Inhalt. Einführung. Deterministische Mosaike. Zufällige Mosaike. Mathematische Analyse. Statistik. Schluss

Größe: px
Ab Seite anzeigen:

Download "Inhalt. Einführung. Deterministische Mosaike. Zufällige Mosaike. Mathematische Analyse. Statistik. Schluss"

Transkript

1 Zufällige Mosaike: Eine Einführung Zhanlong Tao, Tobias Krejci

2 Seite 2 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Einführung Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

3 Seite 3 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Einführung Agenda Was ist ein Mosaik bzw. ein zufälliges Mosaik? Wozu braucht man es? Wie kann man es erzeugen? Was sind seine grundlegenden Eigenschaften? Wie kann man Aussagen über diese Eigenschaften treffen? Abbildung: Mosaik

4 Seite 4 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Einführung Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

5 Seite 5 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Einführung Motivation In den Materialwissenschaften treten folgende Strukturen auf : Bausteine füllen die Ebene vollständig aus sie überlappen sich nicht modellierbar durch zufällige Mosaike Ziel: Aussagen über Eigenschaften der Strukturen Abbildung: Elektronenmikroskopisches Bild einer alkalinen Zink-Nickel Schicht

6 Seite 6 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

7 Seite 7 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Mosaik Definition Sei P Menge aller beschränkten offenen konvexen nicht leeren Polygone p im R 2. Eine Teilmenge θ P heißt Mosaik (engl. tessellation), falls gilt: 1. p 1 p 2 =, wenn p 1, p 2 θ und p 1 p 2 2. p = R 2 p θ 3. θ ist lokal endlich, d.h. wenn B R 2 beschränkt, dann ist {p θ : p B } endlich

8 Seite 8 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Erinnerung Ein Polygon ist ein Vieleck im R 2 Bezeichnungen Sei θ ein Mosaik im R 2 und p θ: p heißt Zelle die Ecken von p heißen Knoten die Seiten von p heißen Kanten E θ sei Vereinigung aller Kanten von θ

9 Seite 9 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Abbildung: Mosaik

10 Seite 10 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Verschiedene Typen von Mosaiken Geraden Mosaik Aufteilung des R 2 in konvexe Polygone mittels Geraden Abbildung: Geraden Mosaik

11 Seite 11 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Voronoi Mosaik Sei ϕ = {x 1, x 2,...} lokal endliches System von Punkten im R 2 Aufteilung des R 2 in Zellen, die jeweils genau einen Punkt von ϕ im Inneren enthalten nach Nächsten-Nachbarn Prinzip Für x n, x m ϕ, n m betrachte die Halbebene H(x n, x m ) = {x R 2 : x x n x x m } (1) bzw. das Polygon P(x n ) = H(x n, x m ) = {x R 2 : x x n x x m m n} (2) m n falls alle Polygone beschränkt Voronoi Mosaik V (ϕ)

12 Seite 12 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Abbildung: Voronoi Mosaik

13 Seite 13 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Konstruktion von Voronoi Polygonen Kantenbildung als Mittelsenkrechte auf die Verbindungslinie d zweier Zentren (Nuklei) Schnittpunkte der Mittelsenkrechten bilden Eckpunkte der Voronoi Zelle Abbildung: Konstruktion der Mittelsenkrechten

14 Seite 14 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Abbildung: Schnitt der Mittelsenkrechten

15 Seite 15 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Anwendung kartographische Darstellung von Messwerten Daten von einigen Messstationen auf gesamte Fläche verallgemeinern z.b. bei der Messung von Niederschlägen Abbildung: Niederschlagsdaten

16 Seite 16 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Alternative Interpretation des Voronoi Mosaiks Als Ergebnis eines Wachstumsprozesses Sei wieder ϕ = {x 1, x 2,...} lokal endliches System von Punkten im R 2 Punkte von ϕ sind Keimpunkte Wachstum beginnt in den Keimpunkten gleichzeitig mit gleicher Geschwindigkeit in alle Richtungen berühren sich wachsende Zellen Rand der Zellen (Kanten) interessant zur Modellierung von Mikrostrukturen aus Kristallisationsprozessen

