12 UMPU Tests ( UMP unbiased )

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "12 UMPU Tests ( UMP unbiased )"

Transkript

1 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum Nveau α für H 0 : ϑ Θ 0 gegen H 1 : ϑ Θ 1, falls (1) E ϑ ϕ α ϑ Θ 0, E 0 ϕ α ϑ Θ 1 Im Folgenden legen enparametrge Exponentalfamlen mt Dchte ( ) f(x, ϑ) = c(ϑ) exp(ϑt (x)) h(x), x X und natürlchem Parameterberech Θ vor. Zu testen se H 0 : ϑ = ϑ 0 gegen H 1 : ϑ ϑ 0. Nach Lemma 6.1 st de Gütefunkton β(ϑ) = E ϑ ϕ(x) belebg oft dfferenzerbar. Aus Forderung (1) folgt: () E ϑ0 ϕ(x) = α, d dϑ E ϑϕ(x) ϑ=ϑ0 = 0 Mt c(ϑ) = [ e ϑt (x) h(x)µ(dx)] 1 c (ϑ) = T (x)e ϑt (x) h(x)µ(dx) c(ϑ) folgt weter β (x) = [ ϕ(x)c(ϑ)e ϑt (x) h(x)µ(dx)] = c (ϑ) ϕ(x)e ϑt (x) h(x)µ(dx) + c(ϑ) ϕ(x)t (x)e ϑt (x) h(x)µ(dx) = c(ϑ) T (x)e ϑt (x) h(x)µ(dx) ϕ(x)e ϑt (x) h(x)µ(dx) +E ϑ [ϕ(x)t (x)] = E ϑ [ϕ(x)t (x)] E ϑ T (x)e ϑ ϕ(x) Damt st () äquvalent zu (3) E ϑ0 ϕ(x) = α, E ϑ0 [ϕ(x)t (x)] = αe ϑ0 T (x)

2 90 1 UMPU TESTS ( UMP UNBIASED ) 1.1 Satz (UMPU-Tests n enparametrgen Exponentalfamlen) Exponentalfamle we n ( ). Weter se 1, T (x) < c ϕ 1 oder T (x) > c (x) = γ, T (x) = c ( = 1, ) 0, c 1 < T (x) < c wobe c 1, c, 0 γ 1, γ 1 so, dass ϕ (3) erfüllt. Dann: a) Unter allen Nveau α Tests für H 0 : ϑ = ϑ 0 gegen H 1 : ϑ ϑ 0 de (3) erfüllen st ϕ glechmäßg bester Test. b) ϕ st UMPU-Test zum Nveau α für H 0 gegen H 1. Anmerkung: UMP-Tests snd eventuell auf ener Sete besser, versagen dafür aber auf der anderen Sete. Se snd her aber soweso unzulässg, da se ncht unverfälscht snd! 1. Bemerkungen a) Aus (3) folgt E ϑ0 [ϕ(x) (at (X) + b)] = a E ϑ0 [ϕ(x)t (X)] +α b = αe }{{} ϑ0 [at (X) + b] =αe ϑ0 T d.h. Bedngung (3) und auch de Form des Tests ϕ ändern sch ncht unter lnear affnen Transformatonen T (x) = a T (x)+b (a 0). Also st ϕ (x) = 1, T (x) < c 1 oder T (x) > c γ, T (x) = c ( = 1, ) 0, c 1 < T (x) < c mt E ϑ0 ϕ =! α, E ϑ0 [ ϕ T ] = α Eϑ0 T ebenfalls UMPU-Test zum Nveau α für H 0 gegen H 1. b) Se P T ϑ 0 symmetrsch bezüglch t 0, d.h. P ϑ0 (T t 0 t) = P ϑ0 (T t 0 t) t R Se 1, T (x) t 0 > c ϕ (x) = γ, T (x) t 0 = c 0, T (x) t 0 < c

3 1.3 Bespel (Zwesetger Gauss-Test) 91 mt P ϑ0 (T (X) t 0 > }{{} c ) + γ P ϑ0 (T (X) t 0 = c ) =! α. >0 P ϑ0 ( T (X) t 0 > c ) + γ P ϑ0 ( T (X) t 0 = c ) = α, d.h. E ϑ0 ϕ = α ( ). Weter glt: E ϑ0 T (X) = t 0, ϕ symmetrsch bezüglch t 0 E ϑ0 [ϕ T ] = E ϑ0 [(T t 0 ) ϕ ] +t 0 E }{{} ϑ0 ϕ ( ) = t 0 α = α E ϑ0 T =0 s.u. [Betrachte g(t) = (t t 0 ) ϕ (t) E ϑ0 [(T t 0 ) ϕ (T )] = g(t)p T ϑ 0 (dt) = 0.] D.h. auch de zwete Bedngung n (3) st erfüllt. ϕ st also UMPU-Test zum Nveau α für H 0 gegen H 1. Bestmmung von c, γ also we bem ensetgen UMP-Test zum Nveau α. Bemerkung: Form des Tests blebt unverändert unter streng monotonen Transformatonen T (x) = h( T (x) t0 ). 1.3 Bespel (Zwesetger Gauss-Test) X 1,..., X n uv N (µ, σ 0 ), σ 0 > 0 bekannt. H 0 : µ = µ 0 gegen H 1 : µ µ 0 Vertelung von X = (X 1,..., X n ) st enparametrge Exponentalfamle mt ϑ = µ, T (x) = n σ0 =1 x, n =1 X N (nµ 0, nσ0 ) unter H 0. Lnear affne Transformaton T (x) = T (x) nµ 0 nσ 0 = n x n µ 0 σ 0 lefert P T µ0 = N (0, 1), also symmetrsch bezüglch 0. Vertelungsfunkton st stetg { 1, n x n µ 0 ϕ σ = 0 0, n x n µ 0 st UMPU-Test für H 0 gegen H 1. σ 0 > z 1 α z 1 α

4 9 1 UMPU TESTS ( UMP UNBIASED ) 1.4 Bespel X = (X 1,..., X n ), X uv Bn(1, p), 0 < p < 1 H 0 : p = p 0 gegen H 1 : p p 0 Enparametrge Exponentalfamle mt ϑ = log p 1 p, T (x) = n =1 x, n =1 X Bn(n, p 0 ) unter H 0. Im Allgemenen ncht symmetrsch! UMPU-Test: 1, x < c ϕ 1 oder x > c (x) = γ, x = c 0, c 1 < x < c mt (komplzerten) Bedngungen für c 1, c, γ 1, γ. In der Praxs oft: Konstrukton des Tests aus zwe ensetgen UMP-Tests zum Nveau α, st aber ncht UMPU. Im Folgenden Exponentalfamle mt (4) f(x, ϑ, ξ) = c(ϑ, ξ) exp(ϑ U(x) + (ϑ, ξ) Θ R R k, Θ konvex, Θ. k ξ T (x)) h(x) =1 Zu testen: bzw. H 0 : ϑ ϑ 0 gegen H 1 : ϑ > ϑ 0 H 0 : ϑ = ϑ 0 gegen H 1 : ϑ ϑ 0 ξ = (ξ 1,..., ξ k ) st Störparameter, T (x) = (T 1 (x),..., T k (x)) Für festes t st Dchte n (4) enparametrge Exponentalfamle. ene en- U T =t [Genauer: Man kann zegen, dass de bedngte Vertelung Pϑ,ξ parametrge Exponentalfamle mt Dchte (unabhängg von ξ) st.] c t (ϑ) e ϑ U h(x) (bedngte) UMP- bzw. UMPU-Tests für H 0 bzw. H0 exsteren. Es lässt sch zegen, dass dese bedngten Tests auch für zufällges T = T (X) optmal snd:

5 1.5 Satz Satz a) Der Test ϕ 1, defnert durch wobe E ϑ0 [ϕ 1 (U, T ) T = t] H 0 gegen H 1. b) Der Test ϕ, defnert durch 30 1, U > c(t) ϕ 1 (x) = γ(t), U = c(t) 0, U < c(t)! = α, st UMPU-Test 9 zum Nveau α für 1, U < c 1 (t) oder U > c (t) ϕ (x) = γ, U = c (t) 0, c 1 (t) < U < c (t) wobe E ϑ0 [ϕ (U, T ) T = t]! = α, E ϑ0 [ϕ (U, T ) U T = t]! = α E ϑ0 [U T = t] st UMPU-Test zum Nveau α für H 0 gegen H 1. De Tests aus 1.5 können manchmal so transformert werden, dass c(t), γ(t) bezehungswese c 1 (t), c (t), γ (t) ncht von t abhängen. 1.6 Satz Unter der Vertelungsannahme (4) se V = h(u, T ) ene unter ϑ = ϑ 0 von T unabhängge reellwertge Statstk. Dann glt: a) Ist h(u, t) streng monoton wachsend n u be festem t, so st 1, v > c ϕ 1 (v) = γ, v = c 0, v < c wobe E ϑ0 ϕ 1 (V ) = α, UMPU-Test zum Nveau α für H 0 gegen H 1. 9 Ken Schrebfehler! Test st ken UMP-Test sondern nur UMPU! 30 besser: γ (t)

6 94 1 UMPU TESTS ( UMP UNBIASED ) b) Glt h(u, t) = a(t)u + b(t), a(t) > 0 so st 1, v < c 1 oder v > c ϕ (v) = γ, v = c 0, c 1 < v < c wobe E ϑ0 ϕ (V ) = α, E ϑ0 [ ϕ (V )V ] = αe ϑ0 (V ) UMPU-Test zum Nveau α für H 0 gegen H 1. Bewes: a) Nach Korollar blebt de Form des Tests unter streng monotoner Transformaton unverändert, man erhält also enen Test der Form ϕ 1 mt c = c(t), γ = γ(t). Nach Vorraussetzung st V aber unabhängg von T unter ϑ = ϑ 0, deshalb hängen c, γ ncht von t ab. b) folgt analog mt Bemerkung 1.(a) Nachwes der Unabhänggket von V und T? Üblche Methoden der Wahrschenlchketstheore, oder 1.7 Satz (Basu s Theorem) Se = {P ϑ : ϑ Θ}. Statstk T se suffzent und vollständg für ϑ. Ist V ene Statstk deren Vertelung ncht von ϑ abhängt, so snd V und T stochastsch unabhängg. 31 Bespel: uv X 1,..., X n N (µ, σ0 ), σ 0 > 0 bekannt, Θ = {µ : µ R}, T = n suffzent und vollständg für µ. V = n (X X n ) =1 } {{ } ( ) ( ) = ((X µ)( X n µ)) = n =1 (Y Ȳn) wobe Y N (0, σ 0 ) Vertelung von V unabhängg von µ (V σ 0 χ n 1 ). 1.7 V und T snd unabhängg. 31 V ancllary =1 X

7 1.8 Korollar 95 Bewes: Se g belebge beschränkte Funkton, m = E ϑ g(v ) (unabhäng von ϑ nach Vorraussetzung). h(t (x)) := E ϑ [g(v ) m T = T (x)] unabhängg von ϑ, da T suffzent. Wegen E ϑ h(t ) = E ϑ [E ϑ [g(v ) m T ]] = 0 ϑ Θ und der Vollständgket von T folgt h(t ) = 0 P ϑ f.s., also E ϑ [g(v ) T ] = m = E ϑ g(v ) P ϑ f.s. und somt de Unabhänggket von V und T. 1.8 Korollar Se Exponentalfamle we n (4), wobe ϑ(= ϑ 0 ) fest gewählt st. Hängt de Vertelung ener Statstk V ncht von ξ ab, so snd V und T unabhängg. Bewes: Nach Bespel 7.7 und 7.1 st T vollständg und suffzent für ξ. 1.7 Behauptung. 1.9 Bespel (1-Stchproben-t-Test) X 1,..., X n uv N (µ, σ ), ϑ = (µ, σ ) Θ = R R >0, X = (X 1,..., X n ) a) H 0 : µ µ 0 gegen H 1 : µ > µ 0 -parametrge Exponentalfamle nach Bespel 6.3, hat de Form n (4) mt ϑ = µ, ξ = 1, U(x) = n σ σ =1 x, T (x) = n =1 x. Ohne Enschränkung se µ 0 = 0, andernfalls betrachte man x µ 0 anstelle der x. H 0, H 1 snd dann äquvalent zu H 0 : ϑ 0, H 1 : ϑ > 0. Betrachte: v = 1 n 1 n xn = 1 n =1 (x x n ) n u t u n n 1 =: h(u, t) h(u,t) u > 0 h(u, t) streng monoton wachsend n u be festem t. (Beachte: t > u n > 0.)

8 96 1 UMPU TESTS ( UMP UNBIASED ) Weter glt: Unter ϑ = ϑ 0 glt V t n 1, also unabhängg von ξ. 1.8 V und T snd stochastsch unabhängg (unter ϑ = ϑ 0 ). 1.6(a) st Der UMPU-Test für H 0 : µ µ 0 gegen µ > µ 0 zum Nveau α { 1, n x n µ 0 ϕ 1 (v) = s t n 1;1 α 0, n xn µ 0 s < t n 1;1 α b) H0 : µ = µ 0 gegen H 1 : µ µ 0 Ohne Enschränkung µ 0 = 0, dann H 0 : ϑ = ϑ 0 = 0, H1 : ϑ ϑ 0 ncht lnear n u. h(u, t) = 1 n u t u /n n 1 Betrachte ṽ = h(u, t) = u t = x x Unter ϑ = 0 glt Ṽ Y, wobe Y Y N (0, 1). 3 Vertelung von Ṽ st unabhängg von ξ und symmetrsch um 0. Nach 1.6(b) exstert en UMPU-Test ϕ (ṽ), der wegen der Symmetre der Vertelung von Ṽ nach 1.(b) enen Ablehnberech der Form ṽ > c hat. Nun glt bzw. v = g( ṽ ). v = h(u, t) = g(ṽ) = n 1 n ṽ 1 ṽ /n g( ṽ ) st streng monoton wachsend auf [0, n) 33, so dass nach Bemerkung n 1.(b) der UMPU-Test auch auf enem Ablehnberech der Form v c baseren kann. Somt st ϕ (x) = { 1, n x n µ 0 0, s n x n µ 0 s t n 1;1 α < t n 1;1 α UMPU-Test für H 0 gegen H 1. 3 Erwetere ṽ mt 1 um des zu erkennen! 33 σ Beachte: ṽ ( n, n) (nachrechenbar)

9 1.10 Bemerkung Bemerkung Ähnlche Überlegungen zegen, dass auch der en- bzw. zwesetge -Stchproben-t-Test UMPU-Test st. (z.b. Lehmann/Romano, S , 3. ed.) 1.11 Bespel (Unabhänggketstest unter NV-Annahme) (X 1, Y 1 ),..., (X n, Y n ) uv N (µ, ν, σ, τ, ϱ), also Dchte 34 f((x 1, y 1 ),..., (x n, y n ), µ, ν, σ, τ, ϱ) = (πστ 1 ϱ ) n 1 exp( (1 ϱ ) ( 1 σ (x µ) ϱ (x µ)(y ν)+ 1 στ τ (y ν) )) ( ) Zu testen: H0 : X 1, Y 1 unabhängg; H1 : X 1, Y 1 ncht unabhängg Äquvalent: H0 : ϱ = 0; H1 : ϱ 0 Bzw. de ensetge Hypothese H 0 : ϱ 0 gegen H 1 : ϱ > 0. ( ) st Exponentalfamle we n (4) mt U = x y, T 1 = x, T = y, T 3 = x, T 4 = y ϑ = ϱ στ(1 ϱ ) 1 ξ 1 = σ (1 ϱ ), ξ 1 = τ (1 ϱ ), ξ 3 = 1 1 ϱ ( µ σ νϱ στ ), ξ 4 = 1 1 ϱ ( ν τ µϱ στ ) a) H 0 : ϑ 0 gegen H 1 : ϑ > 0 Se R = (X X)(Y Ȳ ) (X X) (Y Ȳ ) emprscher Korrelatonskoeffzent nach Pearson. Transformaton X X µ σ, Y j Y j ν τ ändert R ncht, deshalb hängt de Vertelung von R ncht von µ, ν, σ, τ ab, sondern nur von ϱ. Für ϑ = 0 st de Vertelung von R also unabhängg von ξ 1, ξ, ξ 3, ξ ϱ st Korrelatonskoeffzent (s. Stochastk 1)

10 98 1 UMPU TESTS ( UMP UNBIASED ) Korolar 1.8 R st unabhängg von (T 1,..., T 4 ) unter ϑ = UMPU-Test hat Ablehnberech der Form R c oder äquvalent w := R 1 R n c U T [R = 3 T 4 /n st streng monoton wachsend n U (T1 T3 /n)(t T4 /n) w st streng monoton wachsend 35 n U] Nach Aufgabe 36 glt: w t n falls ϱ = 0 (bzw. ϑ = 0). Deshalb: { 1, w tn,1 α ϕ 1 (w) = 0, w < t n,1 α UMPU-Test zum Nveau α für H 0 gegen H 1. b) Test von H 0 : ϑ = 0, H1 : ϑ 0 R st lnear n U mt um 0 symmetrscher Vertelung für ϑ = 0 UMPU-Test hat Ablehnberech der Form R c. x 1 x De Funkton x st streng monoton wachsend für 0 x 1, woraus we n 1.9(b) folgt: { 1, w tn,1 α ϕ (w) = 1 0, w < t n,1 α st UMPU-Test zum Nveau α für H 0 : ϱ = 0 gegen H 1 : ϱ w st streng monoton wachsend n R (Beachte: R [ 1, 1] und w (R) > 0 R ( 1, 1))

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

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

2. Spiele in Normalform (strategischer Form)

2. Spiele in Normalform (strategischer Form) 2. Spele n Normalform (strategscher Form) 2.1 Domnante Strategen 2.2 Domnerte Strategen 2.3 Sukzessve Elmnerung domnerter Strategen 2.4 Nash-Glechgewcht 2.5 Gemschte Strategen und Nash-Glechgewcht 2.6

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

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

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

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Kapitel 5. Symmetrien und Erhaltungsgrößen. 5.1 Symmetrietransformationen

Kapitel 5. Symmetrien und Erhaltungsgrößen. 5.1 Symmetrietransformationen Kaptel 5 Symmetren un Erhaltungsgrößen 5.1 Symmetretransformatonen Betrachte en mechansches System mt en Koornaten q 1,... q f un er Lagrangefunkton L(q 1,... q f, q 1,... q f, t). Nun soll ene Transformaton

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

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

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

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

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

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

Grundlagen der stochastischen Integration

Grundlagen der stochastischen Integration Ruhr-Unverstät Bochum 2. November 29 Glederung Vorbemerkungen Vorberetungen (Fltratonen, Stoppzeten, Martngale) Lévy-Prozesse Stochastsche Integraton Itô-Formel Lteratur R. Cont, P. Tankov (24). Fnancal

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

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

Mathematik der Finanzmärkte Vorlesungsskript

Mathematik der Finanzmärkte Vorlesungsskript Mathematk der Fnanzmärkte Vorlesungsskrpt Wnter 24/25 Achm Klenke Insttut für Mathematk Johannes Gutenberg-Unverstät Manz Staudngerweg 9 D-5599 Manz 16. Februar 25 korrgert: 11. Aprl 25 2 Inhaltsverzechns

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

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

Teil E: Qualitative abhängige Variable in Regressionsmodellen

Teil E: Qualitative abhängige Variable in Regressionsmodellen Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.

Mehr

arxiv: v1 [math.nt] 10 Apr 2014

arxiv: v1 [math.nt] 10 Apr 2014 Über de ratonalen Punkte auf der Sphäre von Nkolay Moshchevtn 1 Moskau) arxv:1404.907v1 [math.nt] 10 Apr 014 Wr beschäftgen uns her mt der Approxmaton von Punkten auf der n-dmensonalen Sphäre durch ratonale

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

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

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)

6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM) 6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

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

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng

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

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

3 g-adische Ziffernentwicklung reeller Zahlen

3 g-adische Ziffernentwicklung reeller Zahlen 1 3 g-adche Zffernentwcklung reeller Zahlen In deem Kaptel e tet 2 g N und Z g = {0, 1, 2, 3,..., g 1} N. Motvaton: Wr wollen jede potve reelle Zahl x > 0 n der Ba g 2 dartellen (g-adche Dartellung von

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

KAPITEL 8. Rekorde Satz von Rényi Der folgende Satz beschreibt die gemeinsame Verteilung der Zufallsvariablen ξ 1, ξ 2,...

KAPITEL 8. Rekorde Satz von Rényi Der folgende Satz beschreibt die gemeinsame Verteilung der Zufallsvariablen ξ 1, ξ 2,... KAPITEL 8 Rekore Seen X, X 2,... unabhängge un entsch vertelte Zufallsvarablen mt stetger Vertelungsfunkton F. Wr setzen M n = max{x,..., X n }. Defnton 8.0.. Wr sagen, ass zum Zetpunkt n N en Rekor aufgestellt

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Anwendungsmöglichkeiten von Lernverfahren

Anwendungsmöglichkeiten von Lernverfahren Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

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

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

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

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

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

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

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

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

Transformation von Gleichungen n - ter Ordnung in ein Gleichungssystem 1.Ordnung bei linearen gewoehnlichen Differentialgleichungen

Transformation von Gleichungen n - ter Ordnung in ein Gleichungssystem 1.Ordnung bei linearen gewoehnlichen Differentialgleichungen Praesentatonstechn SS4 Transformaton von Glechungen n - ter Ordnung n en Glechungssstem Ordnung be lnearen gewoehnlchen Dfferentalglechungen verfasst von den Studenten fuer Technsche Mathemat an der JKepler

Mehr

Dynamik starrer Körper

Dynamik starrer Körper Dynamk starrer Körper Bewegungen starrer Körper können n Translaton und Rotaton zerlegt werden. De Rotaton stellt enen nneren Frehetsgrad des Körpers dar, der be Punktmassen ncht exstert. Der Schwerpunkt

Mehr

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p

Mehr

II. Das Bestimmtheitsmaß R 2

II. Das Bestimmtheitsmaß R 2 II. Da Betmmthetmaß R Bepel: (a) ( ) ( )( ) - - 6 6 b ˆ /, und b ˆ, ˆ +, (b) ( ) ( )( ) - / -/ / / 6 6 b ˆ /, und b ˆ, ˆ +, D.h. de KQ-Geraden nd n beden Fällen glech, aber 7. Elementare Regrenrechnung

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Proseminar Spieltheorie SS 2006 Ausarbeitung zum Vortrag Allgemeine Zwei-Personenspiele am Vortragender: Florian Leiner

Proseminar Spieltheorie SS 2006 Ausarbeitung zum Vortrag Allgemeine Zwei-Personenspiele am Vortragender: Florian Leiner Prosemnar Speltheore SS 2006 Ausarbetung zum Vortrag Allgemene Zwe-Personenspele am 06.07.2006 Vortragender: Floran Lener Der Vortrag basert auf dem entsprechenden Kaptel wo-person general-sum games aus

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

P(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =

P(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 = Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20

Mehr

18. Vorlesung Sommersemester

18. Vorlesung Sommersemester 8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten

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

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur Musterklausur Wrtschaftsmathematk und Statstk Zusatzstudum für Wrtschaftsngeneur Telnehmer (Name, Vorname): Datum:.2006 Prüfer: Böhm-Retg Matrkelnummer: REGELN 1. Zum Bestehen der Klausur snd mndestens

Mehr

Unter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen

Unter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale 3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche

Mehr

8 Logistische Regressionsanalyse

8 Logistische Regressionsanalyse wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen

Mehr

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. . Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll

Mehr

6. Elektrische Wechselgrössen

6. Elektrische Wechselgrössen Grundlagen der Elektrotechnk GE 2 [Buch GE 2: Seten 72-14] Grundbegrffe Wechselgrössen Perodsche Wechselgrössen Lnearer und quadratscher Mttelwert Der Effektvwert Bezugspfele Verallgemenerte Zetfunktonen

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

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

Übungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2

Übungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2 Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

2. Grundbegriffe der Statistik

2. Grundbegriffe der Statistik Statstsche Physk, G. Schön, Karlsruher Insttut für Technologe (Unverstät) 3. Grundbegrffe der Statstk.1 Elementare Begrffe Im Folgenden betrachten wr ene oder mehrere stochastsche Varablen X oder auch

Mehr

Klassische Theoretische Physik II (Theorie B) Sommersemester 2016

Klassische Theoretische Physik II (Theorie B) Sommersemester 2016 Karlsruher Insttut für Technologe Insttut für Theore der Kondenserten Matere Klasssche Theoretsche Physk II Theore B Sommersemester 016 Prof. Dr. Alexander Mrln Musterlösung: Blatt 7. PD Dr. Igor Gorny,

Mehr

κ Κα π Κ α α Κ Α

κ Κα π Κ α α Κ Α κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ

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

(Essentiell) τ-äquivalente Tests:

(Essentiell) τ-äquivalente Tests: (Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,

Mehr

Normalisierung. 8. Expressionsdaten: Normalisierung. Normalisierung

Normalisierung. 8. Expressionsdaten: Normalisierung. Normalisierung ormalserung 8. Expressonsaten: ormalserung 1. Bologsche Frage. Expermentelles Desgn 3. Mcroarray-Experment 4. Blanalyse 5. ormalserung 6. Statstsche Analyse 7. Bologsche Verfkaton an Interpretaton Globale

Mehr

5 Das Lebesgue Integral

5 Das Lebesgue Integral 5 AS LEBESGUE INTEGRAL 5 as Lebesgue Integral er Remann sche Integralbegrff m R n, den wr m ersten (für n = 1) und drtten Kaptel kennengelernt haben, eröffnet uns de Möglchket zur Berechnung ener sehr

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

Während der Zeit dt fließe durch den Querschnitt eines Leiters die Ladung dq es herrscht die Stromstärke

Während der Zeit dt fließe durch den Querschnitt eines Leiters die Ladung dq es herrscht die Stromstärke Elektrztätslehre Glechstrom 26. Glechstrom 26.. Stromstärke Während der Zet dt fleße durch den Querschntt enes Leters de Ladung dq es herrscht de Stromstärke dq dt () Maßenhet: As C [ ] A S s s De Maßenhet

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

3.6 Molekulare Dynamik

3.6 Molekulare Dynamik 3.6 Molekulare Dynamk In den letzten 5 Jahrzehnten wurden drekte numersche Smulatonen zur statstschen Auswertung von Veltelchensystemen mmer wchtger. So lassen sch Phasenübergänge, aber auch makroskopsche

Mehr

Ko- und kontravariante Darstellung

Ko- und kontravariante Darstellung Ko- und kontravarante Darstellung Physkalsche Sachverhalte snd vom verwendeten Koordnatensystem unabhängg. Sehr oft st es snnvoll, se n verschedenen Koordnatensystemen darzustellen. Berets erwähnt wurden

Mehr

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0 8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)

Mehr

1. Schaltungsbeschreibung - Netzwerktopologie. Regeln der Schaltwerktheorie:

1. Schaltungsbeschreibung - Netzwerktopologie. Regeln der Schaltwerktheorie: 1. Schaltungsbeschrebung - Netzwerktopologe Regeln der Schaltwerktheore: Krchhoffsche Spannungsregel Krchhoffsche Stromregel + Zweg- (bzw. Element-) Funktonen De Netzwerktopologe beschrebt de Verknüpfung

Mehr

Algebraische Kombinatorik und Anwendungen in der kommutativen Algebra

Algebraische Kombinatorik und Anwendungen in der kommutativen Algebra Algebrasche Kombnatork und Anwendungen n der kommutatven Algebra Dr. Martna Kubtzke Wntersemester 2012/13 Goethe-Unverstät Frankfurt Inhaltsverzechns 1 Monomale Ideale und smplzale Komplexe 1 1.1 Monomale

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

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

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

Nullstellen Suchen und Optimierung

Nullstellen Suchen und Optimierung Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

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

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π. 2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen

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

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

Operations Research II (Netzplantechnik und Projektmanagement)

Operations Research II (Netzplantechnik und Projektmanagement) Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges

Mehr

R S T R S T R S T. 1 Lineare, affine und konvexe Kombinationen. Definition: X. Definition: Sei X. U. BREHM: Konvexgeometrie 1-1

R S T R S T R S T. 1 Lineare, affine und konvexe Kombinationen. Definition: X. Definition: Sei X. U. BREHM: Konvexgeometrie 1-1 U. BEHM: Konvexgeoete - Lneae, affne un konvexe Kobnatonen W abeten -enonalen euklchen au I un cheben x = ( x,, x ) ( ξ I, =,, ) fü enen Punkt (Vekto) von I. Da nnee Poukt auf I von Vektoen x un y = (

Mehr

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass

Mehr