Monte Carlo-Simulation

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Monte Carlo-Simulation"

Transkript

1 Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil eisetzte, um die Wechselwirkug vo Neutroe mit Materie theoretisch vorherzusage. Die Bezeichug ist eie Aspielug auf de für Glücksspiele bekate Ort, da die Grudlage dieser Verfahre Zufallszahle sid, wie ma sie auch mit eiem Roulette-Rad erzeuge köte. Scho damals wurde eie gaze Reihe vo grudlegede Algorithme etwickelt, ud heute zähle Mote Carlo (MC)-Methode zu de wichtigste umerische (ud auch ichtumerische) Verfahre, die sich auf viele aturwisseschaftliche, techische ud mediziische Probleme mit großem Erfolg awede lasse. Dabei ist es gleichgültig, ob das Problem ursprüglich statistischer Natur war oder icht, soder ma wedet die Bezeichug auf alle Verfahre a, bei dee die Verwedug vo Zufallszahle eie etscheidede Rolle spielt. Ei Beispiel dafür ud eie der wichtigste Aweduge schlechthi ist die MC-Itegratio, d.h. die umerische Berechug hochdimesioaler Itegrale, die ja mit Zufall überhaupt ichts zu tu habe müsse. Wahrscheilichkeitstheoretische Grudbegriffe Zufallsvariable Ausgagspukt für wahrscheilichkeitstheoretische Betrachtuge sid die Begriffe (zufälliges) Ereigis ud Wahrscheilichkeit. Uter eiem Elemetarereigis ω versteht ma de mögliche Ausgag eier Messug, Beobachtug usw. (I de Naturwisseschafte verwede wir dafür ger de Begriff Experimet.) Die Gesamtheit der Elemetarereigisse bildet de Ereigisraum Ω. Teilmege A vo Ω, die i.a. mehr als ei Elemetarereigis ethalte köe, werde als Ereigisse bezeichet. So etspreche beim Würfel mit eiem Würfel die sechs mögliche Elemetarereigisse dem Auftrete eier bestimmte Augezahl, währed z.b. das Ereigis gerade Augezahl die Tatsache bezeichet, 2, 4 oder 6 Auge geworfe zu habe. Spezielle Ereigisse sid die leere Mege (das umögliche Ereigis) ud der gaze Ereigisraum (das sichere Ereigis). Etspreched der relative Häufigkeit, mit der sie bei eier große Azahl vo Wiederholuge des Experimets auftrete, defiiert ma für Ereigisse Wahrscheilichkeite P mit de Eigeschafte 0 P (A) 1 P ( ) = 0, P (Ω) = 1 P (A B) P (A) + P (B) Eie Zufallsvariable ist eie Abbildug = P (A) + P (B) we A B = x : Ω R 1

2 die jedem Elemetarereigis eie reelle Zahlewert x(ω) zuordet, z.b. die Körpergröße eier zufällig herausgegriffee Perso. Damit ist auch die Wahrscheilichkeit defiiert, daß x eie bestimmte Wert X aimmt, ämlich mittels Rückführug auf die ursprügliche Wahrscheilichkeite über dem Ereigsraum Ω P (x = X) = P ({ω x(ω) = X}) Ka die Zufallsvariable ur abzählbar viele diskrete Werte X 1, X 2,... aehme, so defiiert ma als Wahrscheilichkeitsverteilug vo x de Satz vo Zahle (Wahrscheilichkeite) für die da gilt p i = P (x = X i ) p i 0 p i = 1 i Ei aderer wichtiger Fall ist der, daß die Zufallsvariable kotiuierliche Werte i eiem Itervall oder auf der gaze reelle Achse aehme ka. Die kumulative Verteilugsfuktio F (X) ist da die Wahrscheilichkeit, daß x eie Wert kleier oder gleich X aimmt mit F (X) = P (x X) F ( ) = 0 ud F (+ ) = 1 We x ur Werte i eiem edliche Itervall aimmt, da werde diese Grezwerte atürlich scho am Rad des Itervalls erreicht. Dazwische ist F (X) eie mooto wachsede Fuktio F(x) x We F differezierbar ist, da läßt sich diese Fuktio als Itegral F (X) = P (x X) = 2 X dx f(x)

3 eier Wahrscheilichkeitsdichte f(x) darstelle, die f(x) 0 dx f(x) = 1 erfüllt. Für kleie dx ist f(x) dx äherugsweise gleich der Wahrscheilichkeit, daß die Zufallsvariable eie Wert im Itervall der Größe dx um x aimmt f(x) x Da sich die Behadlug vo diskrete ud kotiuierliche Zufallsvariable hauptsächlich dadurch uterscheidet, ob ma über Wahrscheilichkeite summiert oder über Wahrscheilichkeitsdichte itegriert, werde im folgede ur kotiuierliche Variable explizit betrachtet. Eiem Elemetarereigis köe auch zwei oder mehrere Zufallsvariable, x, y,..., zugeordet sei (z.b. Orts- ud Geschwidigkeitskompoete eies Gasmoleküls). Im Fall vo kotiuierliche Variable wird da das gleichzeitige Auftrete bestimmter Werte der eizele Variable durch eie multivariate Wahrscheilichkeitsdichte f(x, y,...) beschriebe. Speziell ist bei zwei Variable f(x, y) dx dy wieder die Wahrscheilichkeit, daß die erste Variable eie Wert im Itervall dx um x aimmt ud gleichzeitig die zweite Variable eie Wert im Itervall dy um y. Zwei (oder mehrere) Zufallsvariable heiße statistisch uabhägig, we sich ihre gemeisame Wahrscheilichkeite bzw. Wahrscheilichkeitsdichte ach dem Muster f(x, y) = g(x) h(y) faktorisiere lasse. Dabei sid g(x) ud h(y) die Wahrscheilichkeitsdichte für das Auftrete vo x bzw. y allei (d.h. jeweils ohe Rücksicht auf die adere Variable). Charakterisierug vo Zufallsvariable Die Wahrscheilichkeitsdichte (im diskrete Fall die Wahrscheilichkeitsverteilug) ethält die gesamte Iformatio über eie Zufallsvariable. Oft ist die Wahrscheilichkeitsdichte aber modellmäßig icht bekat oder icht im Detail meßbar, ud ma versucht daher, sie durch abgeleitete, eifacher bestimmbare Größe zu charakterisiere. 3

4 Der Mittelwert (oder Erwartugswert) eier Zufallsvariable x mit Wahrscheilichkeitsdichte f(x) ist defiiert als x = dx f(x) x Das ist der Wert, der sich ergebe würde, we ma x sehr oft mißt ud die Summe der Meßwerte durch die Azahl der Messuge dividiert. Für de Mittelwert verwedet ma ger das Symbol µ, µ = x Die Variaz ist ei Maß für die mögliche Abweichug (Streuug) eier Eizelbeobachtug vom Mittelwert Var(x) = σ 2 = (x x ) 2 = dx f(x) (x x ) 2 Durch Ausquadriere des Itegrade rechet ma leicht ach, daß auch gilt σ 2 = x 2 x 2 Der hier verwedete Erwartugswert vo x 2 ist ei Beispiel für die Momete eier Wahrscheilichkeitsdichte M = x = dx f(x) x Allgemei ist der Erwartugswert eier Fuktio g(x) defiert als g(x) = dx f(x) g(x) Die Korrelatio zweier Variable x ud y wird durch die Kovariaz cov(x, y) = (x x ) (y y ) = xy x y charakterisiert. We x ud y statistisch uabhägig sid, gilt, wie ma ebefalls aus de Defiitioe leicht achrechet, xy = x y bzw. allgemeier g(x)h(y) = g(x) h(y) Parallel zur Kovariaz wird auch der Korrelatioskoeffiziet ρ xy = cov(x, y) σ x σ y verwedet, für de wege der Normierug auf die Variaze vo x ud y gilt 1 ρ xy 1 Oft betrachtet ma auch de Korrelatioskoeffiziete eier Zufallsvariable zu verschiedee Zeitpukte, z.b. zur Zeit i ud eie Zeit k später. We die statistische Eigeschafte 4

5 vo x icht vo der Zeit abhäge, da hägt diese Zeitkorrelatiosfuktio ur vo der Zeitdifferez k, aber icht vo i selbst ab C k = ρ xi,x i+k = cov(x i, x i+k ) = x ix i+k x 2 σ xi σ xi+k x 2 x 2 I der obige Form ist C k bei k = 0 auf 1 ormiert. Da i de meiste Fälle x i+k ach eier gewisse Zeit vo x i statistisch uabhägig ist, gehe Zeitkorrelatiosfuktioe i der Regel für k ach Null. Beispiele Der eifachste Fall eier kotiuierliche Zufallsvariable ist die Gleichverteilug über eiem Itervall [a, b], d.h. x immt alle Werte aus dem Itervall mit der gleiche Wahrscheilichkeit 1 we f(x) = b a 0 sost a x b a. [Der Wert vo f(x) im Iere des Itervalls ergibt sich aus der Normierugsbedigug dx f(x) = 1.] Eie gaze Reihe vo physikalische Prozesse, daruter die Lebesdauer der Kere beim radioaktive Zerfall, werde durch die Expoetialverteilug f(x) = 1 λ e x/λ für x 0 0 sost beschriebe. Die Zufallsvariable x ka hier alle Werte auf der positive relle Achse aehme; allerdigs sid große Werte viel selteer als kleie. Der Erwartugswert vo x ist durch de Parameter λ gegebe. Das wichtigste Modell eier kotiuierliche Zufallsvariable ist jedoch die Gauß- oder Normalverteilug f(x) = 1 [ exp 2πσ ] (x µ)2 2σ 2 Hier ka die Zufallsvariable alle Werte zwische ud + auf der reelle Achse aehme. Der Erwartugswert vo x ist µ, die Variaz σ 2. De Stadardfall µ = 0, σ = 1 bezeichet ma als N(0,1)-Verteilug. Die Normalverteilug spielt icht ur i der Statistik eie zetrale Rolle, auch i der Physik sid z.b. die kartesische Kompoete der Geschwidigkeit vo Gasmoleküle ormalverteilt. Ei Beispiel für eie diskrete Wahrscheilichkeitsverteilug ist die Biomialverteilug B k (, p) = ( ) p k (1 p) k k 5

6 Sie gibt a, mit welcher Wahrscheilichkeit ei Ereigis i uabhägige Beobachtuge geau k-mal auftritt (k = 0, 1, 2,..., ), we p die Wahrscheilichkeit ist, daß das Ereigis bei eier eizele Beobachtug auftritt [ud daher (1 p) die Wahrscheilichkeit, daß es bei eier eizele Beobachtug icht auftritt]. Mittelwert ud Variaz vo k sid hier durch < k >= p bzw. σ 2 = p(1 p) gegebe. Im Limes p 0,, sodaß p λ kostat bleibt, geht die Biomialverteilug i die Poissoverteilug P λ (k) = λk k! e λ für k = 0, 1, 2,..., mit Mittelwert < k >= λ ud Variaz σ 2 = λ über. Sie beschreibt das Auftrete uabhägiger selteer Ereigisse, wie z.b. der Azahl der radioaktive Zerfälle oder Molekülkollisioe i eiem gegebee Zeititervall, wird aber auch i der Warteschlagetheorie zur Modellierug vo Ereigisse wie dem Eitreffe vo Arufe i eier Telephozetrale verwedet. Stichprobe Sid die Wahrscheilichkeitsverteiluge oder -dichte vo Zufallsvariable bekat, so lasse sich daraus im Prizip alle statistische Kegröße wie Mittelwerte, Variaze, Korrelatioe usw. bereche sofer ma ämlich i der Lage ist, die etsprechede mathematische Ausdrücke aalytisch oder umerisch auszuwerte. I der Praxis tritt aber häufig der Fall auf, daß ma zwar ei theoretisches Modell für die Verteilug hat, aber die Parameter icht ket ud daher aus eier Messug bestimme will, oder ma hat überhaupt och keie Vorstellug vo der Form der Verteilug. I diesem Fall ka ma die statistische Kegröße auch mit Hilfe eier Stichprobe schätze. Wir betrachte ei Zufallsexperimet, desse Ausgag durch eie Zufallsvariable x beschriebe wird. Uter eier (uabhägige) Stichprobe vom Umfag {x 1, x 2,..., x } versteht ma eie -fache Wiederholug des Experimets, wobei die Ergebisse i de eizele Experimete eiader icht beeiflusse solle. Mit adere Worte, {x 1, x 2,..., x } ist ei Satz vo Zufallsvariable mit deselbe statistische Eigeschafte wie x, ud x i ud x j sid für i j statistisch uabhägig (x i ist eifach der Wert vo x im i-te Versuch). Die Erzeugug der Stichprobe ka selbst wieder als Zufallsexperimet aufgefaßt werde. Erwartugswerte ud adere statistische Kegröße werde u durch Mittelug über die Stichprobe geschätzt. So ist z.b. der Stichprobemittelwert defiiert als x = 1 x i i=1 Ma erwartet, daß x x 6

7 gilt, wobei x de wahre (aus der evetuell ubekate theoretische Verteilug berechete) Mittelwert vo x bezeichet. Der Stichprobemittelwert ist tatsächlich erwartugstreu, de der Erwartugswert für das Zufallsexperimet Stichprobemittelwert bilde ist x = 1 x i = 1 i x = x i Dies ist zuächst aber ur eie Aussage für de Fall, daß ma uedlich viele Stichprobe erzeuge ud daraus jeweils de Stichprobemittelwert bestimme köte. Der aaloge Asatz für die Variaz (s 2 ) = 1 (x i x) 2 i=1 uterschätzt aber de wahre Wert um eie Faktor ( 1)/, de (s 2 ) = 1 x i 1 x j x i 1 x k i j k = 1 x 2 i 2 x i x j + 1 x i ij 2 j x k = 1 x 2 i 1 x i x j ijk i ij = 1 We ma also als Schätzwert [ x 2 1 ( x 2 + ( 1) x 2)] = 1 s 2 = 1 1 (x i x) 2 i=1 ( x 2 x 2) verwedet, da ist diese Größe kostruktiosgemäß erwartugstreu, d.h. s 2 = σ 2. Eie vollkomme aaloge Rechug ergibt für die Variaz des Stichprobemittelwerts, σ 2 x = ( x x ) 2 folgede Beziehug zur (wahre) Variaz vo x σ 2 x = 1 σ2 x Die Wurzel daraus bezeichet ma als Stadardfehler des Mittelwerts. Da σ 2 x für eie gegebee Zufallsvariable x eie feste Zahl ist, 1 zeigt die letzte Formel, daß auch bei Durchführug ur eier eizige Stichprobe der Stichprobemittelwert ahe am wahre Mittelwert liege wird, we ur der Umfag der Stichprobe hireiched groß ist. 1 Das setzt atürlich voraus, daß σ 2 x < ist. 7

8 Erzeugug vo Zufallszahle am Computer Pseudo-Zufallszahlegeeratore Sowohl zur Simulatio vo Zufallsprozesse im eigetliche Si als auch zur Lösug vieler aderer mathematische Aufgabe ist es wüscheswert, am Computer Stichprobe vo Zufallsvariable erzeuge zu köe. Im Prizip köte ma dazu atürlich echte Zufallsprozesse wie de Zerfall eier radioaktive Quelle oder thermisches Rausche verwede. Abgesehe vo istrumetelle Probleme (ud wer hätte scho ger eie Strahlugsquelle auf dem Schreibtisch), würde sich auf diese Weise aber kaum Zufallszahle i hireicheder Mege ud mit der Geschwidigkeit erzeuge lasse, wie sie vo viele Aweduge verbraucht werde. Außerdem muß es für Testzwecke möglich sei, ei ud dieselbe Folge vo Zufallszahle beliebig oft zu reproduziere. Aus diesem Grud verwedet ma i Simulatioe fast ausschließlich Pseudozufallszahle: Das sid Folge vo Zahle, die zwar durch eie streg determiistische Algorithmus erzeugt werde, aber zufällig aussehe, d.h. gewisse statistische Tests auf Zufälligkeit erfülle. (Daraus folgt auch, daß es für jede Pseudo-Zufallszahlegeerator eie Awedug gebe ka, bei der er sich als icht zufällig geug erweist.) I de meiste Compiler, Iterpreter ud mache Script-Sprache ist wegstes ei (Pseudo)-Zufallszahlegeerator implemetiert, der gleichverteilte Zufallszahle aus dem Itervall [0, 1) liefert. Häufig ist das ei liearer Kogruezgeerator (Modulo-Geerator), der im eifachste Fall ach dem folgede Prizip arbeitet: Es werde gaze Zahle a, c ud m sowie ei Startwert ( Seed ) i 0 < m vorgegebe ud rekursiv die Folge i +1 = (a i + c) mod m ξ +1 = i +1 /m gebildet. Die Zahle a, c ud m sid fest ud bestimme die Eigeschafte des Zufallszahlegeerators. Nach Vorgabe eies (mit gewisse Eischräkuge) beliebige Startwerts i 0 erhält ma durch sukzessives Awede der obige Vorschrift zuächst eie streg determiistische Folge vo gaze Zahle i 0, i 1, i 2,... mit 0 i < m. Die eigetliche Fuktioswerte des Geerators sid die ξ, für die ach Kostruktio 0 ξ < 1 gilt. Auf Grud der Formel ist klar, daß die i höchstes m verschiedee Werte aehme köe; da muß sich die Folge wiederhole. Uter bestimmte Voraussetzuge a die Parameter a, c ud m ka ma erreiche, daß die Periode des Geerators de Maximalwert m erreicht. Da sid die ξ i ihrer Gesamtheit auf jede Fall gleichverteilt auf dem Itervall [0, 1). Je ach Wahl vo a, c ud m erfülle sie auch gewisse Tests auf Zufälligkeit (statistische Uabhägigkeit). Auf keie Fall dürfe jedoch für die Parameter des Geerators x-beliebige Zahle eigesetzt werde. Um sich die Berechug der Modulo-Fuktio zu erspare, wird häufig m = 2 r gesetzt, wo r die Wortläge des Computers i Bits ist (bzw. m = 2 r 1, we icht Zweierkomplemet- Darstellug verwedet, soder das Vorzeiche separat gespeichert wird). I diesem Fall werde vom Ergebis eier Operatio mit gaze Zahle, das eie Overflow, also mehr als 8

9 r Biärstelle, produziert, automatisch ur die iedrigste r Bits gespeichert. Die folgede Tabelle ethält die Parameter für eiige eifache Geeratore. a c m i ugerade ugerade ugerade Der Eitrag i der zweite Zeile ( IBM-Geerator ) war seierzeit auf Großrecher weit verbreitet, ist aber eigetlich ei Gegebeispiel, da die resultierede Zufallszahle stark korreliert sid. Faßt ma ämlich Tripel vo aufeiaderfolgede Fuktioswerte zu Koordiate (ξ, ξ +1, ξ +2 ) im dreidimesioale Eiheitswürfel zusamme, so komme alle diese Pukte auf eier gerige Azahl vo Ebee zu liege. Solche Korrelatioe trete zwar prizipiell immer auf, bei gute Geeratore aber erst i viel höhere Dimesioe. Eifache (i Compiler eigebaute ) Geeratore wie die obige sid zwar für viele Zwecke ausreiched, bei Aweduge, die kritisch vo der Qualität der Zufallszahle abhäge, empfiehlt es sich jedoch, eie gut getestete Geerator aus eier Programmbibliothek zu verwede. Erzeugug icht-gleichverteilter Zufallszahle Währed ma davo ausgehe ka, daß am Computer etweder über de eigebaute Geerator oder eie Bibliotheksfuktio stadardmäßig gleichverteilte Zufallszahle aus dem Itervall [0, 1) zur Verfügug stehe, müsse i der Praxis häufig Zufallsvariable mit eier adere Verteilug simuliert werde. Ist z.b. x eie diskrete Zufallsvariable, die die Werte X 1, X 2,..., X N mit Wahrscheilichkeite p 1, p 2,..., p N aimmt, so ka ma ξ 0 = 0, ξ 1 = p 1, ξ 2 = p 1 + p 2, ξ 3 = p 1 + p 2 + p 3,..., ξ N = 1 setze ud das Eiheitsitervall i eie Folge vo Teilitervalle [ξ 0, ξ 1 ), [ξ 1, ξ 2 ), [ξ 2, ξ 3 ),..., [ξ N 1, ξ N ) zerlege. Da die Wahrscheilichkeit, i das Teilitervall [ξ i 1, ξ i ) zu treffe, gleich seier Läge ξ i ξ i 1 = p i ist, würfelt ma also gleichverteilte Zufallszahle ξ aus [0, 1) ud setzt x = X i, we ξ i 1 ξ < ξ i Diese sogeate iverse Trasformatiosmethode läßt sich im Prizip auch awede, we x abzählbar uedlich viele Werte aimmt. Ma muß da ur das Itervall [0, 1) i uedlich viele (immer kleier werdede) Teilabschitte zerlege. 9

10 Ei weiterer eifacher Fall ist die Simulatio eier gleichverteilte (kotiuierliche) Zufallsvariable x über dem Itervall [a, b). Hier leistet offebar die Trasformatio ξ x = a + ξ(b a) wobei wieder ξ [0, 1) gleichverteilt ist, das Gewüschte. Die Verallgemeierug dieser Trasformatiosmethode für kotiuierliche Zufallsvariable erhalte wir, idem wir zuächst eie beliebige Trasformatio x y(x) betrachte, die streg mooto zuehmed (oder streg mooto abehmed) ud differezierbar sei soll. y ist da ebefalls eie Zufallsvariable, ud die Wahrscheilichkeit, daß y i eiem Itervall [Y 1, Y 2 ) liegt, ist P (Y 1 y < Y 2 ) = P (X 1 x < X 2 ) wobei X 1 ud X 2 die Urbilder vo Y 1 ud Y 2 sid ud der streg mooto zuehmede Fall ageomme wurde. Sid f(x) ud g(y) die Wahrscheilichkeitsdichte vo x ud y, so ergibt sich daraus X2 Y2 x(y2 ) dx f(x) = dy g(y) = dx dy X 1 Y 1 x(y 1 ) dx g(y(x)) ud im Limes X 2 X 1, Y 2 Y 1 I der Form f(x) = dy dx g(y(x)) dy dx = f(x) g(y) ka ma dies als Differetialgleichug für jee Trasformatio asehe, die aus x eie Zufallsvariable y mit vorgegebeer Wahrscheilichkeitsdichte g(y) macht. (Im Fall eier streg mooto abehmede Trasformatio ist die like Seite der letzte Gleichug durch dy/dx zu ersetze.) Soll beispielsweise die Expoetialverteilug mit Hife des eigebaute Zufallszahlegeerators simuliert werde, so sid f(x) = 1 0 x < 1 g(y) = 1 λ e y/λ 0 y < also dy dx = λ ey/λ d(y/λ) e y/λ = dx e y/λ = x + c Die Itegratioskostate ergibt sich aus der Forderug y(0) = 0 zu c = 1. Die Trasformatio x y = λ l(1 x) 10

11 macht also aus der auf [0, 1) gleichverteilte Zufallsvariable x eie expoetialverteilte Variable y auf [0, ). Der größte Nachteil der Trasformatiosmethode, die im wesetliche darauf hiausläuft, die Gleichug G(y) = F (x) für gegebees x ach y aufzulöse, besteht dari, daß ma häufig etweder scho die Stammfuktioe zu f ud g, F ud G, icht aalytisch agebe oder die Gleichug G(y) = F (x) icht ach y auflöse ka. Es gibt aber ebe der Trasformatiosmethode eiige adere allgemei awedbare Verfahre sowie eie Uzahl vo Methode zur Simulatio vo Stichprobe aus spezielle Verteiluge. Mote Carlo-Itegratio Eies der wichtigste we icht das wichtigste Mote Carlo-Verfahre ist eie Methode zur umerische Berechug vo Itegrale, isbesodere i hohe Dimesioe: die sogeate Mote Carlo-Itegratio. Ageomme, es sei das Itegral eier Fuktio g(x) auf dem Itervall [a, b] zu bereche I = b a dx g(x) Spaltet ma vom Itegral die Läge des Itegratiosgebietes, b a, ab b I = (b a) dx 1 a b a g(x) so ka ma de erste Faktor des Itegrade als (korrekt ormierte) Wahrscheilichkeitsdichte 1 we a x b f(x) = b a 0 sost eier auf [a, b] gleichverteilte Zufallsvariable x auffasse. Damit läßt sich aber, abgesehe vo eiem Vorfaktor, das Itegral als Erwartugswert der Fuktio g der Zufallsvariable x iterpretiere I = (b a) dx f(x) g(x) = (b a) g(x) Ka ma das Itegral bzw. de Erwartugswert icht aalytisch bereche, so liegt es ahe, eie Stichprobe ξ 1, ξ 2,..., ξ der Variable x zu erzeuge ud de Erwartugswert vo g(x) durch de Stichprobemittelwert zu approximiere I (b a) g(x) = (b a) 1 g(ξ i ) i=1 Dieser Ausdruck hat große Ählichkeit mit kovetioelle Formel für umerische Itegratio, allerdigs werde hier die Stützpukte zufällig im Itegratiosgebiet gewählt ud icht äquidistat oder i eier adere regelmäßige Aordug. 11

12 Beim obige, aive MC-Itegratio geate Verfahre würfelt ma die Stützstelle gleichverteilt im Itegratiogebiet. Ei allgemeierer Fall liegt vor, we das Itegral vo vorherei die Form I = dx f(x) g(x) hat, mit eier icht-kostate Fuktio f(x) 0, für die dx f(x) < ist. Ma ka da f(x)/ dx f(x) als Wahrscheilichkeitsdichte eier icht-gleichverteilte Zufallsvariable x auffasse ud das Itegral [ I = ] dx f(x) dx [ f(x) dx f(x ) g(x) = wieder durch eie Stichprobemittelwert aäher [ I ] 1 dx f(x) g(ξ i ) i=1 ] dx f(x) g(x) wobei die ξ i jetzt allerdigs eie Stichprobe aus der Wahrscheilichkeitsdichte f(x)/ dx f(x) sei müsse. Dieses Verfahre et ma Importace Samplig. Der große Vorteil vo MC-Itegratiosverfahre besteht dari, daß bei uabhägige Stichprobe vom Umfag die Variaz des Stichprobemittelwerts durch Var(ḡ) = 1 Var(g) gegebe ud der Fehler des Itegrals daher proportioal zu 1/ ist: I = 1 [ ] dx f(x) g 2 g 2 Da diese Beziehug uabhägig vo der Dimesioalität des Itegratiosgebiets ist, sid MC- Verfahre zwar bei iedrig-dimesioale Probleme kovetioalle Itegratiosverfahre uterlege, bei hochdimesioale Itegrale stelle sie jedoch die Methode der Wahl dar. 12

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen: 61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl

Mehr

15.4 Diskrete Zufallsvariablen

15.4 Diskrete Zufallsvariablen .4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet

Mehr

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:

Mehr

Wahrscheinlichkeit & Statistik

Wahrscheinlichkeit & Statistik Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege

Mehr

x 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a)

x 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a) Quatisierug eies skalare Feldes Das Ziel ist eigetlich das elektromagetische Feld zu quatisiere, aber wie ma scho a de MAXWELLsche Gleichuge sehe ka, ist es zu kompliziert, um damit zu begie. Außerdem

Mehr

3. Einführung in die Statistik

3. Einführung in die Statistik 3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung

Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug

Mehr

Zahlenfolgen, Grenzwerte und Zahlenreihen

Zahlenfolgen, Grenzwerte und Zahlenreihen KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:

Mehr

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39 Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle

Mehr

Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I

Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik

Mehr

... a ik) i=1...m, k=1...n A = = ( a mn

... a ik) i=1...m, k=1...n A = = ( a mn Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,

Mehr

Kapitel 6: Statistische Qualitätskontrolle

Kapitel 6: Statistische Qualitätskontrolle Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle

Mehr

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere

Mehr

Musterlösung zu Übungsblatt 2

Musterlösung zu Übungsblatt 2 Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.

Mehr

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis 6. Grudlage der Wahrscheilichkeitsrechug 6.. Defiitioe ud Beispiele Spiele aus dem Alltagslebe: Würfel, Müze, Karte,... u.s.w. sid gut geeiget die Grudlage der Wahrscheilichkeitsrechug darzustelle. Wir

Mehr

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment 103 66 Grudzüge der Fehler- ud Ausgleichsrechug 661 Fehlerarte- Aufgabe der Fehler- ud Ausgleichsrechug Jedes physikalisch-techische Experimet liefert gewisse gemessee Werte x Bei dem Messvorgag verwede

Mehr

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige

Mehr

Statistik und Wahrscheinlichkeitslehre

Statistik und Wahrscheinlichkeitslehre Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 4: Stationäre Prozesse Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud

Mehr

Formelsammlung Mathematik

Formelsammlung Mathematik Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1

Mehr

elektr. und magnet. Feld A 7 (1)

elektr. und magnet. Feld A 7 (1) FachHochschule Lausitz Physikalisches Praktikum α- ud β-strahlug im elektr. ud maget. Feld A 7 Name: Matrikel: Datum: Ziel des Versuches Das Verhalte vo α- ud β-strahlug im elektrische ud magetische Feld

Mehr

Es werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.

Es werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy. Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady

Mehr

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier

Mehr

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung 6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl

Mehr

Versuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE

Versuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE Versuch 3/ NEWTONSCHE INTERFERENZRINGE Blatt NEWTONSCHE INTERFERENZRINGE Die Oberfläche vo Lise hat im allgemeie Kugelgestalt. Zur Messug des Krümmugsradius diet das Sphärometer. Bei sehr flacher Krümmug

Mehr

Kapitel 5: Schließende Statistik

Kapitel 5: Schließende Statistik Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte

Mehr

Stochastik für WiWi - Klausurvorbereitung

Stochastik für WiWi - Klausurvorbereitung Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F

Mehr

Informatik II Dynamische Programmierung

Informatik II Dynamische Programmierung lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit

Mehr

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt 2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:

Mehr

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html

Statistik. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.html Statistik Prof. Dr. K. Melzer kari.melzer@hs-esslige.de http://www.hs-esslige.de/de/mitarbeiter/kari-melzer.html Ihaltsverzeichis 1 Eileitug ud Übersicht 3 2 Dategewiug (kurzer Überblick) 3 2.1 Plaugsphase

Mehr

Kapitel 6: Quadratisches Wachstum

Kapitel 6: Quadratisches Wachstum Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =

Mehr

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete

Mehr

1 Analysis T1 Übungsblatt 1

1 Analysis T1 Übungsblatt 1 Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.

Mehr

Aufgaben und Lösungen der Probeklausur zur Analysis I

Aufgaben und Lösungen der Probeklausur zur Analysis I Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur

Mehr

Die Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac

Die Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac Die Gasgesetze Die Beziehug zwische olume ud Temeratur (Gesetz vo J.-L. Gay-Lussac ud J. Charles): cost. T oder /T cost. cost.. hägt h vo ud Gasmege ab. Die extraolierte Liie scheidet die Temeratur- skala

Mehr

2 Vollständige Induktion

2 Vollständige Induktion 8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes

Mehr

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man: Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes

Mehr

Einführende Beispiele Arithmetische Folgen. Datei Nr SW. Das komplette Manuskript befindet sich auf der Mathematik - CD.

Einführende Beispiele Arithmetische Folgen. Datei Nr SW. Das komplette Manuskript befindet sich auf der Mathematik - CD. ZAHLENFOLGEN Eiführede Beispiele Arithmetische Folge Datei Nr. 400 SW Das komplette Mauskript befidet sich auf der Mathematik - CD Friedrich Buckel Februar 00 Iteratsgymasium Schloß Torgelow Ihalt Eiführede

Mehr

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet Humboldt-Uiversität zu Berli Istitut für Iformatik Logik i der Iformatik Prof. Dr. Nicole Schweikardt Page-Rak: Markov-Kette als Grudlage für Suchmaschie im Iteret Skript zum gleichamige Kapitel der im

Mehr

SUCHPROBLEME UND ALPHABETISCHE CODES

SUCHPROBLEME UND ALPHABETISCHE CODES SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich

Mehr

2. Einführung in die Geometrische Optik

2. Einführung in die Geometrische Optik 2. Eiührug i die Geometrische Optik 2. Allgemeie Prizipie 2.. Licht ud Materie Optische Ssteme werde ür de Spektralbereich zwische dem extreme Ultraviolette ( m) ud dem thermische Irarote (Q-Bad bei 2

Mehr

Eingangsprüfung Stochastik,

Eingangsprüfung Stochastik, Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x

Mehr

Ein kleines Einmaleins über Mittelwertbildungen

Ein kleines Einmaleins über Mittelwertbildungen Vorlesugsergäzug zur Igeieurmathematik R.Brigola Ei kleies Eimaleis über Mittelwertbilduge Grudlage über arithmetische Mittel, geometrische Mittel, harmoische Mittel, quadratische Mittel ud das arithmetisch-geometrische

Mehr

3. Tilgungsrechnung. 3.1. Tilgungsarten

3. Tilgungsrechnung. 3.1. Tilgungsarten schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie

Mehr

2. Gleichwertige Lösungen

2. Gleichwertige Lösungen 8. Gleichwertige Lösuge Für die Lösug jeder lösbare Aufgabe gibt es eie uedliche Azahl vo (abstrakte ud kokrete) Algorithme. Das folgede Problem illustriert, dass eie Aufgabe eifacher oder kompliziert,

Mehr

LV "Grundlagen der Informatik" Programmierung in C (Teil 2)

LV Grundlagen der Informatik Programmierung in C (Teil 2) Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe

Mehr

Aufgaben zur Analysis I

Aufgaben zur Analysis I Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.

Mehr

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =

n (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 = Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:

Mehr

Stichproben im Rechnungswesen, Stichprobeninventur

Stichproben im Rechnungswesen, Stichprobeninventur Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-

Mehr

Nachklausur - Analysis 1 - Lösungen

Nachklausur - Analysis 1 - Lösungen Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:

Mehr

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2

Mehr

Höhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben

Höhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben Expoetielles Wachstum Höhere Fiazmathematik Sehr ausführliches Themeheft (d. h. mit Theorie) Aber auch mit viele Traiigsaufgabe Es hadelt sich um eie Awedug vo Expoetialfuktioe (Wachstumsfuktioe) Datei

Mehr

Elementare Wahrscheinlichkeitsrechnung und Statistik

Elementare Wahrscheinlichkeitsrechnung und Statistik CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar

Mehr

Robuste Asset Allocation in der Praxis

Robuste Asset Allocation in der Praxis Fiazmarkt Sachgerechter Umgag mit Progosefehler Robuste Asset Allocatio i der Praxis Pesiosfods ud adere istitutioelle Aleger sid i aller Regel a ei bestimmtes Rediteziel (Rechugszis) gebude, das Jahr

Mehr

Lerneinheit 2: Grundlagen der Investition und Finanzierung

Lerneinheit 2: Grundlagen der Investition und Finanzierung Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der

Mehr

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist. Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,

Mehr

cubus EV als Erweiterung für Oracle Business Intelligence

cubus EV als Erweiterung für Oracle Business Intelligence cubus EV als Erweiterug für Oracle Busiess Itelligece... oder wie Oracle-BI-Aweder mit Essbase-Date vo cubus outperform EV Aalytics (cubus EV) profitiere INHALT 01 cubus EV als Erweiterug für die Oracle

Mehr

Grundkompetenz-Aufgaben

Grundkompetenz-Aufgaben Durch starte Mathematik übugsbuch bis Grudkompetez-Aufgabe Aufgrud der eue schriftliche Reifeprüfug i Mathematik ist es otwedig, sich mit de eue Grudkompetez-Aufgabe auseiaderzusetze. Die Olie-Ergäzug

Mehr

2 Differentialrechnung und Anwendungen

2 Differentialrechnung und Anwendungen Differetialrechug ud Aweduge Differetialrechug ud Aweduge Der Begriff des Differetialquotiete hat sich i zahlreiche Aweduge ierhalb ud außerhalb der Mathematik als äußerst fruchtbar erwiese. Bestimmug

Mehr

Praktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle

Praktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle Praktikum Vorbereitug Fertigugsmesstechik Statistische Qualitätskotrolle Bei viele Erzeugisse ist es icht möglich jedes Werkstück zu prüfe, z.b.: bei Massefertigug. Hier ist es aus ökoomische Grüde icht

Mehr

Vorkurs Mathematik für Informatiker Folgen

Vorkurs Mathematik für Informatiker Folgen Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,

Mehr

Kunde. Kontobewegung

Kunde. Kontobewegung Techische Uiversität Müche WS 2003/04, Fakultät für Iformatik Datebaksysteme I Prof. R. Bayer, Ph.D. Lösugsblatt 4 Dipl.-Iform. Michael Bauer Dr. Gabi Höflig 17.11. 2003 Abbildug E/R ach relatioal - Beispiel:

Mehr

Bitte schicken Sie mir eine E-mail, wenn Sie einen Fehler gefunden haben 1. Moritz Kaßmann

Bitte schicken Sie mir eine E-mail, wenn Sie einen Fehler gefunden haben 1. Moritz Kaßmann Das folgede Skript zur Vorlesug Spezielle Aspekte der Aalysis für Studierede des Lehramts a Grud, Haupt ud Realschule wird fortlaufed aktualisiert ud verädert werde. Das Skript ethält bei weitem icht alle

Mehr

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier Der atürliche Werkstoff Holz - Statistische Betrachtuge zum uiaxiale Zugversuch am Beispiel vo Furier B. Bellair, A. Dietzel, M. Zimmerma, Prof. Dr.-Ig. H. Raßbach Zusammefassug FH Schmalkalde, 98574 Schmalkalde,

Mehr

7. Potenzreihen und Taylor-Reihen

7. Potenzreihen und Taylor-Reihen 7. Potezreihe ud Taylor-Reihe 39 7. Potezreihe ud Taylor-Reihe Mit Hilfe der Cauchysche Itegralformel wolle wir u i diesem Kapitel ei weiteres sehr zetrales Resultat der Fuktioetheorie herleite, ämlich

Mehr

Wintersemester 2006/2007, Universität Rostock Abgabetermin: spätestens 24.10.2006, 09:00 Uhr. Aufgabe 1.1: (5 P)

Wintersemester 2006/2007, Universität Rostock Abgabetermin: spätestens 24.10.2006, 09:00 Uhr. Aufgabe 1.1: (5 P) Serie Abgabetermi: spätestes 24.0.2006, 09:00 Uhr Aufgabe.: 5 P Zeige Sie, dass das geometrische Mittel icht größer ist als das arithmetische Mittel, d.h., dass für alle Zahle a, b R mit a, b 0 gilt ab

Mehr

Löslichkeitsdiagramm. Grundlagen

Löslichkeitsdiagramm. Grundlagen Grudlage Löslichkeitsdiagramm Grudlage Zur etrachtug des Mischugsverhaltes icht vollstädig mischbarer Flüssigkeite, das heißt Flüssigkeite, die sich icht bei jeder Temperatur i alle Megeverhältisse miteiader

Mehr

Kryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst.

Kryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst. Krytologie: Krytograhie ud Krytoaalyse Krytologie ist die Wisseschaft, die sich mit dem Ver- ud Etschlüssel vo Iformatioe befasst. Beisiel Iteretkommuikatio: Versiegel (Itegrität der Nachricht) Sigiere

Mehr

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen. 3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse

Mehr

Erwartungswert und Varianz bei Verteilungen und Glücksspielen

Erwartungswert und Varianz bei Verteilungen und Glücksspielen HL Saalfelde Erwartugswert / Variaz Seite vo 7 Wilfried Rohm Erwartugswert ud Variaz bei Verteiluge ud Glücksspiele Mathematische / Fachliche Ihalte i Stichworte: Erwartugswerte ud Variaz (Stadardabweichug)

Mehr

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit

SBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur

Mehr

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Credit Risk+ Itegratiossemiar zur BBL ud BWL Witersemester 2002/2003 Oksaa Obukhova lia Sirsikova Credit Risk+ 1 Ihalt. Eiführug i die Thematik B. Ökoomische Grudlage I. Ziele II. wedugsmöglichkeite 1.

Mehr

Transformator. n Windungen

Transformator. n Windungen echische iversität Dresde stitut für Ker- ud eilchephysik R. Schwierz V/5/29 Grudpraktikum Physik Versuch R rasformator rasformatore werde i viele ereiche der Elektrotechik ud Elektroik eigesetzt. Für

Mehr

Behandlung von Messunsicherheiten (Fehlerrechnung)

Behandlung von Messunsicherheiten (Fehlerrechnung) Behadlug vo Messusicherheite (Fehlerrechug). Ermittlug vo Messusicherheite. Messug ud Messusicherheit Die Messug eier physikalische Größe erfolgt durch de Vergleich dieser Größe mit eier Bezugseiheit ach

Mehr

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $ Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,

Mehr

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +

Mehr

Allgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable

Allgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex

Mehr

Reihen Arithmetische Reihen Geometrische Reihen. Datei Nr (Neu bearbeitet und erweitert) Juni Friedrich W. Buckel

Reihen Arithmetische Reihen Geometrische Reihen. Datei Nr (Neu bearbeitet und erweitert) Juni Friedrich W. Buckel Zahlefolge Teil 3 Reihe Reihe Arithmetische Reihe Geometrische Reihe Datei Nr. 4003 (Neu bearbeitet ud erweitert) Jui 005 Friedrich W. Buckel Iteretbibliothek für Schulmathematik Ihalt Defiitio eier Reihe

Mehr

Einführung in die Grenzwerte

Einführung in die Grenzwerte Eiführug i die Grezwerte Dieser Text folgt hauptsächlich der Notwedigkeit i sehr kurzer Zeit eie Idee ud Teile ihrer Awedug zu präsetiere, so dass relativ schell mit dieser Idee gerechet werde ka. Der

Mehr

Beschreibende Statistik Kenngrößen in der Übersicht (Ac)

Beschreibende Statistik Kenngrößen in der Übersicht (Ac) Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur

Mehr

Einführung in die mathematische Statistik

Einführung in die mathematische Statistik Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat

Mehr

8.3. Komplexe Zahlen

8.3. Komplexe Zahlen 8.. Komplee Zhle Wie bereits i 8.. drgestellt, wurde die fortlufede Erweiterug der Zhlbereiche durch die Eiführug immer kompleerer Recheopertioe otwedig:. Auf de türliche Zhle führte der Wusch ch iverse

Mehr

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte. Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste

Mehr

Nennenswertes zur Stetigkeit

Nennenswertes zur Stetigkeit Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit

Mehr

AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3

AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3 INHALTSVERZEICHNIS AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2 Datefluß ud Programmablauf 2 Vorbedigug 3 Nachbedigug 3 Schleifeivariate 3 KONSTRUKTION 4 ALTERNATIVE ENTWURFSMÖGLICHKEITEN 5 EFFEKTIVE

Mehr

1 Vollständige Induktion

1 Vollständige Induktion 1 Vollstädige Idutio 1.1 Idutiosbeweise Das Beweisprizip der vollstädige Idutio ist eies der wichtigste Hilfsmittel der Mathemati icht ur der Aalysis. Es fidet Verwedug bei pratische alle Aussage, die

Mehr

Einige wichtige Ungleichungen

Einige wichtige Ungleichungen Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe

Mehr

Kovarianz und Korrelation

Kovarianz und Korrelation Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio

Mehr

Parameter von Häufigkeitsverteilungen

Parameter von Häufigkeitsverteilungen Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige

Mehr

Der Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten

Der Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten Der Additiossatz ud der Multiplikatiossatz für Wahrscheilichkeite Die Wahrscheilichkeitsrechug befasst sich mit Ereigisse, die eitrete köe, aber icht eitrete müsse. Die Wahrscheilichkeit eies Ereigisses

Mehr

Statistische Modelle und Parameterschätzung

Statistische Modelle und Parameterschätzung Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht

Mehr

Zur Definition. der wirksamen. Wärmespeicherkapazität

Zur Definition. der wirksamen. Wärmespeicherkapazität Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč, Büro für Bauphysik, Schöberg a Kap, Österreich Zur Defiitio der wirksae Wärespeicherkapazität vo Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč Büro für Bauphysik

Mehr

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0

Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0 UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,

Mehr

5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung

5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder

Mehr

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug

Mehr

Byzantinische Einigung im Full-Information-Modell in O(log n) Runden

Byzantinische Einigung im Full-Information-Modell in O(log n) Runden Byzatiische Eiigug im Full-Iformatio-Modell i O(log ) Rude Martia Hüllma Uiversität Paderbor (martiah@upb.de) Zusammefassug. Byzatiische Eiigug stellt ei grudlegedes Problem im Bereich verteilter Systeme

Mehr

Klausur vom

Klausur vom UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit

Mehr

5.3 Wachstum von Folgen

5.3 Wachstum von Folgen 53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische

Mehr