17 Seite 17 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Abbildung: Wachstumsprozess der Voronoizellen

18 Seite 18 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Delaunay Mosaik Sei ϕ = {x 1, x 2,...} lokal endliches System von Punkten im R 2 Erstelle aus ϕ ein Dreiecksnetz, so dass kein weiterer Punkt aus ϕ innerhalb eines Umkreises um 3 Punkte aus ϕ, die ein Dreieck bilden Dreiecke bilden ein Mosaik Abbildung: Umkreisbedingung der Delaunay Dreiecke

19 Seite 19 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Abbildung: Delaunay Mosaik

20 Seite 20 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Deterministische Mosaike Eigenschaften des Delaunay Mosaiks interpretierbar als dualer Graph eines Voronoi Mosaiks falls von jedem Knoten im Voronoi Mosaik 3 Kanten ausgehen, gilt: Die Zellen zu 2 Keimpunkten haben gemeinsame Kante im Voronoi Mosaik Die 2 Keimpunkte sind verbunden im Delaunay Mosaik Abbildung: Dualer Graph

21 Seite 21 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

22 Seite 22 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Zufällige Mosaike 2 verschiedene Sichtweisen: 1. zufällige abgeschlossene Mengen 2. Punktprozess konvexer Polygone

23 Seite 23 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Zufälliges Mosaik Definition Sei (Ω, A, P) Wahrscheinlichkeitsraum T Klasse aller Mosaike im R 2 θk = {θ T : E θ K } für K R 2 kompakt T = σ({θk, K R 2 kompakt}) Eine messbare Abbildung Θ : Ω T vom Messraum (Ω, A) in den Messraum (T, T ) heißt dann zufälliges Mosaik Θ induziert Wahrscheinlichkeitsmaß P(A) = P(Θ A), wobei A T

24 Seite 24 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Stationarität und Isotropie Definition Sei Θ ein zufälliges Mosaik im R 2. Θ heißt stationär, falls x R 2 gilt Θ + x = {p + x : p Θ} d = Θ Θ heißt isotrop, falls seine Verteilung invariant gegenüber Drehungen um den Ursprung ist Θ heißt bewegungsinvariant, wenn es stationär und isotrop ist

25 Seite 25 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Zufälliger Punktprozess Definition Seien S 1, S 2,... : Ω R 2 { } ZV über (Ω, A, P), dann heißt {S n } zufälliger Punktprozess, falls: #{n : S n B} < B B 0 ( R 2 ) (3) wenn außerdem mit Wahrscheinlichkeit 1, S i S j i, j 0 mit i j (4) dann heißt {S n } einfacher zufälliger Punktprozess. N B = #{n : S n B} B B ( R 2) (5) ist zufälliges Zählmaß

26 Seite 26 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Anschaulich Abbildung: Zufälliger Punktprozess

27 Seite 27 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Homogener Poisson Prozess Definition {N B, B B(R 2 )} heißt homogener Poisson Prozess im R 2 mit Intensität λ (0, ), falls 1. N B1, N B2,... unabhängig B i B 0 (R 2 ), B j B k =, j k 2. N B Poi(λν 2 (B)) B B 0 (R 2 )

28 Seite 28 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Geraden Mosaike Anschaulich Werfe zufällig Geraden in die Ebene Mosaik Genauer Geraden-Prozess Ψ im R 2 E θ sei Vereinigung aller Geraden von Ψ E θ ist Kantenmenge eines zufälligen Mosaiks Θ

29 Seite 29 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Geraden Prozess Ordne jeder Geraden g im R 2 Parameter α [0, π) und q R zu Abbildung: Parametrisierung einer Geraden

30 Seite 30 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Geraden Prozess Definition Sei Φ ein Punktprozess im Parameterraum C = [0, π) x R g(α,q) sei Gerade mit Parametern α und q die zufällige Geradenmenge Ψ = {g(α,q) : (α,q) Φ} heißt ebener Geraden-Prozess falls Ψ stationär Intensität LA = erwartete Gesamtlänge der Geraden pro Einheitsfläche entspr. zufälliges Mosaik stationär

