmte Elementareregnsse bevorzugt snd. Typsche Bespele snd Expermente mt Münzen, Würfeln oder Urnen. Krt: Ncht anwendbar, wenn. es sch ncht um endlch vele Elementareregnsse handelt. de Elementareregnsse ncht glechwahrschenlch snd 34

18 Emprsche oder statstsche Wahrschenlchet Idee: R. von Mss (928) Bestmmung der Wahrschenlchet als relatve Häufget n enem Zufallsexperment. Voraussetzung:. Wederholbaret enes Zufallsexperments unter onstanten Rahmenbedngungen für ene große Anzahl von Versuchen. Rechnen mt relatven Häufgeten, wobe ene statstsche Stabltät vorausgesetzt wrd W(A) lmfn (A), n mt h(a) f n (A) n Motvaton für desen Ansatz st de Erfahrung, dass mt zunehmenden Umfang der Versuche, de relatve Häufget sch um enen Grenzwert p stablsert. (Emprsche Gesetze der großen Zahlen) 35 Bespel: Emprsche bzw. statstsche Wahrschenlchet Wahrschenlchet für Knabengeburten Jahrgang Knaben Insgesamt Relatve Häufget (umulert) f n (K) / , / , / , / , / ,

19 p 0,55 0,54 0,53 Bespel: Emprsche bzw. statstsche Wahrschenlchet * * * * * Da man ncht unendlch vele Versuchen durchführen ann, brcht man nach ener genügend hohen Anzahl ab und verwendet den Wert als Schätzung. W(K) 0, Mll. Krt: Rahmenbedngungen önnen bswelen ncht onstant behalten werden Versuche snd ncht hnrechend oft wederholbar Insbesondere be Enzelergebnssen lassen sch bede bsher dsuterten Ansätze (Klasssche Bemessung und Statstsche Wahrschenlchet) ncht anwenden. Dafür benötgt man subjetve Methoden 37 Subjetve Bemessung von Wahrschenlchet Idee. De Fnett, Savage, Borel (926) De Wahrschenlchet W(A) lässt sch als subjetve Enschätzung ener Person (Experte) ermtteln, de mt dem Hntergrund das Zufallsexperments vertraut st. Bespel: Dabe wrd folgende (ftve) Wette durchgeführt: Wettenensatz: e a Auszahlung : o falls A entrtt falls A entrtt Man wrd dese Wette annehmen, sofern der erwartete Gewnn G postv st: G W(A) a + W(A) 0 e W(A) a e > 0 De Große e max /a heßt maxmaler Wettquotent. Nach deser Methode arbetet z. B. de Internet-Wahlbörse oder auch Wettbörsen für Sporteregnsse. 38

20 Bespele: Subjetve Bemessung von Wahrschenlcheten m öon. Berech Im öon. Berech ommen subjetve Methoden häufg zur Anwendung: Be der Beurtelung der Konjunturentwclung für das nächste Jahr werden Experten (Sachverständgenrat, 5 Wese) oder Unternehmen (IFO Konjunturtest) nach hrer Enschätzung befragt. Dabe gbt es de Eregnsse +,, -, d. h. (Aufstegen, Glechbleben, Fallen) und man bestmmt aus den Befragungen de subjetven Wahrschenlcheten p +, p, p -. Möglche Reatonen enes Anbeters auf de Pressenung enes Konurrenten um 0,30 Euro pro Enhet für en bestmmtes Gut (z. B. Kaffe). Alternatv Presänderung 0,0 0,00-0,0-0,20-0,30-0,40-0,50 W(w ) 0,0 0,30 0,04 0,05 0,40 0,5 0,05 39 Subjetve Bemessung von Wahrschenlcheten Vortele: ene Expermente erforderlch ene statstsche Regelmäßget nötg Nachtele: Ncht ntersubjetv nachprüfbar Konsensmenung snnvoll 40

