Taylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Taylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe"

Transkript

1 Kapitel 9 Taylorreihen Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 1 / 25 Lernziele Taylorreihe und MacLaurinreihe Beispiele Alternative Schreibweisen Approimation der Veränderung einer Funktion Delta-Methode: Approimation von E[f (X)] Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 2 / 25 Taylorreihe Wenn eine Funktion f () genügend oft differenzierbar ist, kann sie durch ein Polynom n-ter Ordnung approimiert werden. f () f ( 0 ) + f ( 0 ) + f (n) ( 0 ) ( 0 ) + f ( 0 ) ( 0 ) n ( 0 ) 2 + Man sagt, die Funktion f () wird an der Stelle 0 in eine Taylorreihe bis zur Ordnung n entwickelt. durch ein Polynom n-ter Ordnung approimiert (Taylorpolynom). Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 3 / 25

2 Taylorreihe / (2) Bezeichnung: f (k) () bezeichnet die k-te Ableitung von f nach. f (k) ( 0 ) ist der Wert der k-ten Ableitung von f an der Stelle 0. k! heißt k-faktorielle: k! = k. 0! = 1, = 1, = 2, 3! = = 6 Die Approimation ist umso besser (der Fehler ist umso kleiner) je näher an der Entwicklungstelle 0 ist; je größer die Ordnung n ist. Die Koeffizienten des Polynoms sind so gewählt, dass die ersten n Ableitungen mit jener von f übereinstimmen. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 4 / 25 MacLaurinreihe Der Spezialfall mit Entwicklungspunkt 0 = 0 wird auch als MacLaurin-Polynom bezeichnet. f () f (0) + f (0) + f (0) f (n) (0) n Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 5 / 25 Taylorreihe: n = 1 Für n = 1 ergibt sich ein Polynom erster Ordnung (lineare Funktion). f () f ( 0 ) + f ( 0 ) ( 0 ) Man schreibt auch f (). = f ( 0 ) + f ( 0 ) ( 0 ). = bedeutet in erster Näherung. Wenn wir die Näherung verwenden, rechnen wir mit der Tangente der Funktion an der Stelle 0 anstatt mit f. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 6 / 25

3 Beispiel: ep() Taylorentwicklung erster Ordnung von f () = ep() an der Entwicklungsstelle 0 = 0. f () f (0) + f (0) ep() = 1 + f () = ep() f (0) = ep(0) = 1 f () = ep() f (0) = ep(0) = 1 Das Taylorpolynom erster Ordnung von ep() in 0 = 0 ist t() = 1 + Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 7 / 25 Beispiel: log(1 + ) Taylorentwicklung erster Ordnung von f () = log(1 + ) an der Entwicklungsstelle 0 = 0. f () f (0) + f (0) log(1 + ) = f () = log(1 + ) f (0) = log(1) = 0 f () = 1/(1 + ) f (0) = 1/(1 + 0) = 1 Das Taylorpolynom erster Ordnung von log(1 + ) in 0 = 0 ist t() = Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 8 / 25 Graph: ep() und log(1 + ) f () ep() f () log(1 + ) Wir approimieren ep() an der Stelle 0 durch eine Gerade: ep(). = 1 + Wir approimieren log(1 + ) an der Stelle 0 durch eine Gerade. log(1 + ). = Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 9 / 25

4 Anwendung Für alle R gilt: ( lim 1 + n = e n n) = ep() Eine Motivation für diese Beziehung erhalten wir über ( 1 + ) n = e n log(1+/n). = e n (/n) = e n Die Näherung log(1 + ). = ist gut, wenn betragsmäßig klein ist. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 10 / 25 Taylorreihe: n = 2 Für n = 2 ergibt sich ein Polynom zweiter Ordnung (quadratische Funktion). f () f ( 0 ) + f ( 0 ) ( 0 ) + f ( 0 ) ( 0 ) 2 Die Approimation zweiter Ordnung ist in der Regel eine bessere lokale Approimation als die Erste. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 11 / 25 Beispiel: ep() (n = 2) Taylorentwicklung zweiter Ordnung von f () = ep() an der Entwicklungsstelle 0 = 0. f () f (0) + f (0) + f ( 0 ) 2 ep() = f () = ep() f (0) = ep(0) = 1 f () = ep() f (0) = ep(0) = 1 f () = ep() f (0) = ep(0) = 1 Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 12 / 25

5 Beispiel: log(1 + ) (n = 2) Taylorentwicklung zweiter Ordnung von f () = log(1 + ) an der Entwicklungsstelle 0 = 0. f () f (0) + f (0) + f ( 0 ) 2 log(1 + ) = f () = log(1 + ) f (0) = log(1) = 0 f () = 1/(1 + ) = (1 + ) 1 f (0) = 1/(1 + 0) = 1 f () = (1 + ) 2 f (0) = (1 + 0) 2 = 1 Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 13 / 25 Graph: ep() und log(1 + ) f () ep() f () log(1 + ) ep() log(1 + ) 2 2 Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 14 / 25 Wichtige Taylorreihen ( 0 = 0) Eponentialfunktion ep() = ! +... Logarithmus log(1 + ) = Sinus sin() = 3 3! + 5 5! 7 7! + Kehrwert 1 1 = Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 15 / 25

6 Alternative Schreibweise: h = ( 0 ) Wir heben die Veränderung ( 0 ) hervor, indem wir sie mit h (= ( 0 )) bezeichnen. Die Entwicklungsstelle bezeichnen wir als. f ( + h) f () + f () h + f () h f (n) () h n 0 wird durch ersetzt, ( 0 ) durch h, und durch ( + h). Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 16 / 25 Alternative Schreibweise: = ( 0 ) Schreiben Taylorreihe mit anstatt h. f ( + ) f () + f () + f () ( ) f (n) () ( ) n bezeichnet die Änderung von. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 17 / 25 Approimation für f = f ( + ) f () Wir f () auf die linke Seite. Erhalten damit eine Entwicklung für die Veränderung der Funktion. f () = f ( + ) f () bezeichnet die Änderung von f () (wenn sich um ändert) Wir vergleichen den Funktionswert an der Stelle mit dem bei ( + ). f () f () + f () ( ) f (n) () ( ) n Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 18 / 25

7 Approimation für f in 1. Näherung In erster Näherung gibt sich mit f () = f ( + ) f () f (). = f () Die Veränderung des Funktionswertes wird gut durch die Ableitung an der Stelle mal der Schrittweite,, beschrieben. (Steigung der Tangente mal Schrittweite) Diese diskrete Approimation einer stetigen Funktion werden wir im Folgenden etensiv verwenden. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 19 / 25 Beispiel: log(1 + ) In erster Näherung gibt sich für f () f (). = Änderung von f () = log(1 + ) an der Stelle = 2: f (2) = f (2 + ) f (2). = = 1 3 Wenn wir von 2 nach 2.5 gehen erhalten wir = 1/2 und f (2) = [f ( ) f (2)]. = = 1 6 Die Änderung der Funktion beträgt zwischen 2 und 2.5 ungefähr 1/6. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 20 / 25 Delta-Methode: Approimation von E[f (X)] Sei X eine ZV mit E(X) = µ und V(X) = σ 2. f (X) sei eine (nicht-lineare) Funktion in X. Die Delta-Methode approimiert den Erwartungswert der nicht-linearen Funktion, E[f (X)], in dem die Funktion in eine Taylorreihe bis zu einer (niedrigen) Potenz entwickelt und anschließend von dieser der Erwartungswert berechnet wird. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 21 / 25

8 Approimation 1. Ordnung Wir entwickeln f an der Stelle µ. Also 0 = µ: f (X). = f (µ) + f (µ) (X µ) E[f (X)] f (µ) und V[f (X)] f (µ) 2 σ 2 Aus den Rechenregeln für Linearkombinationen von Zufallsvariablen erhalten wir: E[f (X)]. = E[f (µ) + f (µ) (X µ)] = E[f (µ)] + f (µ) E[(X µ)] = f (µ) V[f (X)]. = V[f (µ) + f (µ) (X µ)] = f (µ) 2 σ 2 Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 22 / 25 Approimation 2. Ordnung Wir entwickeln f an der Stelle µ. Also 0 = µ: f (X) =. f (µ) + f (µ) (X µ) + f (µ) (X µ) 2 Dann erhalten wir für den Erwartungswert E[f (X)] f (µ) f (µ) σ 2 und für die Varianz unter der Annahme, dass X normal verteilt ist, X N(µ, σ 2 ), V[f (X)] f (µ) 2 σ f (µ) 2 σ 4 Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 23 / 25 Approimation 2. Ordnung / Herleitung Erwartungswert: E[f (X)] E[f (µ) + f (µ) (X µ) + f (µ) (X µ) 2 ] = E[f (µ)] + f (µ) E[(X µ)] f (µ) E[(X µ) 2 ] = f (µ) + f (µ) (E[X] µ) f (µ) V[X] 2 = f (µ) f (µ) σ 2 Für die Varianz benötigen wir das 3. und 4. Moment der Normalverteilung, E[(X µ) 3 ] und E[(X µ) 4 ]. Diese sind E[(X µ) 3 ] = 0 und E[(X µ) 4 ] = 3 σ 4 Das 3. Moment ( Schiefe ) ist Null, da die Normalverteilung symmetrisch ist. (Wir leiten aber die Beziehung für die Varianz nicht her.) Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 24 / 25

9 Beispiel: ep(x) Sei f (X) = ep(x) und X N(µ, σ 2 ): Approimation 1. Ordnung: E[f (X)] ep(µ) und V[f (X)] ep(µ) 2 σ 2 Approimation 2. Ordnung: E[f (X)] ep(µ) ep(µ) σ2 = ep(µ) (1 + σ 2 /2) V[f (X)] ep(µ) 2 σ ep(µ)2 σ 4 = ep(2 µ) σ 2 (1 + σ 2 /2) Bemerkung: Die ZV Y = ep X ist lognormal verteilt. Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 25 / 25

Approximation durch Polynome

Approximation durch Polynome durch n Anwendungen: zur Vereinfachung einer gegebenen Funktion durch einen Polynomausdruck. Dann sind übliche Rechenoperation +,,, / möglich. zur Interpolation von Daten einer Tabelle n Beispiel Trotz

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

Mehr

April (Voll-) Klausur Analysis I für Ingenieure. Rechenteil

April (Voll-) Klausur Analysis I für Ingenieure. Rechenteil April (Voll-) Klausur Analysis I für Ingenieure en Rechenteil Aufgabe 7 Punkte (a) Skizzieren Sie die 4-periodische Funktion mit f() = für und f() = für (b) Berechnen Sie für diese Funktion die Fourierkoeffizienten

Mehr

Dierentialrechnung mit einer Veränderlichen

Dierentialrechnung mit einer Veränderlichen Dierentialrechnung mit einer Veränderlichen Beispiel: Sei s(t) die zum Zeitpunkt t zurückgelegte Wegstrecke. Dann ist die durchschnittliche Geschwindigkeit zwischen zwei Zeitpunkten t 1 und t 2 gegeben

Mehr

Fehlerabschätzung für Taylorpolynome der e-funktion

Fehlerabschätzung für Taylorpolynome der e-funktion Fehlerabschätzung für Talorpolnome der e-funktion f() = e R () = e g() = ++ - -. Wir approimieren die Funktion f() = e durch g() = +! +! und schätzen den Fehler R() auf dem Intervall [,] ab. Sei also e

Mehr

Freie Universität Berlin Wintersemester 11/12 Fachbereich Mathematik und Informatik Institut für Mathematik Dr. A. Linke

Freie Universität Berlin Wintersemester 11/12 Fachbereich Mathematik und Informatik Institut für Mathematik Dr. A. Linke Freie Universität Berlin Wintersemester / Fachbereich Mathematik und Informatik Institut für Mathematik Dr. A. Linke Musterlösung zum. Übungsblatt zur Vorlesung Mathematik für Physiker I Differenzierbarkeit,

Mehr

Angewandte Mathematik und Programmierung

Angewandte Mathematik und Programmierung Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens WS 2013/14 Oft können wir bestimmte mathematische Funktionen nicht genau

Mehr

Animation: Approximation von sin(x) durch Polynome 1-25.Grades

Animation: Approximation von sin(x) durch Polynome 1-25.Grades of 1 19/03/14 09:00 Taylorpolynome zurück Approximation durch Polynome höheren Grades Erklärung Bis jetzt haben wir Funktionen nur durch Polynome 1. und 2.Grades approximiert, nämlich durch die Tangentengerade

Mehr

Polynomiale Approximation. und. Taylor-Reihen

Polynomiale Approximation. und. Taylor-Reihen Polynomiale Approximation und Taylor-Reihen Heute gehts um die Approximation von glatten (d.h. beliebig oft differenzierbaren) Funktionen f nicht nur durch Gerade (sprich Polynome vom Grade 1) und Polynome

Mehr

( ) Dann gilt f(x) g(x) in der Nähe von x 0, das heisst. Für den Fehler r(h) dieser Näherung erhält man unter Verwendung von ( )

( ) Dann gilt f(x) g(x) in der Nähe von x 0, das heisst. Für den Fehler r(h) dieser Näherung erhält man unter Verwendung von ( ) 64 Die Tangente in x 0 eignet sich also als lokale (lineare) Näherung der Funktion in der Nähe des Punktes P. Oder gibt es eine noch besser approximierende Gerade? Satz 4.9 Unter allen Geraden durch den

Mehr

Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38

Dynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38 Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate

Mehr

Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29

Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29 Dynamische Systeme und Zeitreihenanalyse Komplexe Zahlen Kapitel 3 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.0/29 Motivation Für die

Mehr

4.4 Taylorentwicklung

4.4 Taylorentwicklung 4.4. TAYLORENTWICKLUNG 83 4.4 Taylorentwicklung. Definitionen f sei eine reellwertige m + -mal stetig differenzierbare Funktion der n Variablen x bis x n auf einem Gebiet M R n. Die Verbindungsgerade der

Mehr

4. Verteilungen von Funktionen von Zufallsvariablen

4. Verteilungen von Funktionen von Zufallsvariablen 4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten

Mehr

P n (1) P j (1) + ε 2, j=0. P(1) P j (1) + ε 2 < ε. log(1+x) =

P n (1) P j (1) + ε 2, j=0. P(1) P j (1) + ε 2 < ε. log(1+x) = Zu ε > 0 gibt es ein N N mit P n (1) P j (1) < ε/2 für j,n > N, also gilt Es folgt (1 x) n 1 j=n+1 und schließlich mit n x j P n (1) P j (1) (1 x) ε 2 P n (1) P n (x) (1 x) P(1) P(x) (1 x) für x hinreichend

Mehr

Lösen von Differentialgleichungen durch Reihenentwicklung

Lösen von Differentialgleichungen durch Reihenentwicklung Lösen von Differentialgleichungen durch Reihenentwicklung Thomas Wassong FB17 Mathematik Universität Kassel 30. April 2008 Einführung Reihen in der Mathematik Reihen zum Lösen von Differentialgleichungen

Mehr

Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),

Der Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ), 2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist

Mehr

Kapitel VII. Einige spezielle stetige Verteilungen

Kapitel VII. Einige spezielle stetige Verteilungen Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,

Mehr

1 Höhere Ableitungen 2. 2 Mittelwertsatz und Monotonie 3. 3 Konvexe und konkave Funktionen 5. 4 Lokale und globale Extremalstellen 7

1 Höhere Ableitungen 2. 2 Mittelwertsatz und Monotonie 3. 3 Konvexe und konkave Funktionen 5. 4 Lokale und globale Extremalstellen 7 Universität Basel 4 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Kurvendiskussionen Inhaltsverzeichnis 1 Höhere Ableitungen 2 2 Mittelwertsatz und

Mehr

Der Taylorsche Satz Herleitung und Anwendungen

Der Taylorsche Satz Herleitung und Anwendungen Der Taylorsche Satz Herleitung und Anwendungen Joachim Schneider Juni 2004 Zusammenfassung Es wird ein enfacher Beweis des Taylorsche Satz über die lokale Approximierbarkeit hinreichend glatter Funktionen

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [random variable] Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Reelle Zufallsvariablen

Reelle Zufallsvariablen Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen

Mehr

Vorlesung: Analysis I für Ingenieure

Vorlesung: Analysis I für Ingenieure Vorlesung: Analysis I für Ingenieure Michael Karow Thema: Satz von Taylor Die Taylor-Entwicklung I Satz von Taylor. Sei f : R D R an der Stelle x n-mal differenzierbar. Dann gilt für x D, n f (k) (x )

Mehr

Charakteristische Funktionen

Charakteristische Funktionen Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die

Mehr

GMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida

GMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?

Mehr

1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung.

1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. 1. Wahrscheinlichkeitsverteilungen und Versicherungsanwendungen 1.1 Wichtige diskrete Verteilungen a. Poisson-Verteilung. Sei N eine zufällige Variable, ist ein Poisson-Verteilung mit Parameter λ definiert

Mehr

Musterlösungen zu Blatt 15, Analysis I

Musterlösungen zu Blatt 15, Analysis I Musterlösungen zu Blatt 5, Analysis I WS 3/4 Inhaltsverzeichnis Aufgabe 85: Konvergenzradien Aufgabe 86: Approimation von ep() durch Polynome Aufgabe 87: Taylorreihen von cos 3 und sin Aufgabe 88: Differenzenquotienten

Mehr

Satz von Taylor Taylorreihen

Satz von Taylor Taylorreihen Satz von Taylor Taylorreihen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de Tangente als Näherung Weil sich anschaulich die Tangente anschmiegt, ist die Tangentenfunktion

Mehr

2. Mathematische Grundlagen

2. Mathematische Grundlagen 2. Mathematische Grundlagen Erforderliche mathematische Hilfsmittel: Summen und Produkte Exponential- und Logarithmusfunktionen 21 2.1 Endliche Summen und Produkte Betrachte n reelle Zahlen a 1, a 2,...,

Mehr

Differentialrechnung

Differentialrechnung Kapitel 7 Differentialrechnung Josef Leydold Mathematik für VW WS 205/6 7 Differentialrechnung / 56 Differenzenquotient Sei f : R R eine Funktion. Der Quotient f = f ( 0 + ) f ( 0 ) = f () f ( 0) 0 heißt

Mehr

10 Differentialrechnung für Funktionen in mehreren Variablen

10 Differentialrechnung für Funktionen in mehreren Variablen 6 Differentialrechnung für Funktionen in mehreren Variablen Die meisten Funktionen in den Naturwissenschaften hängen von mehreren Variablen ab. In diesem Kapitel behandeln wir deshalb Methoden zur Untersuchung

Mehr

Taylorentwicklung von Funktionen einer Veränderlichen

Taylorentwicklung von Funktionen einer Veränderlichen Taylorentwicklung von Funktionen einer Veränderlichen 17. Januar 2013 KAPITEL 1. MATHEMATISCHE GRUNDLAGEN 1 Kapitel 1 Mathematische Grundlagen 1.1 Stetigkeit, Differenzierbarkeit und C n -Funktionen Der

Mehr

70 Wichtige kontinuierliche Verteilungen

70 Wichtige kontinuierliche Verteilungen 70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche

Mehr

Funktionenklassen. Einiges, was wir bisher über Funktionen gelernt haben kann auf alle Funktionen übertragen werden.

Funktionenklassen. Einiges, was wir bisher über Funktionen gelernt haben kann auf alle Funktionen übertragen werden. R. Brinkmann http://brinkmann-du.de Seite 0.0.008 Einführung: Funktionenklassen Bisher haben wir nur ganzrationale Funktionen kennen gelernt. Sie gehören zu der Klasse der Rationalen Funktionen. In der

Mehr

(x a) 3 + f (a) 4! x 4 4! Wir werden im Folgenden vor allem Maclaurin-Reihen betrachten, dies alles funktioniert aber auch. f (x) = sin x f (0) = 0

(x a) 3 + f (a) 4! x 4 4! Wir werden im Folgenden vor allem Maclaurin-Reihen betrachten, dies alles funktioniert aber auch. f (x) = sin x f (0) = 0 Taylor-Reihen Einführung Mathematik GLF / 6 Christian Neukirchen Oft können wir bestimmte mathematische Funktionen nicht genau ausrechnen, besonders die trigonometrischen Funktionen wie, cos x, oder die

Mehr

Kapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen

Kapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen Kapitel 8 Erwarteter Nutzen Josef Leydold c 2006 Mathematische Methoden VIII Erwarteter Nutzen / 27 Lernziele Nutzenfunktion zur Risikobewertung Erwarteter Nutzen Maße für Risikoaversion Indifferenzkurven

Mehr

Differentialrechnung

Differentialrechnung Katharina Brazda 5. März 007 Inhaltsverzeichnis Motivation. Das Tangentenproblem................................... Das Problem der Momentangeschwindigkeit.......................3 Differenzenquotient und

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als

Mehr

27 Taylor-Formel und Taylor-Entwicklungen

27 Taylor-Formel und Taylor-Entwicklungen 136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung 4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt

Mehr

12. Stetigkeit und Differenzierbarkeit.

12. Stetigkeit und Differenzierbarkeit. 2- Funktionen 2 Stetigkeit und Differenzierbarkeit Wenn man von Analsis spricht, so meint man die Untersuchung von Funktionen in einer oder oder in mehreren Variablen, vor allem denkt man an das Differenzieren

Mehr

6.6 Poisson-Verteilung

6.6 Poisson-Verteilung 6.6 Poisson-Verteilung Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Anzahl von zufälligen Vorkommnissen in einem bestimmten räumlichen oder zeitlichen Abschnitt

Mehr

Mathematik für Bauingenieure

Mathematik für Bauingenieure Mathematik für Bauingenieure von Kerstin Rjasanowa 1. Auflage Mathematik für Bauingenieure Rjasanowa schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Hanser München 2006 Verlag C.H.

Mehr

Mathematik Übungsblatt - Lösung. b) x=2

Mathematik Übungsblatt - Lösung. b) x=2 Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Sommersemester 204 Technische Informatik Bachelor IT2 Vorlesung Mathematik 2 Mathematik 2 4. Übungsblatt - Lösung Differentialrechnung

Mehr

Mathematik 3 für Informatik

Mathematik 3 für Informatik Gunter Ochs Sommersemester 0 Mathematik 3 für Informatik Hausaufgabenblatt Lösungshinweise ohne Garantie auf Fehlerfeiheit). Seien f ) = { {, falls, falls und f ) =. ln, falls a) Skizzieren

Mehr

Statistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management

Statistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

7.2 Moment und Varianz

7.2 Moment und Varianz 7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p

Mehr

Nichtlineare Gleichungssysteme

Nichtlineare Gleichungssysteme Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung

Mehr

Der Satz von Taylor. Kapitel 7

Der Satz von Taylor. Kapitel 7 Kapitel 7 Der Satz von Taylor Wir haben bereits die Darstellung verschiedener Funktionen, wie der Exponentialfunktion, der Cosinus- oder Sinus-Funktion, durch unendliche Reihen kennen gelernt. In diesem

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften

Mehr

Stichproben Parameterschätzung Konfidenzintervalle:

Stichproben Parameterschätzung Konfidenzintervalle: Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,

Mehr

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder

Mehr

Vorwort Abbildungsverzeichnis Teil I Mathematik 1

Vorwort Abbildungsverzeichnis Teil I Mathematik 1 Inhaltsverzeichnis Vorwort Abbildungsverzeichnis V XIII Teil I Mathematik 1 1 Elementare Grundlagen 3 1.1 Grundzüge der Mengenlehre... 3 1.1.1 Darstellungsmöglichkeiten von Mengen... 4 1.1.2 Mengenverknüpfungen...

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige Verteilungen Rechteckverteilung Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a

Mehr

5. Spezielle stetige Verteilungen

5. Spezielle stetige Verteilungen 5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für

Mehr

Maclaurinsche Reihe 1-E1. Ma 2 Lubov Vassilevskaya

Maclaurinsche Reihe 1-E1. Ma 2 Lubov Vassilevskaya Maclaurinsche Reihe 1-E1 Colin Maclaurin Colin Maclaurin (1698-1746), schottischer Mathematiker, der Erfinder der nach ihm benannten Maclaurinschen Reihe und Mitentwickler der Euler-Maclaurin-Formel. 1-E

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert

Mehr

Überblick. Kapitel 7: Anwendungen der Differentialrechnung

Überblick. Kapitel 7: Anwendungen der Differentialrechnung Überblick Kapitel 7: Anwendungen der Differentialrechnung 1 Beispiel 1: Kapitel 7.1: Implizites Differenzieren 1 Beispiel 1: Steigung der Tangente Kapitel 7.1: Implizites Differenzieren 2 Beispiel 1: Steigung

Mehr

Gegeben: Die beiden Funktionen (a x) 2, 0 x < 1

Gegeben: Die beiden Funktionen (a x) 2, 0 x < 1 SoSe 216 H-Aufgaben sind weiteres, bunt gemischtes Übungsmaterial, das teilweise auch, wenn die Zeit reicht, in den Tutorien besprochen wird. Im Laufe des Semesters erhalten Sie zu diesen Aufgaben Ergebniskontrollen

Mehr

Stetige Standardverteilungen

Stetige Standardverteilungen Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung

Mehr

Diskutiere die Funktion f(x) - Nullstellen, Extremwerte, Wendepunkte, Graph. f ( x) = 1 8 ( x3 +3 x 2 9 x+5) x f ( x) = 3 8 ( x2 +2 x 3)

Diskutiere die Funktion f(x) - Nullstellen, Extremwerte, Wendepunkte, Graph. f ( x) = 1 8 ( x3 +3 x 2 9 x+5) x f ( x) = 3 8 ( x2 +2 x 3) Kurvendiskussion Diskutiere die Funktion f(x) - Nullstellen, Extremwerte, Wendepunkte, Graph f ( x) = 1 8 x3 + 3 8 x2 9 8 x+5 8 Zuerst berechne ich die Ableitungen. Außerdem hebe ich so weit wie möglich

Mehr

ur Ingenieure (Maschinenbau und Sicherheitstechnik) 2. Semester Apl. Prof. Dr. G. Herbort Dr. T. Pawlaschyk

ur Ingenieure (Maschinenbau und Sicherheitstechnik) 2. Semester Apl. Prof. Dr. G. Herbort Dr. T. Pawlaschyk Mathematik f ur Ingenieure (Maschinenbau und Sicherheitstechnik) 2. Semester Apl. Prof. Dr. G. Herbort Dr. T. Pawlaschyk www.math.uni-wuppertal.de/ herbort SoSe16 Arbeitsheft Blatt 1 Tutorium Hinweis:

Mehr

1 Funktionen und ihre Ableitungen

1 Funktionen und ihre Ableitungen 1 Funktionen und ihre Ableitungen 1.1 Funktionen Wir nennen eine Grösse y eine Funktion von x, wenn der Wert von y von demjenigen von x abhängt: Zu jedem x wird in eindeutiger Weise ein Wert von y zugeordnet.

Mehr

5 Numerische Mathematik

5 Numerische Mathematik 6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul

Mehr

Verteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen. Hypergeometrische Verteilung Poissonverteilung

Verteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen. Hypergeometrische Verteilung Poissonverteilung Verteilungen eindimensionaler diskreter Zufallsvariablen Diskrete Verteilungen Hypergeometrische Verteilung Approimationen Typisierung der diskreten theoretischen Verteilungen Bibliografie: Prof. Dr. Kück

Mehr

7. LINEARISIERUNG UND DAS DIFFERENTIAL

7. LINEARISIERUNG UND DAS DIFFERENTIAL 63 Dieses Skript ist ein Auszug mit Lücken aus Einführung in die mathematische Behandlung der Naturwissenschaften I von Hans Heiner Storrer, Birkhäuser Skripten. Als StudentIn sollten Sie das Buch auch

Mehr

Differentialrechnung. Kapitel 7. Differenzenquotient. Graphische Interpretation des Differentialquotienten. Differentialquotient

Differentialrechnung. Kapitel 7. Differenzenquotient. Graphische Interpretation des Differentialquotienten. Differentialquotient Differenzenquotient Sei f : R R eine Funktion. Der Quotient Kapitel 7 Differentialrecnung f f 0 + f 0 f f 0 0 eißt Differenzenquotient an der Stelle 0. f, f Sekante 0, f 0 f 0 Josef Leydold Matematik für

Mehr

Karteikarten, Analysis 2, Sätze und Definitionen nach der Vorlesung von PD Hanke

Karteikarten, Analysis 2, Sätze und Definitionen nach der Vorlesung von PD Hanke Karteikarten, Analysis 2, Sätze und en nach der Vorlesung von PD Hanke Felix Müller, felix.b.mueller@physik.lmu.de Diese Karteikärtchen sollten alle en und Sätze der Vorlesung Analysis 2 bei Herrn PD Hanke

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz

Mehr

Verteilung von Summen

Verteilung von Summen Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel

Mehr

K3 K2 K x. plot x 2 C x K 2, x = K3..2 ;

K3 K2 K x. plot x 2 C x K 2, x = K3..2 ; Einige Graphen spezieller Funktionen Lineare Funktion: f = a C b. Der Graph ist eine Gerade (Linie), der Koeffizient a bei gibt die Steigung der Geraden (den Tangens des Winkels, den die Gerade mit der

Mehr

28. Lineare Approximation und Differentiale

28. Lineare Approximation und Differentiale 28. Lineare Approximation und Differentiale Sei y = f(x) differenzierbar. Die Gleichung der Tangente t im Punkt x 0 lautet t : y f(x 0 ) = f (x 0 )(x x 0 ) Für x nahe bei x 0 können wir f(x) durch den

Mehr

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch.

von x-würfeln bei wachsendem n? Zur Beantwortung führen wir ein Simulationsexperiment durch. Zentraler Grenzwertsatz Die Normalverteilung verdankt ihre universelle theoretische und praktische Bedeutung dem zentralen Grenzwertsatz. Unabhängig von der konkreten k Ausgangsverteilung konvergiert die

Mehr

Die Taylorreihe einer Funktion

Die Taylorreihe einer Funktion Kapitel 6 Die Taylorreihe einer Funktion Dieser Abschnitt beschäftigt sich mit Taylorreihen, Taylorpolynomen und der Restgliedabschätzung für Taylorpolynome. Die Taylorreihe einer reellen Funktion ist

Mehr

Unabhängige Zufallsvariablen

Unabhängige Zufallsvariablen Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition

Mehr

2.4 Exponential - und Logarithmus - Funktionen

2.4 Exponential - und Logarithmus - Funktionen 25.05.20 2.4 Eponential - und Logarithmus - Funktionen Mit Hilfe der Potenz a t definiert man eine weitere Funktionsart, indem man statt der Basis den Eponenten durch die Variable ersetzt: Für a ε R >

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel VII - Funktion und Transformation von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl

Mehr

Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung

Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/

Mehr

1.4 Stichproben aus einer Normalverteilung

1.4 Stichproben aus einer Normalverteilung 1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte

Mehr

Mathematik für Physiker und Ingenieure 1

Mathematik für Physiker und Ingenieure 1 Springer-Lehrbuch Mathematik für Physiker und Ingenieure 1 Basiswissen für das Grundstudium - mit mehr als 1400 Aufgaben und Lösungen online Bearbeitet von Klaus Weltner 1. Auflage 2012. Buch. IX, 301

Mehr

Lösungen der Aufgaben zu Kapitel 9

Lösungen der Aufgaben zu Kapitel 9 Lösungen der Aufgaben zu Kapitel 9 Abschnitt 9. Aufgabe a) Wir bestimmen die ersten Ableitungen von f, die uns dann das Aussehen der k-ten Ableitung erkennen lassen: fx) = x + e x xe x, f x) = e x e x

Mehr

Kapitel 16 : Differentialrechnung

Kapitel 16 : Differentialrechnung Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 1 Stetige Zufallsvariablen 1.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer 3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich

Mehr

7.2.1 Zweite partielle Ableitungen

7.2.1 Zweite partielle Ableitungen 72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,

Mehr

68 Abschätzungen für Abweichungen vom Erwartungswert

68 Abschätzungen für Abweichungen vom Erwartungswert 68 Abschätzungen für Abweichungen vom Erwartungswert 68.1 Motivation Mit der Varianz bzw. Standardabweichungen kennen wir bereits ein Maß für die Fluktuation einer Zufallsvariablen um ihren Erwartungswert.

Mehr

Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler

Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Von Professor Dr. Gert Heinrich 3., durchgesehene Auflage R.Oldenbourg Verlag München Wien T Inhaltsverzeichnis

Mehr

Brückenkurs Rechentechniken

Brückenkurs Rechentechniken Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige

Mehr

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann

Eine Zufallsvariable X sei stetig gleichverteilt im Intervall [0,5]. Die Wahrscheinlichkeit P(2< x <4) ist dann 4. Übung Themenkomplex: Zufallsvariablen und ihre Verteilung Aufgabe 1 Für eine stetige Zufallsvariable gilt: a) P (x = t) > 0 b) P (x 1) = F (1) c) P (x = 1) = 0 d) P (x 1) = 1 F(1) e) P (x 1) = 1 F(1)

Mehr

$Id: stetig.tex,v /02/10 17:31:38 hk Exp $ $Id: diffb.tex,v /02/10 17:50:21 hk Exp hk $

$Id: stetig.tex,v /02/10 17:31:38 hk Exp $ $Id: diffb.tex,v /02/10 17:50:21 hk Exp hk $ Mathematik für Ingenieure I, WS 008/009 Dienstag 0. $Id: stetig.te,v.5 009/0/0 7:3:38 hk Ep $ $Id: diffb.te,v. 009/0/0 7:50: hk Ep hk $ III. Analysis 3 Stetige Funktionen 3.4 Umkehrfunktionen Zum Abschluss

Mehr

5. Stichproben und Statistiken

5. Stichproben und Statistiken 5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)

Mehr

15.5 Stetige Zufallsvariablen

15.5 Stetige Zufallsvariablen 5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven

Mehr

2 Aufgaben aus [Teschl, Band 2]

2 Aufgaben aus [Teschl, Band 2] 20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:

Mehr

Analysis 1 für Informatiker (An1I)

Analysis 1 für Informatiker (An1I) Hochschule für Technik Rapperswil Analysis 1 für Informatiker (An1I) Stand: 2012-11-13 Inhaltsverzeichnis 1 Funktionen 3 1.1 Gerade, ungerade und periodische Funktionen..................... 3 1.2 Injektive,

Mehr

0, t 0,5

0, t 0,5 XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------

Mehr