31 Seite 31 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Poisson Geraden Prozess Punktprozess Φ ist Poisson Prozess auf [0, π) x R Abbildung: Poisson Geraden Mosaik

32 Seite 32 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Voronoi Mosaik Konstruktion Sei Φ Punktprozess im R 2 erzeuge wie im determ. Fall Voronoi-Mosaik V(Φ) falls Φ stationär mit Intensität λ (0, ) fast sicher alle entstehenden Polygone beschränkt V (Φ) Voronoi-Mosaik Φ stationär bzw. isotrop V(Φ) stationär bzw. isotrop Abbildung: Voronoi Mosaik

33 Seite 33 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Delaunay Mosaik Konstruktion Betrachte zufälliges Voronoi Mosaik V(Φ) Wenn in V(Φ) fast sicher jeder Knoten von genau 3 Zellen berührt wird eindeutiges Delaunay Mosaik D(Φ) Abbildung: Delaunay Mosaik

34 Seite 34 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Zufällige Mosaike Crack Mosaik Abbildung: Crack Mosaik

35 Seite 35 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

36 Seite 36 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Parameterbeschreibung Das ebene Mosaik Θ analysieren wir durch die Kantenmenge E Θ mit Intensität L A und drei Punktprozesse : Punktprozess der Ecken α 0 (Θ) mit Intensität λ 0 Punktprozess der Kantenmittelpunke α 1 (Θ) mit Intensität λ 1 Punktprozess der Zellschwerpunkte α 2 (Θ) mit Intensität λ 2 α k (Θ) kann auf unterschiedliche Weise markiert werden

37 Seite 37 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Markierter Punktprozess Definition Zusätzliche Informationen im Punkt S n : Folge {L n } von ZV L n : Ω R über (Ω, A, P), (R, B (R)) messbar Die Folge {(S n, L n )} heißt dann ein zufälliger markierter Punktprozess L n Marke

38 Seite 38 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Marken der Ecken Marken für x α 0 (Θ) n 02 (x) := #{p Θ : x p} Anzahl von Polygonen die x berühren oder der Kanten ausgehend von x l 0 (x) die gesamte Kantenlänge aus x Abbildung: Markierung der Ecken

39 Seite 39 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Marken der Kantenmittelpunkte Marke für x α 1 (Θ) l 1 (x) Länge der Kante durch x Abbildung: Markierung der Kantenmittelpunkte

40 Seite 40 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Marken der Zellenschwerpunkte Marken für x α 2 (Θ) n 20 (x) Anzahl der Knoten, die x umfassen l 2 (x) := ν 1 ( p) die gesamte Kantenlänge des Polygons p, das x umfasst a 2 := ν 2 (p) die Fläche der Zelle p, die x umfasst Abbildung: Markierung des Zellenschwerpunkts

41 Seite 41 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Palm-Marken-Verteilung und typische Marke Palm-Marken-Verteilung Sei {(S n, L n )} stationärer markierter Punktprozess mit Intensität λ P (L) = E# { i : S i [0, 1] 2, L i L } = E# { i : S i [0, 1] 2, L i L } E# {i : S i [0, 1] 2 } ist Palm-Marken-Verteilung von L λ L B(R) (6) Eine Zufallsvariable L mit Verteilung P heißt typische Marke

42 Seite 42 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Ergodizität Definition Sei (N, N ) messbarer Raum, wobei : N ist Familie aller lokal endlicher einfacher ϕ R 2 ein ϕ N kann man als Maß auf R 2 ansehen, so dass: ϕ(b) = # Punkte von ϕ in B, B B(R 2 ) N sei dann die kleinste σ-algebra auf N, für die alle Abb. ϕ ϕ(b) messbar sind B B 0 (R 2 )

43 Seite 43 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Ergodizität Definition Ein Y N heißt invariant, falls P (Y \ Y x Y x \ Y ) = 0 x R 2 (7) wobei Y x = Y + x Eine stationäre Verteilung P auf (N, N ) heißt dann ergodisch falls, P(Y ) {0, 1} invarianten Y N (8) Beispiel: Ein stationärer Poisson Prozess ist ergodisch

44 Seite 44 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Gesuchte Charakteristika n 02 Erwartungswert der Anzahl der Kanten, die von den typischen Ecken ausgehen l0 Erwartungswert der gesamten Kantenlänge durch die typischen Ecken l 1 Erwartungswert der Länge der n 20, l 2, ā 2 analog typischen Kanten

45 Seite 45 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Erwartungswerte Allgemein Sei {(S n, L n )} ergodisch, dann gilt: E (L ) = lim n 1 # {i : S i W n } 1 {Si W n}l i f.s. (9) wobei L die typische Marke von {(S n, L n )} ist und W n = B(0, n) Beispiel i=1 ā 2 = Eν 2 (Ξ ) = lim n 1 #{i : Ξ i W n } 1 {Ξi W n}ν 2 (Ξ i ) f.s (10) i=1 wobei Ξ die typische Zelle und ν 2 (Ξ ) die Fläche der typischen Zelle ist

46 Seite 46 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Theorem 1 n 02 = 2 + 2λ 2 λ 0 (11) n 20 = 2 + 2λ 0 λ 2 (12) l0 = 2L A λ 0 (13) l2 = 2L A λ 2 (14) ā 2 = 1 λ 2 (15) l1 = L A λ 0 + λ 2 = L A λ 1 (16)

47 Seite 47 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Korollar = 1 n 02 n 20 2 l0 = n 02 l1 l2 = n 20 l1 n 02 3 n 20 6 (17) (18) (19) Erklärung Jede Ecke liegt in mindestens 3 Zellen, jede Zelle hat mindestens 3 Ecken = n 02 3 = n 02 3 = (17) n 20 6

48 Seite 48 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Bemerkung Alle uns interessierenden Erwartungswerte können durch die 3 Parameter λ 0, λ 2 und L A berechnet werden.

49 Seite 49 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Poisson Geraden Mosaik (Crofton Mosaik) Abbildung: Poisson Geraden Mosaik

50 Seite 50 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Poisson Geraden Mosaik (Crofton Mosaik) Ψ bewegungsinvarianter Poisson Geraden Prozess mit Intensität L A g ein feste (Test-)Gerade in Ψ ρ Intensität des Punktprozesses der Schnittpunkte von g und Ψ = Mit Wkt.1 gibt es durch jeden Schnittpunkt nur 2 Geraden, d.h. n 02 4 f.s. Poisson Gerade Mosaike mit Testgerade

51 Seite 51 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Poisson Geraden Mosaik (Crofton Mosaik) Man kann zeigen: ρ = 2L A π und l 1 = 1 ρ (20) n 02 4 f.s. Theorem 1 = λ 0 = λ 2 = πρ2 4 (21) d.h. alle Parameter hängen nur von ρ ab somit hängen auch alle Mittelwerte nur von ρ ab, z.b. ā 2 = 4 πρ 2 l 2 = 4 ρ (22)

52 Seite 52 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Poisson Voronoi Mosaik Φ stationärer Poisson Prozess mit Intensität τ V (Φ) zugeh. Voronoi Mosaik = Mit Wkt. 1 ist V (Φ) im gewöhnlichen Gleichgewichtszustand, d.h. n 02 3 f.s Abbildung: Poisson-Voronoi-Mosaik

53 Seite 53 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Mathematische Analyse Poisson Voronoi Mosaik n 02 3 f.s Theorem 1 = λ 1 = 3λ 0 2, λ 2 = λ 0 2 (23) Nach Konstruktion des Voronoi Mosaiks: λ 2 = τ = λ 0 = 2τ, λ 1 = 3τ (24) Außerdem kann man zeigen: L A = 2 τ (25) d.h. alle Parameter(und Mittelwerte) hängen nur von τ ab z.b. ā 2 = 1 τ, l2 = 4 τ (26)

54 Seite 54 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

55 Seite 55 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Statistik Betrachte stationäres zufälliges Mosaik Θ Betrachte Beobachtungsfenster W mit Flächeninhalt A(W) die Mittelwerte der typischen Zelle können durch die 3 Parameter λ 0, λ 2 und L A bestimmt werden Ziel Finde Schätzer für diese Parameter

56 Seite 56 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Schätzer für λ 0 Erinnerung: λ 0 ist Intensität des Punkt Prozesses der Knoten, d.h. erwartete Anzahl von Knoten pro Einheits-Fläche verwende den unverzerrten Schätzer: ˆλ 0 = # Knoten in W A(W )

57 Seite 57 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Schätzer für λ 2 Erinnerung: λ 2 ist Intensität des Punkt Prozesses der Schwerpunkte der Zellen d.h. erwartete Anzahl von Zellschwerpunkten pro Einheitsfläche Problem: Zellen die nicht ganz im Beobachtungsfenster W liegen = liegen Zellschwerpunkte in W oder nicht?

58 Seite 58 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Fall 1 Sei W ein Rechteck und die Kanten einer Zelle schneiden W an je höchstens 2 Stellen. Betrachte: z(w) = # Zellen die komplett in W liegen w(w) = # Zellen die Seiten von W aber nicht seine Ecken schneiden u(w) = # Zellen die Ecken von W enthalten Dann ist ˆλ (1) 2 = z(w )+ 1 2 w(w )+ 1 4 u(w ) A(W ) ein unverzerrter Schätzer für λ 2

59 Seite 59 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Interpretation Ebene sei vollständig mit Beobachtungsfenstern der selben Art bedeckt Zellen, die eine Seite des Fensters aber keine Ecke schneiden werden in 2 Fenstern gezählt Faktor 1 2 w(w ) die Zellen, die die Ecken des Fensters schneiden werden in 4 Fenstern gezählt Faktor 1 4 u(w )

60 Seite 60 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Abbildung: Interpretation des Schätzers ˆλ (1) 2

61 Seite 61 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Fall 2 Θ sei im gewöhnlichen Gleichgewichtszustand d.h. von jedem Eckpunkt gehen drei Kanten aus nach Theorem 1 gilt dann: 2λ 2 = λ 0 Dann ist ˆλ (2) 2 = ˆλ 0 2 ein unverzerrter Schätzer für λ 2 Hier gilt: (1) (2) ˆλ 2 = ˆλ 2

62 Seite 62 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Schätzer für L A Erinnerung: L A ist erwartete gesamte Kantenlänge pro Einheitsfläche Sei L(E θ W ) gesamte Kantenlänge von Θ im Fenster W messbar durch Bildanalyse Dann ist ˆL A = L(E θ W ) A(W ) unverzerrter Schätzer für L A

63 Seite 63 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Beispiel: Austenit Kern Grenzen in Stahl Betrachte ebenen Schnitt durch Stahlprobe u. zugehöriges Mosaik Abbildung: Beispiel Austenit Kern Grenzen

64 Seite 64 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Statistik Daten # Knoten in W = 124 L(E Θ W ) = totale Kantenlänge in W = 172,2 A(W ) = 179, 71 Schätzer Damit kann man nun die verschiedenen Schätzer bestimmen: ˆλ0 = ,71 = 0, 69 da n 02 = 3 : ˆλ 2 = ˆλ 0 2 = 0, 345 ˆLA = 172,2 179,71 = 0, 96 = z.b. ˆ l 1 = ˆL A ˆλ 0 +ˆλ 2 = 0, 93

65 Seite 65 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Schluss Inhalt Einführung Deterministische Mosaike Zufällige Mosaike Mathematische Analyse Statistik Schluss

66 Seite 66 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Schluss Ausblick Vertiefende Vorträge Iterierte Mosaike Voronoi-und Johnson-Mehl Mosaike Crack-STIT Mosaike

67 Seite 67 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Schluss Quellen Literatur Stochastic Geometry and its Applications; D.Stoyan,W.S.Kendell,J.Mecke Statistical Analysis of Microstructures in Material Sciences; Joachim Ohser, Frank Mücklich Geometrische Wahrscheinlichkeiten und Stochastische Geometrie; R.V.Ambartzumjan,J.Mecke,D.Stoyan Skript Räumliche Statistik; V.Schmidt

68 Seite 68 Zufällige Mosaike Zhanlong Tao, Tobias Krejci Schluss Quellen Bilder Minkowski Funktionale für konvexe Mengen und Kenngrößen für zufällige Mosaike; V.Weiß Haggett et al. 1977: Locational Analysis in Human Geography Polygon.png http// Coloured_Voronoi_2D.png

Allgemeine Punktprozesse

Allgemeine Punktprozesse Allgemeine Punktprozesse Michael Auchter 17. Mai 2010 Seite 2 Allgemeine Punktprozesse 17. Mai 2010 Inhaltsverzeichnis Definitionen Definition von Punktprozessen Das Intensitätsmaß Stationarität, Isotropie

Mehr

Seminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose

Seminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,

Mehr

Optimales Routing. Paul Kunze

Optimales Routing. Paul Kunze Optimales Routing Paul Kunze 10.07.2015 Grundlagen Grundlagen endliche Menge an Punkten Φ = {x i } aus R 2 hier: gebildet durch Poisson-Punktprozess A = A D : Route zum Ziel D Φ. Abbildung auf einem Graphen

Mehr

Punktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm

Punktprozesse. Andreas Frommknecht Seminar Zufällige Felder Universität Ulm Einführung in Beispiele für Andreas Seminar Zufällige Felder Universität Ulm 20.01.2009 Inhalt Einführung in Beispiele für Definition Markierte 1 Einführung in Definition Markierte 2 Beispiele für Homogener

Mehr

Statistik für Punktprozesse. Seminar Stochastische Geometrie und ihre Anwendungen WS 2009/2010

Statistik für Punktprozesse. Seminar Stochastische Geometrie und ihre Anwendungen WS 2009/2010 Statistik für Punktprozesse Seminar Stochastische Geometrie und ihre Anwendungen WS 009/00 Inhalt I. Fragestellung / Problematik II. Ansätze für a) die Schätzung der Intensität b) ein Testverfahren auf

Mehr

Historische Wurzeln der stochastischen Geometrie

Historische Wurzeln der stochastischen Geometrie Historische Wurzeln der stochastischen Geometrie Matthias Wehmer April 2010 Seite 2 Historische Wurzeln der stochastischen Geometrie April 2010 Inhalt dieser Präsentation 1. Buffonsches Nadelproblem 2.

Mehr

Das Boolesche Modell

Das Boolesche Modell mit konvexen Körnern 3.12.2009 mit konvexen Körnern Ziele des heutigen Seminars: ist sehr anwendungsbezogen. Daher ist unser Ziel, am Ende die folgenden statistischen Fragen zu beantworten: Wann ist das

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

Extrapolation und Interpolation von räumlichen Mustern

Extrapolation und Interpolation von räumlichen Mustern Extrapolation und Interpolation von räumlichen Mustern 01. Juli 2008 Inhaltsverzeichnis 1 Interpolation Extrapolation Beispiel: Mammutbaumsetzlinge 2 Grundlagen Keim-Korn- Clusterprozesse Cox-Clusterprozess

Mehr

Schwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik

Schwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind

Mehr

Zufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011

Zufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011 Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4 TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge

Mehr

1.3 Zufallsvariablen

1.3 Zufallsvariablen 1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P

Mehr

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation

Teil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit

Mehr

Zufallsvariable, Verteilung, Verteilungsfunktion

Zufallsvariable, Verteilung, Verteilungsfunktion Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.

Mehr

Kapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten

Kapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem

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

8 Verteilungsfunktionen und Dichten

8 Verteilungsfunktionen und Dichten 8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man

Mehr

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von

Mehr

Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren

Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige

Mehr

Einführung und Grundlagen

Einführung und Grundlagen Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit und Statistik: Zusammenfassung HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1

Mehr

Gaußsche Felder und Simulation

Gaußsche Felder und Simulation 3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige

Mehr

Strassen Type Theorems Proseminar Stochastik

Strassen Type Theorems Proseminar Stochastik Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine

Mehr

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen

Mehr

Institut für Stochastik, SoSe K L A U S U R , 13:

Institut für Stochastik, SoSe K L A U S U R , 13: Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter

Mehr

Einführung in die statistische Testtheorie

Einführung in die statistische Testtheorie 1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3

Mehr

κ Κα π Κ α α Κ Α

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

Mehr

1 Bedingte Erwartungswerte

1 Bedingte Erwartungswerte Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,

Mehr

Kapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen

Kapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion

Mehr

Innere Volumina und Integralgeometrie

Innere Volumina und Integralgeometrie Seminar Stochastische Geometrie und ihre Anwendungen" 19. November 2009 Inhaltsverzeichnis Grundlagen Mengenoperationen Digitale Bildbearbeitung Die Hausdor-Metrik Mengenoperationen Spiegelung\Translation

Mehr

Statistik für Ingenieure Vorlesung 4

Statistik für Ingenieure Vorlesung 4 Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete

Mehr

Maße auf Produkträumen

Maße auf Produkträumen Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge

Mehr

Geradenarrangements und Dualität von Punkten und Geraden

Geradenarrangements und Dualität von Punkten und Geraden Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare

Mehr

Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen

Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen Definition Berechnung approximierter Voronoi-Zellen auf geometrischen Datenströmen Seminar über Algorithmen WS 2005/2006 Vorgetragen von Oliver Rieger und Patrick-Thomas Chmielewski basierend auf der Arbeit

Mehr

KARL-FRANZENS-UNIVERSITÄT GRAZ. Seminar aus Reiner Mathematik. Die Museumswächter. Krupic Mustafa Wintersemester 2013/14

KARL-FRANZENS-UNIVERSITÄT GRAZ. Seminar aus Reiner Mathematik. Die Museumswächter. Krupic Mustafa Wintersemester 2013/14 KARL-FRANZENS-UNIVERSITÄT GRAZ Seminar aus Reiner Mathematik Die Museumswächter Krupic Mustafa Wintersemester 2013/14 Inhaltsverzeichnis 2 Inhaltsverzeichnis 1 Einleitung 3 2 Museumswächter-Satz 6 2.1

Mehr

Signifikanztests Optimalitätstheorie

Signifikanztests Optimalitätstheorie Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs

Mehr

Geradenarrangements und Dualität von Punkten und Geraden

Geradenarrangements und Dualität von Punkten und Geraden Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare

Mehr

Punktschätzer Optimalitätskonzepte

Punktschätzer Optimalitätskonzepte Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

Statistik III. Walter Zucchini Fred Böker Andreas Stadie Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................

Mehr

Konfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,

Konfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden

Mehr

Konvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen

Konvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess

Mehr

Brownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm

Brownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche

Mehr

Einführung in die Stochastik 6. Übungsblatt

Einführung in die Stochastik 6. Übungsblatt Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.

Mehr

Geometrie und Zufall

Geometrie und Zufall Geometrie und Zufall Evgueni Spodarev Tag der Mathematik, 12. März 2005 p.1 Inhalt Was ist Zufall? Was ist stochastische Geometrie? Geometrische Wahrscheinlichkeiten Buffonsches Nadelproblem Paradoxon

Mehr

Methoden der Statistik Markov Chain Monte Carlo Methoden

Methoden der Statistik Markov Chain Monte Carlo Methoden Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem

Mehr

Markov Ketten und Bonus Malus Systeme

Markov Ketten und Bonus Malus Systeme Grund Stoch Markov Ketten Bonus Malus Probleme L 1 / 46 Markov Ketten und Bonus Malus Systeme Klaus D. Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden TU Wien 19. Mai 2010

Mehr

Der Ergodensatz. Hendrik Hülsbusch

Der Ergodensatz. Hendrik Hülsbusch Der Ergodensatz Hendrik Hülsbusch 1..212 Inhaltsverzeichnis Einleitung 3 5 Stationäre Verteilungen 5 6 Reversible Markovketten 11 2 Einleitung In meinem Vortrag beschäftigen wir uns mit dem asymptotischen

Mehr

Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik

