Grundlagen der Wahrscheinlichkeitsrechnung

Größe: px
Ab Seite anzeigen:

Download "Grundlagen der Wahrscheinlichkeitsrechnung"

Transkript

1 Kaptel 1 Grundlagen der Wahrschenlchketsrechnung 1.1 Kombnatork Addtonsprnzp (Summenregel). Es se A = A 1 A 2 A n, wo A ( = 1, 2,..., n) paarwese dsjunkte endlche Mengen snd. Dann st A = A 1 + A A n. Multplkatonsprnzp (Produktregel). Wählt man je en Element aus den Mengen A 1, A 2,..., A n so aus, daÿ de Auswahl der enzelnen Elemente enander ncht beenuÿt, dann st bem Auswahl de Anzahl aller möglchen n-tupel A 1 A 2... A n. Denton Jede möglche Anordnung von n verschedenen Elementen, n der alle Elemente verwendet werden, heÿt Permutaton deser Elemente. Satz De Anzahl aller Permutatonen von n verschedenen Elementen st n!. Denton Es gebe k verschedene Gruppen von nsgesamt n Elementen so, daÿ n der -ten Gruppe ( = 1, 2,..., k) n ununterschedbare Elemente snd, n 1 + n n k n. Jede möglche Anordnung von solchen n Elementen, n der alle Elemente verwendet werden, heÿt Permutaton mt Wederholung. Satz De Anzahl aller Permutatonen mt Wederholung von n Elementen st n! n 1! n 2!... n k!. Denton Ene Auswahl von k Elementen aus n verschedenen Elementen heÿt 1. ene Varaton von n Elementen zur Klasse k, wenn de Auswahl mt Beachtung der Rehenfolge der Elemente so erfolgt, daÿ en Element nur höchstens enmal ausgewählt werden kann. 1

2 2. ene Varaton mt Wederholung von n Elementen zur Klasse k, wenn de Auswahl mt Beachtung der Rehenfolge der Elemente so erfolgt, daÿ en Element mehrmals ausgewählt werden kann. 3. ene Kombnaton von n Elementen zur Klasse k, wenn de Auswahl ohne Beachtung der Rehenfolge der Elemente so erfolgt, daÿ en Element nur höchstens enmal ausgewählt werden kann. 4. ene Kombnaton mt Wederholung von n Elementen zur Klasse k, wenn de Auswahl ohne Beachtung der Rehenfolge der Elemente so erfolgt, daÿ en Element mehrmals ausgewählt werden kann. Satz De Anzahl aller 1. Varatonen von n Elementen zur Klasse k st n! (n k)!, 2. Varatonen mt Wederholung von n Elementen zur Klasse k st n k, 3. Kombnatonen von n Elementen zur Klasse k st ( n k), 4. Kombnatonen mt Wederholung von n Elementen zur Klasse k st ( n+k 1 k Der häug benötgte Ausdruck ( n k) wrd als Bnomalkoezent bezechnet und mt der Formel ( ) n n! = k k! (n k)! berechnet (n N, k N, n k). Satz (Bnomscher Lehrsatz) Es seen n ene postve ganze Zahl und a, b reelle Zahlen. Es st ( ) ( ) ( ) ( ) n n n n (a+b) n = a n b 0 + a n 1 b 1 + a n 2 b a 0 b n = n n =0 ). ( ) n a n b. Satz Das Pascal-Dreeck enthält den Bnomalkoezenten ( n k) an der k-ten Stelle der n-ten Zele, wo 0 k n; k, n N. Satz Im Pascal-Dreeck st ( ( n 0) = 1 und n n) = 1, d.h. jede Zele begnnt und endet mt der 1; ( ) ( n k = n n k), d.h. das Pascal-Dreeck st symmetrsch; ( ) ( n k = n 1 ) ( k 1 + n 1 ) k st de Bldungsregel der nneren Elemente des Pascal- Dreecks; n =0 ( n ) = ( n 0) + ( n 1) + + ( n n) = 2 n, d.h. de Summe der Elemente n der n-ten Zele des Pascal-Dreecks beträgt 2 n. 2

3 1.2 Algebra der Eregnsse De Menge aller Ergebnsse enes Zufallsvorgangs (oder Zufallsexpermentes) heÿt Eregnsraum (Ω), dessen Elemente de sog. Elementareregnsse snd. En Eregns st als ene Telmenge von Ω denert. De Menge Ω wrd auch als das schere Eregns bezechnet. De leere Menge nennt man das unmöglche Eregns Operatonen mt Eregnssen Denton Das Eregns A zeht das Eregns B nach sch, wenn B mmer entrt falls Trt das Eregns B mmer en falls das Eregns A entrt, so sagt man: A zeht B nach sch. Bezechnung: A B. Denton Zwe Eregnsse snd glech, falls jede der zwe de andere nach sch zeht. Denton Zu jedem Eregns A gbt es en entgegengesetztes Eregns A (Gegeneregns), das genau dann entrtt, wenn A ncht entrtt. Denton De Summe der Eregnsse A, B Ω st das Eregns A + B, das genau dann entrtt, wenn mndestens ens der zwe Eregnsse A und B entrtt. Denton Das Produkt der Eregnsse A, B Ω st das Eregns A B (Verbund-Eregnss), das genau dann entrtt, wenn de zwe Eregnsse A und B glechzetg entreten. Denton Man nennt A, B Ω unverenbare Eregnsse, wenn A B =, d.h. se können glechzetg ncht entreten. Denton Ist kenes der Eregnsse A 1, A 2,... das unmöglche Eregns, snd se paarwese unverenbar und st hre Summe das schere Eregns, so nennt man A 1, A 2,... en vollständges Eregnssystem. 1.3 Begr der Wahrschenlchket De Wahrschenlchket enes Eregnsses A st ene Zahl P (A), de zu A so zugeordnet wrd, daÿ dese Zuordnung de folgenden dre Kolmogorow-Axome erfüllt: 1. 0 P (A) 1, d.h. Für jedes Eregns A st de Wahrschenlchket ene reelle Zahl zwschen 0 und 1, 2. P (Ω) = 1, d.h. das schere Eregns hat de Wahrschenlchket De Wahrschenlchket ener Summe abzählbar veler, paarwese unverenbarer Eregnsse entsprcht der Summe der Wahrschenlchketen der enzelnen Eregnsse, d.h. P (A 1 + A ) = P (A 1 ) + P (A 2 )