21 Schlussbemerung De lasssche, de statstsche und de subjetve Bemessung von Wahrschenlcheten stehen ncht n Gegensatz zum Axomensystem von Kolmogoroff. Kenes deser dre Konzepte st jedoch als formale Bass für de Wahrschenlchetsberechnung geegnet. In der Praxs werden se jedoch snnvoll engesetzt, wenn hre Anwendungsvoraussetzungen mt der Realtät verenbar snd. 4 Interpretaton von Wahrschenlcheten De Regenwahrschenlchet beträgt morgen 30% Psychologen untersuchten weltwet (Informatonsdenst Wssenschaft, , dw-onlne.de), welche Vorstellungen mt deser Aussage verbunden snd. Vorgegebene Vorstellungen waren:. Morgen regnet es auf 30% der Fläche 2. Morgen regnet es 30% der Zet 3. Es wrd an 30% der Tage regnen, welche de gleche Wetterlage we der morgge haben. Während de New Yorer mehrhetlch auf de 3. Opton tppten, am gerade dese Interpretaton den europäschen Befragten besonders unsnng vor. Se favorserten eher de zwete Möglchet, also de Zet, de es regnen würde. Das wrlche Ausmaß der Unlarhet am durch egene Erläuterungen ans Tageslcht: Enge Telnehmer n New Yor und n Berln nterpreterten de Regenwahrschenlchet als ene Art Abstmmungsergebns unter den Wetterexperten; se erlärten, dass von zehn Meteorologen dre davon überzeugt seen, dass es morgen regnen wrd! De Mehrdeutget der Aussage bleb unerannt. Aber der Wahrschenlchetsaussage oben fehlt de Angabe, worauf se sch bezeht, ob auf de Fläche, de Zet oder eben de Tage mt dentscher Wetterlage. De Zahl allen ann fehlnterpretert werden, wenn de Kategoren der Statst das Messonzept ncht endeutg belegen. 42

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket

Mehr

4. Rechnen mit Wahrscheinlichkeiten

4. Rechnen mit Wahrscheinlichkeiten 4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,

Mehr

An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.

An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert. SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,

Mehr

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden. Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

Verteilungen eindimensionaler diskreter Zufallsvariablen

Verteilungen eindimensionaler diskreter Zufallsvariablen Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

Forschungsstatistik I

Forschungsstatistik I Psychologe Prof. Dr. G. Menhardt 2. Stock, Nordflügel R. 02-429 (Perske) R. 02-431 (Menhardt) Sprechstunde jederzet nach Verenbarung Forschungsstatstk I Dr. Malte Perske perske@un-manz.de WS 2008/2009

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

Kapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik

Kapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik Kaptel 4: Wahrschenlchetsrechnung und Kombnator 1 4. Wahrschenlchetsrechnung De Wahrschenlchetsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

Lösungen der Aufgaben zu Kapitel 2

Lösungen der Aufgaben zu Kapitel 2 Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten

Mehr

Rotation (2. Versuch)

Rotation (2. Versuch) Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten. ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

2. Wahrscheinlichkeitsrechnung

2. Wahrscheinlichkeitsrechnung . Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Steuerungsverfahren und ihre Datenstrukturen 09 - Netzplantechnik

Steuerungsverfahren und ihre Datenstrukturen 09 - Netzplantechnik und hre Datenstrukturen 9-9....2 9. Zetplanung...2 9.. CPM... 3 9..2 PERT... 9..3 MPM... 5 9..4 Verglech zwschen CPM und MPM... 22 9.2 Ausblck: Kosten- und Kapaztätsplanung...23 9.3 Entschedungsnetzpläne...24

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Statistische Kennzahlen für die Lage

Statistische Kennzahlen für die Lage Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und Statstsche

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 Matrixnormen und Eigenwertabschätzungen 50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Lineare Optimierung Einführung

Lineare Optimierung Einführung Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb

Mehr

Die Leistung von Quicksort

Die Leistung von Quicksort De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

3. Vorlesung Sommersemester

3. Vorlesung Sommersemester 3. Vorlesung Sommersemester 1 Bespele (Fortsetzung) 1. Der starre Körper: Formulerung der Zwangsbedngungen später. Anschaulch snd schon de Frehetsgrade: dre der Translaton (z. B. Schwerpuntsoordnaten)

Mehr

Vorlesung 3 Differentialgeometrie in der Physik 13

Vorlesung 3 Differentialgeometrie in der Physik 13 Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x) ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Maße der zentralen Tendenz (10)

Maße der zentralen Tendenz (10) Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460

Mehr

Kapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik

Kapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik Kaptel 4: Wahrschenlchketsrechnung und Kombnatork 1 4. Wahrschenlchketsrechnung De Wahrschenlchketsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche

Mehr

Hefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 1 Begriffsdefinitionen

Hefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 1 Begriffsdefinitionen Hefte zur Logstk Prof. Dr. Segfred Jetzke Heft 1 Begrffsdefntonen Jun 2010 Deses Heft st urheberrechtlch geschützt. Wenn Se de Quelle angeben, können Se gerne deses Heft wetergeben, Tele koperen oder aus

Mehr

II. Wahrscheinlichkeitsrechnung und mathematische Statistik

II. Wahrscheinlichkeitsrechnung und mathematische Statistik II. Wahrschenlchketsrechnung und mathematsche Statstk Prof. Dr. Barbara Grabowsk Hochschule für Technk und Wrtschaft des Saarlandes /0 Inhaltsverzechns - I - Enletung Dese Kursenhet dent der Vermttlung

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

1. Graphen 8. B={{d,e},{b,d},{a,b},{d,f},{b,c}}.

1. Graphen 8. B={{d,e},{b,d},{a,b},{d,f},{b,c}}. . Graphen 8 Bespel: f 5 5 d e 7 7 a 4 b 6 c Für den obenstehenden zusammenhängenden Graphen soll en Mnmalgerüst konstruert werden. Wr ordnen zunächst de Kanten des Graphen nach wachsender Bewertung, d.h.

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

AUFGABEN ZUR INFORMATIONSTHEORIE

AUFGABEN ZUR INFORMATIONSTHEORIE AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

22. Vorlesung Sommersemester

22. Vorlesung Sommersemester 22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

Mehr

16. Vorlesung Sommersemester

16. Vorlesung Sommersemester 16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Contents blog.stromhaltig.de

Contents blog.stromhaltig.de Contents We hoch st egentlch Ihre Grundlast? Ene ncht ganz unwchtge Frage, wenn es um de Dmensonerung ener senannten Plug&Play Solar-Anlage geht. Solarsteckdosensystem für jermann, auch für Meter lautete

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

II. Wahrscheinlichkeitsrechnung und mathematische Statistik

II. Wahrscheinlichkeitsrechnung und mathematische Statistik II. Wahrschenlchketsrechnung und mathematsche Statstk Prof. Dr. Barbara Grabowsk Hochschule für Technk und Wrtschaft des Saarlandes 06 Inhaltsverzechns - I - Enletung Dese Kursenhet dent der Vermttlung

Mehr

=, grad Z(s) = m n = grad N(s).

=, grad Z(s) = m n = grad N(s). 4 7... Stabltätsprüfung anhand der Übertragungsfunkton (.9) leferte den Zusammenhang zwschen der Gewchtsfunkton g(t) und der Übertragungsfunkton G(s) enes lnearen zetnvaranten Systems G (s) { g ( t)}.

Mehr

Die Transzendenz der Eulerschen Zahl e

Die Transzendenz der Eulerschen Zahl e De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

Sicherheit von Π MAC2

Sicherheit von Π MAC2 Scherhet von Π MAC2 Satz Scherhet von Π MAC2 Se Π scher. Dann st Π MAC2 ebenfalls scher. Bewes: Se A en Angrefer für Π MAC2 mt Erfolgsws ɛ(n). Wr konstrueren enen Angrefer A für Π. Algorthmus Angrefer

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog 60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Der Satz von COOK (1971)

Der Satz von COOK (1971) Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls

Mehr

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg Hauptprüfung Abturprüfung 2014 (ohne CAS) Baden-Württemberg Lneare Optmerung Hlfsmttel: GTR, Formelsammlung beruflche Gymnasen (AG, BTG, EG, SG, TG, WG) Alexander Schwarz www.mathe-aufgaben.com Oktober

Mehr

Übungsblatt 7 Lösungsvorschläge

Übungsblatt 7 Lösungsvorschläge Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Stochastik - Kapitel 4

Stochastik - Kapitel 4 Aufgaben ab Sete 5 4. Zufallsgrößen / Zufallsvarablen und hre Vertelungen 4. Zufallsgröße / Zufallsvarable Defnton: Ene Zufallsgröße (Zufallsvarable) X ordnet jedem Versuchsergebns ω Ω ene reelle Zahl

Mehr

I)1. Kinematik. EP WS 2009/10 Dünnweber/Faessler

I)1. Kinematik. EP WS 2009/10 Dünnweber/Faessler I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr