KAPITEL 8. Rekorde Satz von Rényi Der folgende Satz beschreibt die gemeinsame Verteilung der Zufallsvariablen ξ 1, ξ 2,...
|
|
- Kristina Dressler
- vor 7 Jahren
- Abrufe
Transkript
1 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 Wr sagen, ass zum Zetpunkt n N en Rekor aufgestellt wr, wenn er Wert X n größer als alle vorhergen Werte X,..., X n st. Der zum Zetpunkunkt n = beobachtete Wert glt per Defnton mmer als en Rekor. Wr efneren eshalb e Rekor Inkatoren ξ, ξ 2,... urch ξ = un ξ n = Xn>M n, n = 2, 3,.... Somt st ξ n e Inkatorvarable es Eregnsses, ass zum Zetpunkt n en neuer Rekor aufgestellt wr. 8.. Satz von Rény Der folgene Satz beschrebt e gemensame Vertelung er Zufallsvarablen ξ, ξ 2,.... Satz 8.. (Rény, 962, un Dwass, 960). Es glt P[ξ n = ] = n Außerem sn e Zufallsvarablen ξ,..., ξ n, M n unabhängg. für alle n N. Bewes. Schrtt. Wr zegen, ass P[ξ n = ] =. Aus er Stetgket er Vertelungsfunkton F folgt, ass P[X = X j ] = 0 für j. Somt sn alle Werte X, X 2,... unterschelch n mt Wahrschenlchket. Es glt = P[M n = X ] + P[M n = X 2 ] P[M n = X n ] = np[m n = X n ] = np[ξ n = ], wobe e erste Glechhet wegen er Dsjunkthet er Eregnsse glt un e zwete Glechhet aus Symmetregrünen Bestan hat. (Jee er Beobachtungen X,..., X n st mt glecher Wahrschenlchket n as Maxmum). Es folgt, ass P[ξ n = ] = n. Schrtt 2. Wr zegen e Unabhänggket von ξ,..., ξ n, M n. Seen azu α() < α(2) <... < α(s) n un x R belebg. Es recht zu zegen, ass P[ξ α() =,..., ξ α(s) =, M n < x] = P[ξ α() = ]... P[ξ α(s) = ] P[M n < x]. Es se zuerst s =. Schrebe M k,l = max{x k,..., X l } mt k l. Um e Notaton zu verenfachen, schreben wr α anstelle von α(). Es glt P[ξ α =, M n < x] = P[M α < X α < x, M α+,n < x] = P[M α < X α < x](f (x)) n α,
2 Abblung. Rekore. Rote Punkte: Rekorzeten L(n). Grüne Punkte: Rekorwerte X(n). wobe n er letzten Glechhet e Unabhänggket benutzt wure. Inem man nun auf X α = u (, x) bengt un e Formel er totalen Wahrschenlchket unter Berückschtgung von P[M α < u] = (F (u)) α verwenet, kann man as we folgt umschreben: P[ξ α =, M n < x] = (F (x)) n α Setzt man nun w = F (u), so erhält man, ass P[ξ α =, M n < x] = (F (x)) n α was e Aussage m Fall s = bewest. Se nun s N belebg. Es glt F (x) 0 x w α w = (F (u)) α F (u). (F (x))n α = P[M n < x] P[ξ α = ], P[ξ α() =,..., ξ α(s) =, M n < x] = P[M α() < X α() < x, M α(),...,α(2) < X α(2) < x,..., M α(s ),...,α(s) < X α(s) < x, M α(s)+,n < x]. Inem man nun auf X α() = u,..., X α(s) = u s bengt, kann man en obgen Ausruck ähnlch we m Fall s = schreben als (F (x)) n α(s) (F (u )) α()... (F (u s )) α(s) α(s ) F (u )... F (u s ). u <u 2 <...<u s<x Setzt man F (u ) = w,..., F (u s ) = w s, so erhält man (F (x)) n α(s) w α()... ws α(s) α(s ) w... w s. 0<w <w 2 <...<w s<f (x) Als Übungsaufgabe blebt zu zegen, ass sch obges Integral zu Folgenem errechnen lässt: F n (x) α()... α(s) = P[M n < x] P[ξ α()= ]... P[ξ α(s)= ]. 2
3 (Man kann z.b. Inukton nach s verwenen). Bemerkung Nach em Satz von Rény hängt e gemensame Vertelung von ξ, ξ 2,... ncht von er Vertelungsfunkton F ab Anzahl er Rekore Es se N(n) e Anzahl er Rekore m Intervall,..., n,.h. N(n) = ξ k. Nach em Satz von Rény glt EN(n) = Eξ k = = log n + γ + o(), k ( Var N(n) = Var ξ k = k ) = log n + γ π2 k o(), für n. Dabe st γ e Euler Mascheron Konstante: ( ) γ = lm k log n = 0, Es weren also unter en ersten n Beobachtungen leglch ungefähr log n Rekore (was sehr weng st!) erwartet. Im nächsten Satz weren wr e komplette Vertelung von N(n) mt Hlfe von Strlng Zahlen erster Art beschreben. Defnton De Strlng Zahlen erster Art sn efnert als Koeffzenten n er Formel [ ] n x(x + )... (x + n ) = x k. k Der nächste Satz beschrebt e Vertelung er Anzahl er Rekore N(n). Satz Für e Vertelung er Anzahl er Rekore glt P[N(n) = k] = [ ] n, k =,..., n. n! k Bemerkung Setzt man x = n e Defnton er Strlng Zahlen en, so erhält man [ ] n = n!. k 3
4 Abblung 2. Zählchte er Zufallsvarable N(n) für n = Also summeren sch e Wahrschenlchketen zu. Bewes. De Zufallsvarablen ξ,..., ξ n sn nach em Satz von Rény unabhängg un Bernoull vertelt mt P[ξ k = ] = k, P[ξ k = 0] = k. De erzeugene Funkton ener Zufallsvarable Z mt Werten n {0,,...} st efnert urch g Z (t) = E[t Z ] = P[Z = k]t k, t <. k=0 Im Folgenen weren wr e erzeugene Funkton von N(n) angeben. De erzeugene Funkton von ξ k st ( g ξk (t) = ) + t k k. Es glt N(n) = ξ ξ n (mt unabhänggen Summanen) un eshalb st n k + t t(t + )... (t + n ) g N(n) (t) = g ξ (t)... g ξn (t) = = = [ ] n t k, k n! n! k wobe m letzten Schrtt e Defnton er Strlng Zahlen verwenet wure. Auf er aneren Sete glt efntonsgemäß g N(n) (t) = t k P[N(n) = k]. Durch Verglech er Koeffzenten erhalten wr e gewünschte Formel. Aufgabe Zegen Se, ass e Strlng Zahlen erster Art e folgene Rekursonsformel erfüllen: [ ] [ ] [ ] n + n n = n +. k k k 4
5 Zum Verglech: Für Bnomalkoeffzenten glt ene ähnlche Formel ohne en Faktor n: ( ) ( ) ( ) n + n n = +. k k k Aufgabe Bewesen Se für e Strlng Zahl erster Art e Formel [ ] n + =, n! k +... k wobe über alle ganzzahlgen < 2 <... < k n summert wr Rekorzeten Wr efneren nun e Rekorzeten L() < L(2) <... urch: L() =, L(2) = mn{j > : ξ j = } un allgemen L(n + ) = mn{j > L(n) : ξ j = }, n = 2, 3,.... Somt st L(n) er Zetpunkt, zu em er n-te Rekor aufgestellt wr. Im nächsten Satz beschreben wr e gemensame Vertelung es Vektors (L(),..., L(n)). Satz Für belebge natürlche Zahlen = j() < j(2) <... < j(n) glt P[L() = j(), L(2) = j(2),..., L(n) = j(n)] = j(n)(j(2) )... (j(n) ). Bewes. Es glt: P[L() = j(),..., L(n) = j(n)] = P[ξ 2 = ξ 3 =... = ξ j(2) = 0, ξ j(2) =, ξ j(2)+ =... = ξ j(3) = 0, ξ j(3) =,..., ξ j(n) = ]. Wegen er sch aus Satz 8.. ergebenen Unabhänggket kann man es n folgenen Ausruck umschreben: P[ξ 2 = 0]... P[ξ j(n) = 0] P[ξ j(2) = ] P[ξ j(2) = 0]... P[ξ j(n) = ] P[ξ j(n) = 0], was sch ebenfalls, wegen es Satzes von Rény, we folgt arstellen lässt: ( ) ( ) (... ) /j(2) 2 3 j(n) /j(2)... /j(n) /j(n). Durch geschcktes Umformen lässt sch as we folgt arstellen: j(n) j(n) j(2)... j(n) = j(n) j(2)... j(n), wobe sch e Glechhet ergbt, a e ersten j(n) Faktoren en Teleskopproukt blen. Bemerkung De gemensame Vertelung er Rekorzeten L(), L(2),... st (abgesehen von er Stetgketsannahme an e Vertelungsfunkton F ) unabhängg von er Vertelung er Zufallsvarablen X, X 2,.... 5
6 Bemerkung De Vertelung von L(2) seht somt folgenermaßen aus: P[L(2) = j] =, j = 2, 3,.... j(j ) Insbesonere glt EL(2) = j= = +. De mttlere Wartezet auf en zweten Rekor j st somt unenlch. (Was erstaunlch st!) Auf er aneren Sete st e Wartezet auf en zweten Rekor fast scher enlch. Satz Für e Vertelung er Rekorzet L(n) glt P [L(n) = k] = [ ] n, k = n, n +,.... k! k Bewes. Übung: Benutzen Se Satz Im nächsten Satz weren wr zegen, ass e Rekorzeten L(), L(2),... ene Markov Kette blen. Satz De Folge L(), L(2),... st ene Markov Kette mt Anfangszustan L() = un Übergangswahrschenlchketen p j = j(j ) für =, 2,... un j = +, + 2,.... Bewes. Zu zegen st, ass für alle = j() < j(2) <... < j(n) glt P[L() = j(), L(2) = j(2),..., L(n) = j(n)] = p j()j(2) p j(2)j(3)... p j(n )j(n). Mt er Formel aus Satz 8.3. glt was e gewünschte Formel ergbt. P[L() = j(), L(2) = j(2),..., L(n) = j(n)] = j(n)(j(2) )... (j(n) ) j() = j(2)(j(2) ) j(2) j(3)(j(3) )... j(n ) j(n)(j(n) ), Angenommen, e ersten n Rekorzeten sn bekannt: L() =, L(2) = (2),..., L(n) = (n). Wo legt nun e nächste Rekorzet L(n + )? Wegen er Markov Egenschaft er Folge L(), L(2),... stellt es sch heraus, ass man für e Bestmmung von L(n+) leglch en Wert L(n) = (n) benötgt, e Werte von L(),..., L(n ) sn hngegen rrelevant. 6
7 Satz Für alle = () < (2) <... < (n) = < j glt e Markov Egenschaft er Rekorzeten: P[L(n+) = j L(n) = ] = P[L(n+) = j L(n) =, L(n ) = (n ),..., L(2) = (2)]. Außerem glt: P[L(n + ) = j L(n) = ] = j(j ). Bewes. Folgt aus Satz Der obge Satz zegt, we man e Folge er Rekorzeten am Rechner smuleren kann, ohne afür e Varablen X, X 2,... erzeugen zu müssen. Man startet mt L() = un geht nuktv vor. Sn e Werte L(),..., L(n) mt L(n) = bekannt, so erzeugt man ene j ( ) Zufallsvarable auf { +, + 2,...}, nem man en Wert j mt Wahrschenlchket auswählt. Deser Wert st ann er Wert von L(n + ). Danach weerholt man as Ganze. Der nächste Satz gbt enen vel enfacheren Algorthmus zur Smulaton er Rekorzeten. Defnere e Gauß Klammer urch x = max{n Z : n x}, x R. Satz (Wllams, 973). Seen U, U 2,... unabhängg un glechvertelt auf em Intervall [0, ]. Defnere R() = un R(n + ) = R(n) U n + für n N. Dann glt e Glechhet er Vertelungen: (L(), L(2),..., L(n)) = (R(), R(2),..., R(n)). Bewes. Wegen er Markov Egenschaft recht es zu zegen, ass für alle N un j { +, + 2,...} glt P[L(n + ) = j L(n) = ] = P[R(n + ) = j R(n) = ]. De Wahrschenlchket auf er lnken Sete st glech nach Satz Wr berechnen j(j ) e Wahrschenlchket auf er rechten Sete. Es st [ ] [ ] R(n) P[R(n + ) = j R(n) = ] = P + = j R(n) = = P + = j R(n) =. U n U n De Zufallsvarable R(n) hängt nur von U,..., U n ab. De Eregnsse { U n + = j} un {R(n) = } sn also unabhängg un somt verenfacht sch as Ganze zu folgenem Ausruck: [ P[R(n + ) = j R(n) = ] = P a U n glechvertelt auf [0, ] st. U n ] [ ] = j = P [j, j) = U n j(j ), 7
8 Satz (Tata, 969). Se x > ene natürlche Zahl, ann glt: [ ] L(n + ) P > x = L(n) x. Se x > ene belebge reelle Zahl, ann glt: [ L(n + ) lm P L(n) ] > x = x. Bemerkung Man seht her noch enmal, ass Rekore mt n mmer seltener auftreten. Zum Bespel st mt Wahrschenlchket /2 er Abstan zwschen er (n + )-ten un er n-ten Rekorzet größer als e n-te Rekorzet selbst. Mt Wahrschenlchket /3 st er Abstan zwschen er (n + )-ten un er n-ten Rekorzet mnestens oppelt so groß we e n-te Rekorzet selbst, usw. De Tatsache, ass Rekore mmer seltener auftreten st zemlch natürlch: e Rekorwerte stegen nämlch mt er Zet un es wr mmer schwerger neue Rekore aufzustellen. Bewes. Se x >. Dann glt wegen es Gesetzes er totalen Wahrschenlchket: P[L(n + ) > xl(n)] = P[L(n + ) > x L(n) = ] P[L(n) = ] = P[L(n + ) > [x] L(n) = ] P[L(n) = ], enn L(n + ) st ganzzahlg un somt st L(n + ) > x zu L(n + ) > [x] äquvalent. Im Bewes von Satz wure e Wahrschenlchket P[L(n + ) > x L(n) = ] berets berechnet. Wr wollen as Ergebns her verwenen. So lässt sch obger Ausruck zu folgenem verenfachen: (8.3.) P[L(n + ) > xl(n)] = Se zuerst x N. Man seht: [x] P[L(n) = ] = x P[L(n) = ]. [x] P[L(n) = ] = x. Se nun x > belebg reell. Aus er Defnton er Gauß Klammer folgt, ass [x] x < [x] +. Durch lechte Umformungen folgt: x [x] < x + [x]x. Deshalb kann man (8.3.) we folgt nach unten abschätzen: [x] P[L(n) = ] P[L(n) = ] = x x. 8
9 Außerem kann man aher (8.3.) we folgt nach oben abschätzen: [x] P[L(n) = ] < ( x + ) P[L(n) = ] [x]x x + x [xn], a [x] [xn] für n. Insgesamt folgt mt em Sanwch Prnzp e Behauptung. Korollar Se U glechvertelt auf [0, ], ann glt L(n + ) L(n) U. Bewes. De Zufallsvarable st Pareto vertelt mt Talfunkton, x >. De Behauptung U x folgt nun aus Satz Bemerkung Shorrock, 972, hat gezegt, ass für belebges k N un für unabhängge, auf [0, ] glechvertelte Zufallsvarablen U,..., U k, glt ( ) ( ) L(n + ) L(n + 2), L(n) L(n + ),..., L(n + k),,...,. L(n + k ) U U Zentrale Grenzwertsätze Nun zegen wr, ass für großes n e Anzahl er Rekore N(n) approxmatv normalvertelt st, sehe Abblung 2. Mt N (0, ) bezechnen wr e Starnarnormalvertelung mt Vertelungsfunkton Φ(t) = t e 2 z2 z. 2π U k Satz 8.4. (Zentraler Grenzwertsatz für e Anzahl er Rekore). Es glt N(n) log n log n N (0, ) für n. Der Bewes basert auf ener Verallgemenerung es zentralen Grenzwertsatzes, e wr ohne Bewes angegeben. Satz (Zentraler Grenzwertsatz von Ljapunow). Für jees n N seen Z n,..., Z nn unabhängge Zufallsvarablen mt EZ nk = 0, σ 2 nk := Var Z nk (0, ) für k =,..., n 9
10 un n σ2 nk Dann glt: =. Außerem gelte e folgene Ljapunow Bengung: Für en δ > 0 E Z nk 2+δ 0. lm Z n Z nn N (0, ). Bemerkung De entsche Vertelthet er Zufallsvarablen wr m zentralen Grenzwertsatz von Ljapunow ncht vorausgesetzt. Bewes von Satz Es st N(n) = ξ ξ n, wobe e ξ,..., ξ n nach em Satz von Rény unabhängg aber ncht entsch vertelt sn. Setze mt σ 2 n = Var N(n) = Z nk = ξ k k σ n, k =,..., n, Var ξ k = enn n log n un k <. Defntonsgemäß glt k 2 EZ nk = 0, EZnk 2 =. k log n, n, k2 Wr zegen, ass e Ljapunow Bengung mt δ = glt. De Zufallsvarable ξ k /k σ n nmmt nur zwe Werte an, un zwar /k σ n mt Wahrschenlchket /k un k σ n mt Wahrschenlchket. Es folgt k E ξ k 3 k σ n a σn 3 (log n) 3/2 un n für en zentralen Grenzwertsatz von Ljapunow gegeben un amt folgt: ( ) 3 ( ) 3 + kσ n σ n k = ( σ 3 n k + ) 0 für n, 3 k ( + k k) log n für n. Es sn also alle Voraussetzungen 3 N(n) n k = σ n Z nk N (0, ) für n. Unter Beachtung es berets gezegten Zusammenhangs σ 2 n log n führt as zur behaupteten Grenzaussage: N(n) log n log n (Man kann z.b. as Lemma von Chntschn verwenen). N (0, ) für n. Aufgabe Zegen Se, ass für e Anzahl er Rekore auch as Gesetz er großen Zahlen glt: N(n) lm log n = f.s. 0
11 Nun benutzen wr en obgen Satz um auch enen zentralen Grenzwertsatz für e Rekorzeten herzuleten. Satz (Zentraler Grenzwertsatz für Rekorzeten). Es glt log L(n) n n N (0, ). Bewes. Se x R fest. Mt n(x) = e n+x n glt [ ] log L(n) n P x = P[L(n) n(x)] = P[N(n(x)) n]. n Zur Verenfachung se n(x) Z, abe verlert er Bewes ncht an Allgemengültgket, a für n(x) / Z enfach [n(x)] betrachtet weren kann. Nach Satz 8.4. glt N(n(x)) log n(x) log n(x) N (0, ). Es folgt, ass [ ] lm P[N(n(x)) n] = lm P N(n(x)) log n(x) n (n + x n) = Φ( x) = Φ(x), log n(x) n + x n n (n+x a lm n) n+x = x. Dabe bezechnet Φ(x) e Vertelungsfunkton von N (0, ) un n e Behauptung folgt. Aufgabe Zegen Se, ass für e Rekorzeten auch as Gesetz er großen Zahlen glt: log L(n) lm = f.s. n Aufgabe Ist es rchtg, ass L(n) lm e n = f.s.? 8.5. Rekorwerte Defnton De Rekorwerte sn efnert als X(n) = M L(n) = X L(n). Aners als be Rekornkatoren oer Rekorzeten, hängt e Vertelung er Rekorwerte von er Vertelungsfunkton er Zufallsvarablen X ab. Im Spezalfall er exponentalvertelten Zufallsvarablen bestzen e Rekorwerte ene schöne Darstellung.
12 Satz (Tata, 969). Seen X, X 2,... unabhängg un exponentalvertelt mt Parameter. Dann glt: (X(), X(2),..., X(n)) = (ν, ν + ν 2,..., ν ν n ), wobe ν, ν 2,... unabhängg unabhängg un exponentalvertelt mt Parameter sn. Bemerkung Mt aneren Worten, e Folge X(), X(2),... st en Posson Prozess mt Intenstät. Bewesee. Der Bewes basert auf er Geächtnslosgket er Exponentalvertelung. Ist nämlch X Exp(), so st für jees t > 0 e bengte Vertelung von X t gegeben, ass X > t, ebenfalls ene Exponentalvertelung mt Parameter. Nach Voraussetzung st X() = X Exp(). Wr halten nun X = a fest un warten auf en zweten Rekorwert X(2). Der Exzess X(2) a hat e gleche Vertelung we X a gegeben, ass X > a, also e Exponentalvertelung mt Parameter. Nun halten wr X(2) = a 2 fest un warten auf en rtten Rekorwert X(3). Der Exzess X(3) a 2 hat e gleche Vertelung, we X a 2 gegeben, ass X > a 2, also weer e Exponentalvertelung mt Parameter, usw. Somt sn e Zuwächse X(), X(2) X(), X(3) X(2),... stanar exponentalvertelt un unabhängg. Korollar Seen X, X 2,... unabhängg un exponentalvertelt mt Parameter. Dann glt X(n) n n N (0, ) für n. Bewes. Aus Satz wssen wr, ass X(n) = ν ν n. Dabe st Eν = Var ν =. Der zentrale Grenzwertsatz ergbt, ass Daraus folgt e Behauptung. ν ν n n n N (0, ) für n. Bemerkung In Satz?? haben wr nachgewesen, ass m Fall er stanar exponentalvertelten Zufallsvarablen, e Zufallsvarable M n log n gegen e Gumbel Vertelung Λ konvergert. Es glt also M n log n Λ un M L(n) n n N (0, ). De Grenzvertelung wr also offenbar urch en Umstan, ass L(n) zufällg st, völlg veränert. 2
13 Aufgabe Seen X, X 2,... unabhängge entsch vertelte Zufallsvarablen mt stetger Vertelungsfunkton F. Es se X(n) er n-te Rekorwert. () Zegen Se, ass P[X(n) < x] = Q n (F (x)), x R, wobe Q n (s) = Es L(n) e erzeugene Funkton von L(n) se. (2) Zegen Se, ass Q n (s) = (n )! log( s) 0 t n e t t. Hnwes: Zu Tel (2): Tel () glt auch für exponentalvertelte Zufallsvarablen. 3
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
MehrDie 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
MehrElemente 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
MehrStochastische 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)
Mehr12 UMPU Tests ( UMP unbiased )
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
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Semnar Enführung n de Kunst mathematscher Unglechungen Cauchys erste Unglechung und de Unglechung vom arthmetschen und geometrschen Mttel Sopha Volmerng. prl 0 Inhaltsverzechns Cauchys erste Unglechung.
Mehr3. 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
MehrKonkave 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
Mehr8. 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)
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
Mehr1 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
MehrÜbungsklausur 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
Mehr4.6 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
MehrMultilineare 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
Mehr5. 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
MehrDie 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
Mehr6. 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
MehrProf. 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
MehrFacility 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
MehrMethoden 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
MehrDiskrete 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 /
MehrSeminar 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
MehrStochastische 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)
MehrFallstudie 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
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
Mehr9 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.
MehrArbeitsgruppe 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
Mehr6. 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
Mehr4. Fraktale und chaotische Prozesse (korrigiert am )
Geophysk 4. Fraktale un chaotsche Prozesse (korrgert am 8.5.) Wr beobachten Prozesse, e sch, auch wenn wr hre Vergangenhet vollstäng kennen würen, ncht vorhersagen lassen. De räumlchen oer zetlchen Strukturen,
Mehr3.3 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
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
Mehr-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
MehrKaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
MehrDer 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
Mehr4. 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,
Mehr3.1 Grundlagen der Multivariaten Modellierung
Semnar: Quanttatves Rskomanagement Multvarate Moelle I Prof: Hanspeter.Schml Betreuung: Jula Esenberg Zhou,Yng 3. Multvarate Moelle I Fnanzelle Rskomoelle für en Absatzmarkt oer für Kretrsken sn grunsätzlch
Mehr2πσ. 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
MehrGeld- und Finanzmärkte
Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve
MehrNäherungsverfahren. 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.:
MehrNSt. 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
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrOrdnungsstatistiken und Quantile
KAPITEL Ordugsstatste ud Quatle Um robuste Lage- ud Streuugsparameter eführe zu öe, beötge wr Ordugsstatste ud Quatle... Ordugsstatste ud Quatle Defto... Se (x,..., x R ee Stchprobe. Wr öe de Elemete der
MehrKapitel 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
MehrDaten 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
Mehr1 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:
Mehr11 Charaktere endlicher Gruppen
$Id: chaakte.tex,v.4 2009/07/3 4:38:36 hk Exp $ Chaaktee endlche Guppen W hatten gesehen, dass w fü enge Guppen G allen mt Hlfe des Satz 3 de Anzahl und de Dmensonen de eduzblen Dastellungen beechnen können.
MehrErwartungswert, 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
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
Mehr18. 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
MehrBeschreibende 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 )
Mehrarxiv: 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
MehrDer Parameter Migrationsmatrix Teil I
Der Parameter Mgratonsmatrx el I Anne-Chrstne Barthel Semnar Portfolokredtrsko Unverstät Mannhem 22..27 Glederung. Bedeutung der Mgratonsmatrx 2. Schätzung der Mgratonsmatrx. Statstscher Hntergrund: Markov-Ketten.
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
MehrInstitut 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
MehrDie 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
MehrZ 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
MehrWir 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
MehrBeschreibung 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
MehrMusterlösung zu Übung 4
PCI Thermodynamk G. Jeschke FS 05 Musterlösung zu Übung erson vom 6. Februar 05) Aufgabe a) En Lter flüssges Wasser egt m H O, l ρ H O, l L 998 g L 998 g. ) De Stoffmenge n H O, l) von enem Lter flüssgen
MehrLehrstuhl 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
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
Mehr2. 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
MehrMethoden zur Bewertung von Credit Default Swaps
Methoen zur Bewertung von Cret Default Swas Dr. Walter Gruber ( PLUS GmbH); Sylva Lause (Sarasse Hannover) Inhalt Enführung... Moell er Dscounte Sreas... 3 Moell er Ajuste Sreas... 4 Moell von JPMorgan...
MehrStandardnormalverteilung / 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
Mehr1.1 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
Mehr10 Einführung in die Statistische Physik
10 Enführung n de Statstsche Physk More s dfferent! P.W. Anderson, Nobelpres 1977 10.1 Prolegomena Technsch gesehen st de Rolle der Statstschen Mechank der Glechgewchtssysteme, ausgehend von unseren Kenntnsse
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
MehrStreuungs-, 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
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
MehrKleiner 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
MehrSpiele 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,,
MehrExperimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
MehrWas erwarten wir als Ergebnis von freien Verhandlungen in einer Gruppe mit Koalitionsmöglichkeiten?
Prof. Dr. Fredel Bolle 1 Prof. Dr. Fredel Bolle Vorlesung 1 Defnton: Kooperatves Spel En ooperatves Spel Γ st en Tupel (N,V), wobe der N = {1,...,m} mt m > 1 de Menge der Speler bezechnet und Was erwarten
Mehrbinäre 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,
Mehr50 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
Mehr18. 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
MehrForschungsstatistik 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
Mehr3 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
Mehr1 Differentialrechnung in mehreren Variablen
1 Dfferentalrechnung n mehreren Varablen 1.1 De Geometre eukldscher Räume Zur Ernnerung De Elemente des R n schreben wr normalerwese als Zelenvektoren: x = (x 1,..., x n ). Kommen Matrzen ns Spel, so st
MehrWerkstoffmechanik 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
MehrGrundlagen 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
MehrTechnische Universität Dresden Fachrichtung Mathematik
Technsche Unverstät Dresden Fachrchtung Mathematk Insttut für Mathematsche Stochastk Vertelungskonvergenz für V und U Statstken baserend auf multplen stochastschen Integralen vom Wenertyp Dplomarbet zur
MehrKlasse : 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
MehrÜbungen 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
Mehrc) schwierige freiwillige Zusatzaufgabe (ohne Bonuspunkte): Leiten Sie die allgemeinen iterativen Formeln für S, D, D R und V her.
Rechnerarchtetur Lösungsvorschlag. Bonusübung oerseester Fachgebet Rechnerarchtetur Prof. R. Hoffann Patrc Edger. Aufgabe: Maße für Barrel-hfter 7 + 7 Punte Gegeben st en Barrel hfter t n= Prozessoren
MehrR 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 = (
MehrBemerkungen zum LCG Rupert Hartung,
mt Bemerkungen zum LCG Rupert Hartung, 24.6.2005 Wr betrachten den Lnear Congruental Generator (LCG) X 0, X 1,..., X,... X +1 = ax + c mod N (1) zur Erzeugung von Pseudozufallszahlen mäÿger Qualtät. De
MehrEntscheidungstheorie Teil 3. Thomas Kämpke
Entschedngstheore Tel 3 Thomas Kämpke Sete Entschedngstheore Tel 3 Inhalt St. Petersbrg Paradoon (Bernoll 73) Präferenzfnktonen ttelpnktsmethode zr Bestmmng von Wertfnktonen über Intervallen (endmensonal)
MehrNormalisierung. 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
MehrEinführung 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
Mehr12 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:
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrZinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung
Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2
MehrVersicherungstechnischer 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
MehrCourse Dec 15, Statistische Mechanik plus. Course Hartmut Ruhl, LMU, Munich. People involved. Rationale
Dec 15, 2016 ASC, room A 238, phone 089-21804210, emal hartmut.ruhl@lmu.de Patrc Böhl, ASC, room A205, phone 089-21804640, emal patrc.boehl@phys.un-muenchen.de. Dsusson der Besetzungszahldarstellungen
MehrBoost-Schaltwandler für Blitzgeräte
jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler
MehrGrundgedanke 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