4 Satz De Wahrschenlchket des unmöglchen Eregnsses glecht 0. Bewes.Das Eregns A und das unmöglche Eregns snd unverenbar (AØ = Ø), weter st A + Ø = A. Deshalb st woraus folgt P (Ø) = 0. P (A) = P (A + Ø) = P (A) + P (Ø), Satz De Wahrschenlchket des Gegeneregnsses st P (A) = 1 P (A). Bewes.Von A + A = Ω und AA = Ø folgt 1 = P (Ω) = P (A + A) = P (A) + P (A), woraus P (A) ausgedrückt werden kann. Satz (Monotonesatz) Wenn A B, dann P (A) P (B). Satz P (A + B) = P (A) + P (B) P (AB). Es se Ω = {ω 1, ω 2,... }. Bezechne p de Wahrschenlchket des -ten Elementareregnsses, d.h. p = P (ω ). Das drtte Axom ergbt: p = p 1 + p 2 + = 1. De Wahrschenlchketen p 1, p 2,... nennt man de Wahrschenlchketsvertelung des Eregnsraums Ω. 1.4 Klasssche (kombnatorsche) Wahrschenlchket Snd m Eregnsraum Ω nur endlch vele (n N + ) Elementareregnsse, de mt der glechen Wahrschenlchket entreten, so folgen aus p 1 + p p n = 1 de Glechungen p 1 = p 2 = = p n = 1 n. Als Konsequenz folgt, dass für Eregnsse A Ω, de sch aus k (0 k n) Elementareregnssen zusammensetzen, de entsprechend velfache Wahrschenlchket glt, d.h. P (A) = k 1 n = k n. De Wahrschenlchket enes Eregnsses glech der Zahl der für deses Eregns günstgen Ergebnsse, dvdert durch de Zahl der nsgesamt möglchen Ergebnsse: P (A) = k n = Anzahl der günstgen Ergebnsse Anzahl der nsgesamt möglchen Ergebnsse. Se de Anzahl ener Populaton N. In deser Populaton snd K Exemplare mt enem Merkmal gekennzechnet. Mt welcher Wahrschenlchket benden 4

5 sch k gekennzechnete Exemplare n ener Stchprobe von n Exemplaren? Bezechnet man deses Eregns n der Frage mt A n k, so bekommt man de folgenden Formel. Stchprobe mt Zurücklegen: ( n P v (A n k) = k) K k (N K) n k ( ) ( ) k ( n K N n = 1 K ) n k. (1.1) k N N Führt man de Bezechnung p = K N für de Wahrschenlchket der Auswahl enes enzgen gekennzechneten Exemplares aus der Populaton en, so gelangt man zur Formel ( ) n P v (A n k) = p k (1 p) n k. (1.2) k Stchprobe ohne Zurücklegen: ( K )( N K ) P vn (A n k n k k) = ( N. (1.3) n) 1.5 Geometrsche Wahrschenlchket Ist de Ergebnsmenge überabzählbar, so kann Ω mt ener Telmenge der Geraden, der Ebene oder des Raums so dentzert werden. Ist A Ω, so kann de Wahrschenlchket von A als Quotent der geometrschen Maÿe von A und Ω gedeutet werden. 1.6 Bedngte Wahrschenlchket, Unabhänggket Unter ener bedngten Wahrschenlchket versteht man de Wahrschenlchket für das Entreten enes Eregnsses A unter der Voraussetzung, dass das Entreten enes anderen Eregnsses B berets bekannt st. Natürlch muss B entreten können, es darf also ncht das unmöglche Eregns sen. Man schrebt dann P (A B) für Wahrschenlchket von A unter der Voraussetzung B, kurz P von A, vorausgesetzt B. Denton De bedngte Wahrschenlchket des Eregnsses A unter der Voraussetzung von B st P (A B) = P (AB) P (B), (1.4) wenn P (B) 0 st. De Wahrschenlchket hervon berechnet sch zur gemensamen Wahrschenlchket oder Verbundwahrschenlchket mt P (AB) = P (A B) P (B) Satz (Gesetz der totalen Wahrschenlchket) Blden de Eregnsse A 1, A 2,... en vollständges Eregnssystem so, daÿ P (A ) > 0 ( = 1, 2,...), und st B en belebges Eregns, dann st P (B) = P (B A ) P (A ). (1.5) 5

6 Bewes.De Summe der Eregnsse A 1, A 2,... st Ω. Man hat ( ( )) ( ) P (B) = P (BΩ) = P B A = P BA = P (BA ) = = P (B A ) P (A ), denn (BA )(BA j ) = BA A j = BØ = Ø ( j). Satz (Satz von Bayes) Blden de Eregnsse A 1, A 2,... en vollständges Eregnssystem so, daÿ P (A ) > 0 ( = 1, 2,...), und st B en belebges Eregns mt postver Wahrschenlchket, dann st Bewes. P (A k B) = P (B A k) P (A k ), (k = 1, 2,... ). (1.6) P (B A ) P (A ) P (A k B) = P (A kb) P (B) = P (BA k) P (B) = P (B A k) P (A k ) P (B A ) P (A ), wo m Nenner das Gesetz der totalen Wahrschenlchket benutzt wurde. Denton De zwe Eregnsse A und B snd unabhängg, wenn glt P (AB) = P (A) P (B). (d.h. Be unabhänggen Eregnssen kann man de Wahrschenlchketen multplzeren.) 1.7 Zufallsvarablen und deren Egenschaften Denton De Funkton η : Ω R heÿt Zufallsvarable. De Zufallsvarable η ordnet also zu den Elementen des Eregnsraums reelle Zahlen zu. Denton De Vertelungsfunkton ener Zufallsvarablen st de Funkton F : R R, F (x) = P (η < x). Satz De Vertelungsfunkton F ener Zufallsvarablen η st monoton stegend, d.h. für jede a b st F (a) F (b), weter gelten lm F (x) = 0 und lm F (x) = 1. x x Mt Hlfe der Vertelungsfunkton kann man de folgende Wahrschenlchket berechnen: P (a η < b) = P (η < b) P (η < a) = F (b) F (a). 6

7 Denton De Zufallsvarable η heÿt ene dskrete Zufallsvarable, wenn hr Wertevorrat endlch oder ene unendlche Folge st. Seen x 1, x 2,... de möglchen Werte von η. De Eregnsse {η = x } snd paarwese unverenbar, deshalb st P (a η < b) = P (η = x ), wo x [a, b). Mt Hlfe der Wahrschenlchketen P (η = x ) läÿt sch also de Wahrschenlchket enes belebgen Eregnsses berechnen. Darüber hnaus st P (η = x ) = 1. De Wahrschenlchketen P (η = x ) nennt man de Vertelung der Zufallsvarable η. Denton De Zufallsvarable η heÿt ene stetge Zufallsvarable, wenn hre Vertelungsfunkton stetg st. Denton De Abletung F (x) = f(x) der Vertelungsfunkton F der Zufallsvarable η heÿt de Dchtefunkton (oder Dchte) der Zufallsvarable. Satz De Dchtefunkton ener stetgen Zufallsvarable hat de folgenden Egenschaften. f(x) 0, f(x) dx = 1. De Wahrschenlchket P (a η < b) = F (b) F (a) st genau das bestmmte Integral der Dchtefunkton über dem Intervall [a, b]: P (a η < b) = b a f(x) dx. Denton De Zufallsvarablen η und ξ heÿen unabhängg, wenn für belebge reelle Zahlen x, y de Eregnsse {η < x} und {ξ < y} unabhängg snd. Denton De reelle Zahl x p, E(η) = x f(x) dx, falls η dskret falls η stetg, heÿt der Erwartungswert von η, falls de obgen Werte überhaupt exsteren. Satz Nmmt de Zufallsvarable η nur den konstanten Wert A an, dann st E(η) = A. Bewes.De Zufallsvarable η st dskret, denn se nmmt nur den enen Wert A an, und zwar dann mt der Wahrschenlchket p = 1. So folgt E(η) = A 1 = A. Satz Ist E(η) der Erwartungswert der Zufallsvarable η, so hat de Zufallsvarable Aη + B (A, B R) auch enen Erwartungswert, und zwar E(Aη + B) = A E(η) + B. 7

8 Bewes.Nmmt η de möglchen Werte x mt den Wahrschenlchketen p an, so nmmt de Zufallsvarable Aη + B de möglchen Werte Ax + B mt den entsprechenden Wahrschenlchketen p an. E(Aη+B) = (Ax +B)p = Ax p + Bp = A x p +B p = A E(η)+B. Satz Exsteren de Erwartungswerte E(η) und E(ξ), so exstert auch E(η + ξ), und zwar E(η + ξ) = E(η) + E(ξ). Satz Snd η und ξ solche unabhängge Zufallsvarablen, de de Erwartungswerte E(η) und E(ξ) haben, dann exstert E(ηξ) ebenfalls, und zwar st E(ηξ) = E(η) E(ξ). Denton De Varanz ener Zufallsvarable η st der Wert D 2 (η) = E((η E(η)) 2 ) = E((η µ η ) 2 ), falls er exstert. Denton De Quadratwurzel D(η) = D 2 (η) der Varanz heÿt Standardabwechung. Satz Bestzt de Zufallsvarable η ene Varanz, so st Bewes. D 2 (η) = E(η 2 ) E 2 (η). D 2 (η) = E((η µ η ) 2 ) = E(η 2 2µ η η+µ 2 η) = E(η 2 ) 2µ η E(η)+E(µ 2 η) = E(η 2 ) µ 2 η. Korollar. De Varanz ener dskreten Zufallsvarable η läÿt sch berechnen als D 2 (η) = x 2 p µ 2 η. De Varanz ener stetgen Zufallsvarable η läÿt sch berechnen als D 2 (η) = x 2 f(x)dx µ 2 η. Satz Nmmt de Zufallsvarable η nur den konstanten Wert A an, dann st D 2 (η) = 0. Bewes. D 2 (η) = E(η 2 ) E 2 (η) = E(A 2 ) E 2 (A) = A 2 A 2 = 0. Satz Ist σ 2 η de Varanz der Zufallsvarable η und st A R, dann exstert σ 2 η+a und σ2 η+a = σ2 η, σ 2 Aη und σ2 Aη = A2 σ 2 η. 8

9 Bewes. σ 2 η+a = D 2 (η + A) = E((η + A) 2 ) E 2 (η + A) = = E(η 2 + 2Aη + A 2 ) (E(η) + E(A)) 2 = = E(η 2 ) + 2AE(η) + E(A 2 ) E 2 (η) 2E(A)E(η) E 2 (A) = = E(η 2 ) E 2 (η) = D 2 (η) = σ 2 η. σ 2 Aη = D2 (Aη) = E((Aη) 2 ) E 2 (Aη) = A 2 E(η 2 ) A 2 E 2 (η) = A 2 D 2 (η) = A 2 σ 2 η. Denton De Kovaranz zweer Zufallsvarablen η und ξ st der Wert COV(η, ξ) = E(ηξ) E(η)E(ξ), falls er exstert. Satz Wenn de Varanz σ 2 η und σ 2 ξ exsteren, dann exstert σ2 η+ξ ebenfalls, und man hat den Zusammenhang σ 2 η+ξ = σ 2 η + σ 2 ξ + 2 COV(η, ξ). Bewes. D 2 (η + ξ) = E((η + ξ) 2 ) E 2 (η + ξ) = E(η 2 + 2ηξ + ξ 2 ) (E(η) + E(ξ)) 2 = = E(η 2 ) E 2 (η) + E(ξ 2 ) E 2 (ξ) + 2E(ηξ) 2E(η)E(ξ) = = D 2 (η) + D 2 (ξ) + 2(E(ηξ) E(η)E(ξ)). Satz COV(η, ξ) = E((η µ η )(ξ µ ξ )). Bewes. E((η µ η )(ξ µ ξ )) = E(ηξ ηµ ξ ξµ η + µ η µ ξ ) = E(ηξ) µ ξ E(η) µ η E(ξ) + µ η µ ξ = E(ηξ) E(η)E(ξ). Satz Hat de Zufallsvarable η den Erwartungswert µ η und de Standardabwechung σ η, so hat de standardserte Zufallsvarable ξ = η µη σ η µ ξ = 0, σ ξ = 1. Bewes. µ ξ = E(ξ) = E( η µη σ η ) = 1 σ η E(η µ η ) = 1 σ η E(η) 1 σ η µ η = µη σ η µη σ η = 0. σξ 2 = D2 (ξ) = D 2 ( η µη σ η ) = 1 σ D 2 (η µ η 2 η ) = 1 σ D 2 (η) = σ2 η η 2 ση 2 = 1. De Transformaton ener Zufallsvarable η n de standardserte Zufallsvarable ξ = η µη σ η bezechnet man als Standardserung der Zufallsvarable η. 9

10 1.8 Wahrschenlchketsvertelungen Dskrete Wahrschenlchketsvertelungen 1. Vertelung der Indkatorvarable. κ A : { 0 1 q p E(κ A ) = 0 q + 1 p = p, D 2 (κ A ) = 0 2 q p p 2 = p(1 p) = pq. 2. Bnomalvertelung. Ene dskrete Zufallsvarable η heÿt bnomalvertelt mt den Parametern n und p, wenn hre Werte de natürlchen Zahlen 0, 1,..., n snd, de se mt den Wahrschenlchketen p k = P (η = k) = ( n k ) p k (1 p) n k = ( n k }. ) p k q n k, (k = 0, 1,..., n) annmmt. Nehmen wr an, daÿ das Eregns A mt der Wahrschenlchket p (Treerwahrschenlchket) entrt. Führen wr das Zufallsexperment n-mal (Anzahl der Versuche) durch. Bezechne η de Häugket des Entreens des Eregnsses A. De Wahrschenlchket, daÿ A genau k-mal entrt, glecht ( ) n k p k q n k (sehe SZehen mt Zurücklegen"). Erwartungswert und Varanz ener bnomalvertelten Zufallsvarable η snd E(η) = E(κ κ n ) = E(κ 1 ) E(κ n ) = n p, D 2 (η) = D 2 (κ κ n ) = D 2 (κ 1 ) D 2 (κ n ) = n pq, wo de dentschen Enzelprozesse mt den Zufallsvarablen κ paarwese unabhängg snd. 3. Posson-Vertelung. Ene dskrete Zufallsvarable η heÿt possonvertelt mt dem Parameter λ, wenn hr Wertevorrat de Menge der natürlchen Zahlen st, de se mt den Wahrschenlchketen p k = P (η = k) = λk k! e λ, (k N) anmmt. Dese Zahlen blden wrklch ene Vertelung, denn P (η = k) = k=0 k=0 λ k k! e λ = e λ k=0 λ k k! = e λ e λ = 1. Erwartungswert und Varanz ener possonvertelten Zufallsvarable η snd E(η) = λ, D 2 (η) = λ. Der Posson-Vertelung folgt m Allgemenen de Anzahl der n enem (zetlchen bzw. räumlchen) Intervall plötzlch entreenden Geschehnsse. 10

11 1.8.2 Stetge Wahrschenlchketsvertelungen l. Normalvertelung. Ene stetge Zufallsvarable η heÿt normalvertelt mt den Parametern µ und σ (σ > 0), wenn hre Dchtefunkton st: f(x) = 1 σ 2π e 1 2 (x µ)2 σ 2. Erwartungswert und Varanz snd E(η) = µ und D 2 (η) = σ 2, womt man ene anschaulche Rolle den Parametern der Normalvertelung zuordnen kann. Häug verwendet man das Symbol η = N(µ, σ). De Normalvertelung z = N(0, 1) heÿt Standardnormalvertelung, denn se kann von ener belebgen Normalvertelung η = N(µ, σ) mt Standardserung gewonnen werden, d.h. z = η µ σ. De Dchtefunkton bzw. de Vertelungsfunkton der Standardnormalvertelung bezechnet man mt φ(x) bzw. mt Φ(x). 2. Exponentalvertelung. Ene stetge Zufallsvarable η heÿt exponentalvertelt mt dem Parameter µ R +, wenn hre Dchtefunkton st: { µe f(x) = µx, falls x > 0; 0, anderenfalls. Dese Funkton denert tatsächlch ene Dchtefunkton, denn f(x) dx = 0 = µ lm x De Vertelungsfunkton st F (x) = 0 dx + 0 ( 1µ e µx ) µ [ µe µx dx = 0 + µ 1 ] µ e µx 0 { 1 e µx, falls x > 0; 0, anderenfalls. ( 1 ) = 0 ( 1) = 1. µ Erwartungswert bzw. Standardabwechung snd E(η) = 1 µ bzw. D(η) = 1 µ. 1.9 Speltheore Matrxspele mt enem Sattelpunkt n renen Strategen Es se A k n = [a j ] ( = 1,..., k,j = 1,..., n) de Auszahlungsmatrx (de Spelmatrx) enes Zwepersonen-Nullsummenspels. Falls der Zelenspeler spelt, muÿ er mt dem schlmmsten Fall, enem Nutzen von α := mn j a j rechnen. Der Zelenspeler wrd nun dejenge Stratege spelen, de hm en maxmales α schert, d.h. senen Maxmn-Wert errecht α := max α = max mn a j. j = 11

12 Falls der Spaltenspeler j spelt, muÿ er mt dem schlmmsten Fall, enem Verlust von β j := max a j rechnen. Der Spaltenspeler wrd nun dejenge Stratege spelen, de hm enen mnmalen Verlust β j schert, d.h. senen Mnmax-Wert errecht hngegen β := mn j β j = mn j max a j. Ist α = β(=: v), so bestzt das Spel enen Sattelpunkt n renen Strategen (Paar aus Maxmn- und Mnmax-Strategen); v wrd als Spelwert bezechnet. mn j a j a k für jedes k max mn a j max a k für jedes k j max mn j a j mn α β k max a k Denton Das Paar ( 0, j 0 )) heÿt en Sattelpunkt n renen Strategen m Zwepersonen-Nullsummenspel mt der Auszahlungsmatrx A k n = [a j ], falls a 0j 0 n sener egenen Zele mnmal und glechzetg n sener Spalte maxmal st, d.h. a j0 a 0j 0 a 0j für alle,j ( = 1,..., k,j = 1,..., n). v = a 0j 0 wrd als Spelwert bezechnet. Ncht jedes Matrxspel bestzt enen Spelwert be ener Spelwese n renen Strategen. Satz Das Paar ( 0, j 0 )) st en Sattelpunkt n renen Strategen m Zwepersonen- Nullsummenspel mt der Auszahlungsmatrx A k n = [a j ] genau dann, wenn max mn j a j = a 0j 0 = mn j max a j. Satz Hat en Zwepersonen-Nullsummenspel mehrere Sattelpunkte n renen Strategen, dann snd dese Sattelpunkte mtenander glechwertg Allgemene Untersuchung von 2 2 Matrxspelen Betrachten wr de 2 2 Auszahlungsmatrx [ ] a11 a A = 12 a 21 a 22 enes solchen Zwepersonen-Nullsummenspels, das ken Sattelpunkt n renen Strategen hat. Wählt der Zelenspeler de erste Zele mt Wahrschenlchket p, und wählt der Spaltenspeler unahängg vom Zelenspeler de erste Spalte mt Wahrschenlchket q, so st der erwartete Nutzen des Zelenspelers E(p, q) = a 11 pq + a 12 p(1 q) + a 21 (1 p)q + a 22 (1 p)(1 q). 12

13 En Glechgewcht ergbt sch, falls es solche gemschte Strategen der zwe Speler mt den jewelgen Wahrschenlchketen p 0 und q 0 gbt, daÿ der Zusammenhang E(p, q 0 ) E(p 0, q 0 ) E(p 0, q) für belebge 0 p 1 und 0 q 1 besteht. Denton Das Zahlenpaar (p 0, q 0 ) heÿt en Sattelpunkt n gemschten Strategen m Zwepersonen-Nullsummenspel mt der Auszahlungsmatrx A, falls E(p, q 0 ) E(p 0, q 0 ) E(p 0, q) st für belebge Wahrschenlchketen 0 p 1 und 0 q 1. v = E(p 0, q 0 ) wrd als Spelwert bezechnet. Das Spel heÿt gerecht falls v = 0. Satz (Fundamentalsatz der Speltheore, János Neumann) Jedes Matrxspel bestzt enen Sattelpunkt n gemschten Strategen Algebrasche Lösungsmethode Satz Gbt es kenen Sattelpunkt n renen Strategen m Zwepersonen- Nullsummenspel mt der 2 2 Auszahlungsmatrx A, so st A = a 11 + a 22 a 12 a Satz Gbt es kenen Sattelpunkt n renen Strategen m Zwepersonen- Nullsummenspel mt der 2 2 Auszahlungsmatrx A, so snd p 0 = C A = a 22 a 21 A Geometrsche Methode Sehe ungarsches Skrpt..., q 0 = B A = a 22 a 12 AD BC, v = A A = a 11a 22 a 12 a 21. A 13

14 Kaptel 2 Lneare Algebra 2.1 Matrzen Denton De Matrzen n R n 1 nennt man Spaltenvektoren. De Menge R n 1 wrd enfacher als R n bezechnet. Denton De Summe der zwe Matrzen A k n = [a j ] k n und B k n = [b j ] k n st dejenge Matrx C k n = [c j ] k n, deren Komponente c j = a j + b j ( = 1,..., k,j = 1,..., n) snd. Man bezechnet C = A + B. Es können also nur Matrzen mt der glechen Anzahl an Zelen und der glechen Anzahl an Spalten addert werden. De Summe zweer k n-matrzen berechnet sch, ndem man jewels de Enträge der beden Matrzen addert. Denton Das Produkt der Matrx A k n = [a j ] k n mt der reellen Zahl α st dejenge Matrx C k n = [c j ] k n, deren Komponente c j = αa j ( = 1,..., k,j = 1,..., n) snd. Man bezechnet C = αa. Ene Matrx wrd mt enem Skalar (also: Zahl) multplzert, ndem alle Enträge der Matrx mt dem Skalar multplzert werden. Dese Skalarmultplkaton darf ncht mt dem Skalarprodukt verwechselt werden. Denton Das Produkt der zwe Matrzen A k m = [a j ] k m und B m n = [b j ] m n st dejenge Matrx C k n = [c j ] k n, deren Komponente c j = a 1 b 1j + a 2 b 2j + + a m b mj = m a l b lj l=1 ( = 1,..., k,j = 1,..., n) snd. Man bezechnet C = AB. Zwe Matrzen werden multplzert, ndem de Produktsummenformel, ähnlch dem Skalarprodukt, auf Paare aus enem Zelenvektor der ersten und enem Spaltenvektor der zweten Matrx angewandt wrd (Zelen-Spalten-Multplkaton). Denton Ene quadratsche Matrx st ene Matrx, be der de Anzahl der Zelen mt der Anzahl der Spalten überenstmmt. 14

15 In der lnearen Algebra st ene Dagonale ener quadratschen Matrx ene Lne, de schräg durch das Koezentenschema geht. De Hauptdagonale verläuft von oben lnks nach unten rechts, enthält also de Elemente a, = 1,..., n. De Nebendagonale von oben rechts nach unten lnks. Als Dagonalmatrx bezechnet man ene quadratsche Matrx, be der alle Elemente auÿerhalb der Hauptdagonale Null snd. De Enhetsmatrx (oder Identtätsmatrx) E st ene quadratsche Matrx, deren Hauptdagonale nur aus Ensen besteht, alle anderen Komponente snd 0. De Spalten der Enhetsmatrx snd Enhetsvektoren. Denton De Matrx A R n n heÿt ene reguläre (oder: nverterbare, nchtsnguläre) Matrx falls zu A ene andere Matrx A 1 exstert, so daÿ AA 1 = E glt. Man bezechnet de Matrx A 1 als nverse Matrx (oder enfach kurz Inverse) zu A. Satz De Matrzenmultplkaton n der Menge R n n st nchtkommutatv; st assozatv. De Matrxmultplkaton st bezüglch der Matrxaddton dstrbutv. Es gbt ene Enhetsmatrx E mt der Egenschaft, daÿ AE = EA = A für jede Matrx A glt. Ncht jede Matrx A hat ene Inverse A 1, wofür A 1 A = AA 1 = E glt. Denton Unter der transponerten Matrx (oder enfach Transponerte) von A n R k n versteht man dejenge Matrx A T R n k, deren Komponente n der -ten Zele und j-ten Spalte mt der Komponente von A n der j-ten Zele und -ten Spalte für belebge = 1,..., n,j = 1,..., k überenstmmt. De Matrx A wrd sozusagen an hrer Hauptdagonale gespegelt. De Zelen von A snd de Spalten von A T und umekehrt: de Zelen von A T snd de Spalten von A. Ene Matrx A heÿt symmetrsch, wenn se glech hrer transponerten Matrx st: A = A T. Man hat de folgenden Regel: ( A T ) T = A, (A + B) T = A T + B T, (αa) T = αa T, (AB) T = B T A T, für Matrzen, wofür de Operatonen n den Formeln snvoll snd. Hat man zwe Spaltenvektoren a, b R n, dann st das Matrxprodukt ab ncht denert, aber de beden Produkte a T b und ab T exsteren. Das erste Produkt (kanonsche Skalarprodukt) st ene 1 1-Matrx: a T b = a 1 b a n b n, das zwete Produkt (dyadsche Produkt oder Tensorprodukt) ab T st ene Matrx n R n n 2.2 Determnanten Denton De Determnante ener quadratschen Matrx A R n n st de Zahl det(a) = ( 1) I(1,...,n) a 11 a 22 a nn, 1,..., n 15

16 wo de Summe über alle Permutatonen 1,..., n der Zahlen 1,..., n berechnet wrd, und I( 1,..., n ) bezechnet, we vele Vertauschungen nötg waren, um de jewelge Permutaton 1,..., n von 1,..., n zu erzeugen. Das Vorzechen der Permutaton 1,..., n st de Zahl ( 1) I(1,...,n). Se st +1, falls 1,..., n ene gerade Permutaton st und 1, falls se ungerade st. Ob ene Permutaton gerade oder ungerade st, erkennt man daran, we vele Vertauschungen nötg waren, um de jewelge Permutaton zu erzeugen (gerade oder ungerade Anzahl). Satz Addert man en Velfaches ener Zele (oder Spalte) zu ener anderen Zele (oder Spalte) n ener Matrx, so blebt de Determnante deser Matrx unverändert. Denton Zu jeder Komponente a j (, j = 1,..., n) ener quadratschen Matrx A = [a j ] R n n gehört ene Untermatrx A j vom Format (n 1) (n 1), de so gebldet wrd, ndem man de -te Zele und j-te Spalte der ursprünglchen Matrx herausstrecht. De Determnante det(a j ) heÿt Unterdetermnante zur Komponente a j. Verseht man de Unterdetermnante mt dem Vorzechen ( 1) +j, so bekommt man de Adjunkte det ± (A j ) = ( 1) +j det(a j ). Satz (Laplacescher Entwcklungssatz) Es se A = [a j ] R n n ene belebge quadratsche Matrx und 1 k n festgelegt. Es snd det(a) = a k1 det ± (A k1 ) + a k2 det ± (A k2 ) + + a kn det ± (A kn ), det(a) = a 1k det ± (A 1k ) + a 2k det ± (A 2k ) + + a nk det ± (A nk ). Mt dem laplaceschen Entwcklungssatz kann man de Determnante ener n n- Matrx nach ener Zele oder Spalte entwckeln. Denton De zur Matrx A R n n adjungerte Matrx st Transponerte derjengen Matrx C R n n, de aus den Komponenten c j = det ± (A j ) besteht. Man bezechnet adj(a) = C T. Satz Ist det(a) 0, so glt A 1 = 1 det(a) adj(a). 2.3 Vektorraum der n-tupel aus reellen Zahlen Denton Seen λ 1,..., λ k R. Der Spaltenvektor λ 1 x λ k x k R n heÿt ene Lnearkombnaton der Spaltenvektoren x 1,..., x k R n. Ene Lnearkombnaton enger Spaltenvektoren st ene Summe von belebgen Velfachen deser Spaltenvektoren. Ene Lnearkombnaton heÿt trval, falls λ 1 = = λ k = 0. De trvale Lnearkombnaton erzeugt den Nullvektor. 16

17 2.4 Lneare Unabhänggket, Generatorsystem Denton De Famle der festgelegten Spaltenvektoren x 1,..., x k R n heÿt lnear unabhängg, falls sch der Nullvektor nur durch ene Lnearkombnaton der Vektoren erzeugen lässt, n der alle Koezenten der Kombnaton auf den Wert Null gesetzt werden, d.h. α 1 x α k x k = 0 α 1 = = α k = 0. Denton De Famle der festgelegten Spaltenvektoren x 1,..., x k R n heÿt lnear abhängg, falls sch der Nullvektor durch ene Lnearkombnaton der Vektoren erzeugen lässt, worn ncht jeder Koezent der Kombnaton auf den Wert Null gesetzt wrd. Man sollte m Fall lnearer Abhänggket vor Augen halten, daÿ es n der Denton ncht verlangt wrd, daÿ jeder Koezent der Kombnaton unglech Null sen muÿ. Satz Enthält ene Famle von Spaltenvektoren den Nullvektor, so st se lnear abhängg Bewes.Se 0, x 2,..., x k R n ene Famle von Spaltenvektoren. De Lnearkombnaton 0 = x x k erzeugt den Nullvektor und genügt auch der Denton der lnearen Abhänggket. Satz Ene Famle von Spaltenvektoren st lnear abhängg genau dann, wenn sch mndestens ener der betelgten Spaltenvektoren durch de anderen mt ener Lnearkombnaton darstellen lässt. Denton De Famle der festgelegten Spaltenvektoren x 1,..., x k R n heÿt en Erzeugendensystem, falls man zu enem belebgen Spaltenvektor x R n entsprechende Koezenten λ 1,..., λ k R ndet, so daÿ x = λ 1 x λ k x k, d.h en belebger Spaltenvektor st darstellbar als ene Lnearkombnaton der festgelegten Spaltenvektoren. 2.5 Bass, Koordnaten Denton De Famle von Vektoren x 1,..., x k bldet ene Bass von R n, falls se lnear unabhängg und glechzetg en Erzeugendensystem st. De Vektoren x 1,..., x k n der Denton nennt man Bassvektoren. Satz Jede Bass von R n besteht aus n Vektoren. Satz Es se x 1,..., x n R n. 17

18 Snd x 1,..., x n lnear unabhängg, so blden se ene Bass von R n. Blden x 1,..., x n en Erzeugendensystem, so blden se ene Bass von R n. Satz Blden de Spaltenvektoren x 1,..., x n ene Bass von R n, so läÿt sch en jeder Spaltenvektor x R n endeutg als ene Lnearkombnaton der Bassvektoren darstellen. Bewes.Sehe ung. Skrpt... Denton Seen x 1,..., x n Bassvektoren n R n und x R n en belebger Vektor. De Koezenten α 1,..., α n, de n der endeutgen Darstellung x = α 1 x α n x n als Lnearkombnaton aus der Bass auftreten, nennt man de Koordnaten des Vektors bezüglch der Bass x 1,..., x n. 2.6 Basstransformaton Der Übergang von ener gegebenen Bass zu ener neuen Bass heÿt Basstransformaton (Basswechsel). De neue Bass muss sch wengstens um enen Vektor von der alten Bass unterscheden. Dadurch ändern sch m Allgemenen de Koordnaten der Vektoren. De elementare Basstransformaton st en tabellarsches Rechenverfahren. Satz (Elementare Basstransformaton) Blden de Spaltenvektoren b 1,..., b,..., b n ene Bass von R n und seen de Vektoren a R n und x R n n deser Bass als Lnearkombnaton dargestellt: a = α 1 b α b + + α n b n, x = β 1 b β b + + β n b n. Ist α 0, so blden de Vektoren b 1,..., b 1, a, b +1,..., b n ebenfalls ene Bass. Benutzt man de Bezechnung δ = β α, so st n deser Bass x = (β 1 δα 1 )b 1 + +(β 1 δα 1 )b 1 +δa+(β +1 δα +1 )b (β n δα n )b n. Bewes.Sehe ung. Skrpt... Be der Durchführung ener elementaren Basstransformaton wrd also en geegneter Bassvektor b durch enen anderen Vektor a austauscht. Im ersten Schrtt wrd en Zentralelement (z-element) α 0 aus den Koordnaten des enzutauschenden Vektors a bestmmt. (De Spalte bzw. de Zele, n der das z-element steht, wrd üblcherwese Austauschspalte bzw. Austauschzele genannt.) Bem Tausch werden de älten"koordnaten enes belebgen anderen Vektors x nach der Formel des Satzes verändert. 18

19 2.7 Rang von Matrzen Der Rang der Menge ener endlchen Anzahl von Vektoren st denert als de maxmale Anzahl der lnear unabhänggen Vektoren n der Vektormenge. Denton Der Rang r(a) ener Matrx A R k n glecht dem Rang der Menge hrer Spaltenvektoren. 2.8 Lneare Glechungsysteme Seen de reellen Zahlen a j und b, ( = 1,..., k, j = 1,..., n) gegeben. a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2. a k1 x 1 + a k2 x a kn x n = b k heÿt lneares Glechungssystem. x 1, x 2,..., x n snd de Unbekannten (oder Varablen). De Zahlen a j, b, ( = 1,..., k, j = 1,..., n) nennt man Koezenten. Wenn man für de Unbekannten x 1, x 2,..., x n de reellen Zahlen t 1, t 2,..., t n ensetzt und man k Glechungen bekommt, dann nennt man ene Lösung des Glechungssystems. Führt man de Spaltenvektoren a 11 a 12 a 21 a 1 =, a a 22 2 =. a k1 { x 1 = t 1, x 2 = t 2,..., x n = t n }. a k2,..., a n = a 1n a 2n. a kn en, so nmmt das Glechungssystem de folgende Form an: a 1 x 1 + a 2 x a n x n = b. b 1, b = b 2. So bedeutet de Lösung enes Glechungssystems das Fnden aller Lnearkombnatonen der gegebenen Vektoren a 1,..., a n, de den Vektor b ergeben. Führt man den Koezentenmatrx a 11 a a 1n a 21 a a 2n A = a k1 a k2... a kn en, so nmmt das Glechungssystem de folgende Form an: Ax = b, wo x = [x 1, x 2,..., x n ] der Vektor der Unbekannten st. De dre obgen Formen enes Glechungssystems snd mtenander äquvalent. Ist b = 0, so nennt man das Glechungssystem homogen. Oenschtlch st x = 0 ene Lösung enes belebgen homogenen Glechungssystems. Ist b 0, so nennt man das Glechungssystem nhomogen. b k 19

20 2.8.1 Lösbarket von lnearen Glechungsystemen Wrd an de Koezentenmatrx A enes Glechungssystems ene zusätzlche Spalte mt der rechten Sete b angefügt, so entsteht de erweterte Koezentenmatrx a 11 a a 1n b 1 A b = [ A b ] a 21 a a 2n b 2 = a k1 a k2... a kn b k Satz Das lneare Glechungssystem Ax = b st genau dann lösbar, wenn der Rang der Koezentenmatrx A glech dem Rang der erweterten Koezentenmatrx A b st, d.h. r(a) = r(a b ) Anzahl der Lösungen von lnearen Glechungsystemen Satz Se n de Anzahl der Unbekannten des lnearen Glechungssystems Ax = b. Ist das Glechungssystem lösbar (d.h. r(a) = r(a b )), dann hat es be r(a) = n genau ene Lösung, also de Lösung st endeutg; be r(a) < n unendlch vele Lösungen, de sch mt s = n r(a) Stück fre wählbaren Parametern charakterseren lassen Beschrebung der Lösungen von lnearen Glechungssystemen Sehe ung Skrpt Lösungsmethoden von lnearen Glechungssystemen Lösung durch elementare Basstransformaton Wr betrachten das lneare Glechungssystem n der Form x 1 a 1 + x 2 a x n a n = b, wo a 1,..., a n, b R k st. Das Fnden ener Lösung entsprcht dem Fnden ener Lnearkombnaton der Vektoren a 1,..., a n, de den Vektor b ergbt. Dazu tauschen wr mt Hlfe der elementaren Basstransformaton sovele a Vektoren we nur möglch von a 1,..., a n n de Standardbass e 1,..., e k von R k en. De Koordnaten des Vektors b ändern sch während des Entauschvorgangs ständg. Am Ende des Entauschvorgangs werden de Lösungen bestmmt. Sehe ung. Skrpt für ene engehendere Beschrebung. 20

21 De Cramer'sche Regel Ausgangspunkt für de Cramer'sche Regel st stets en lneares Glechungssystem Ax = b mt genausovelen Glechungen we Unbekannten, d.h. de Koezentenmatrx A st quadratsch. Solch en Glechungssystem st genau dann endeutg lösbar, wenn de Determnante der Koezentenmatrx von Null verscheden st. Se D de Determnante derjengen Matrx, de aus der Koezentenmatrx A entsteht, ndem man de -te Spalte durch den Spaltenvektor b der rechten Sete des Glechungssystems ersetzt. Satz (Cramer'sche Regel) Ist D = det(a) 0 für das Glechungssystem Ax = b mt A R n n, so st es endeutg lösbar, und de Lösung st { x 1 = D 1 D, x 2 = D 2 D,..., x n = D } n. D 2.9 De Inverse ener Matrx Satz De Matrx A R n n hat genau dann ene Inverse, wenn r(a) = n. Bewes.Sehe ung. Skrpt. Satz De Matrx A R n n st genau dann nverterbar,wenn det(a) 0. 21

22 Kaptel 3 Lneare Optmerung (oder: Lneare Programmerung) 3.1 De graphsche Methode Sehe ung. Skrpt. 3.2 Smplex-Verfahren Seen a j R, b R, c j R ( = 1, 2,..., k; j = 1, 2,..., n) belebg festgelegte Zahlen. Betrachten wr das Unglechungssystem a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2,. a k1 x 1 + a k2 x a kn x n b k das enen endlchen Berech (oder de leere Menge) m Vektorraum der n-dmensonalen Spaltenvektoren bestmmt. Ene kürzere Schrebwese st Ax b, wo A = [a j ] bzw. b = [b 1, b 2,..., b k ] de Koezentenmatrx bzw. der Vektor auf der rechten Sete snd. Der Vektor x = [x 1, x 2,..., x n ] benhaltet de Unbekannten. Ene zulässge Lösung des Unglechungssystems Ax b st en Vektor x mt nchtnegatven Enträgen, der de lnearen Bedngungen (Unglechungen) erfüllt. Das Zel st, unter allen zulässgen Vektoren x enen zu nden, der das Skalarprodukt f(x) = c x = c 1 x 1 + c 2 x c n x n maxmert, wo c = [c 1,..., c n ] R n en festgelegter Vektor st. Ist noch zusätzlch b 0, so sprcht man über ene LP-Aufgabe n Normalform. 22

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

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

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

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

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

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

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Determinanten - 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

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

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Fachbereich 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

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

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

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

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

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

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

2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt

2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt Lneare Algebra Wel Gao September Gauss sches Elmnatonsverfahren a x + a x + + a n x n = b a x + a x + + a n x n = b a m x + a m x + + a mnx n = b m Das LGS mt m Glechungen und n Unbekannten n ene erweterte

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

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

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

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

Der starre Körper. 1 Grundlagen. Dominik Fauser. 1.1 Denition. 1.2 Freiheitsgrade

Der starre Körper. 1 Grundlagen. Dominik Fauser. 1.1 Denition. 1.2 Freiheitsgrade Der starre Körper Domnk Fauser 1 Grundlagen 1.1 Denton Als enen starren Körper bezechnet man en System von Massepunkten m, deren Abstände zuenander konstant snd: r j = r r j. Mest betrachtet man ene sehr

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

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

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

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

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

SS 2017 Torsten Schreiber

SS 2017 Torsten Schreiber SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene

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

1 Differentialrechnung in mehreren Variablen

1 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

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

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

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

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

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

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

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

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

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

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

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

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

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

MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen

MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,

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

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 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

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

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

Zusammenfassung der letzten LVA. Diskrete Mathematik

Zusammenfassung der letzten LVA. Diskrete Mathematik Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge

Mehr

Weitere NP-vollständige Probleme

Weitere 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,

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

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

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

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. 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

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

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

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

Bemerkungen zum LCG Rupert Hartung,

Bemerkungen 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

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

Folien zur Vorlesung

Folien zur Vorlesung Folen zur Vorlesung Statstk für Prozesswssenschaften (Tel : Wahrschenlchketsrechnung) U. Römsch http://www.tu-berln.de/fak3/staff/roemsch/homepage.html . WAHRSCHEINLICHKEITSRECHNUNG De Wahrschenlchketsrechnung

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

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 Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz

Mehr

Lineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan

Lineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan Lneare Algebra IIa - 04 orlesung - Pro Dr Danel Roggenkamp & Sen Balnojan 93 Untäre ektorräume hermtesche Form au enem C ektorraum sesqulnear (ant-lnear m ersten lnear m zweten Argument (, w (w, (, 2 R

Mehr

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem 1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.

Mehr

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

4 Die geometrische Darstellung der komplexen

4 Die geometrische Darstellung der komplexen 4 De geometrsche Darstellung der komplexen Zahlen Mt komplexen Zahlen kann man rechnen we mt gewöhnlchen Zahlen. Man kann mt hnen alle quadratschen Glechungen lösen. Aber das st be wetem ncht alles: Komplexe

Mehr

12 UMPU Tests ( UMP unbiased )

12 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

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

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

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

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

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

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

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

3 Elastizitätstheorie

3 Elastizitätstheorie 3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)

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

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

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

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

-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

Komplexe Zahlen. Roger Burkhardt 2008

Komplexe Zahlen. Roger Burkhardt 2008 Komplexe Zahlen Roger Burkhardt (roger.burkhardt@fhnw.ch) 008 Enführung De Unvollkommenhet des Körpers der reellen Zahlen N 1,,,,... snd sowohl { } In der Menge der natürlchen Zahlen Addton we Multplkaton

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen 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

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

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

Kapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation

Kapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),

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

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

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

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

Lineare Regression - Mathematische Grundlagen

Lineare Regression - Mathematische Grundlagen FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr

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

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

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

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

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

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

Einführung in die theoretische Physik 1

Einführung in die theoretische Physik 1 Enführung n de theoretsche hysk 1 rof. Dr. L. Mathey Denstag 15:45 16:45 und Donnerstag 10:45 12:00 Begnn: 23.10.12 Jungus 9, Hörs 2 Mathey Enführung n de theor. hysk 1 1 Grundhypothese der Thermostatk

Mehr

Wahrscheinlichkeit. Für die Berechnung von Wahrscheinlichkeitsproblemen gelten einige Axiome.

Wahrscheinlichkeit. Für die Berechnung von Wahrscheinlichkeitsproblemen gelten einige Axiome. Wahrschenlchket Wahrschenlchket De Axome der Wahrschenlchketsrechnung Zwschen der Anzahl bestmmter Eregnsse, de durch ene gewsse Zufallsvarable gekennzechnet snd, und der Wahrschenlchket für hr Entreten

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

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008. Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple

Mehr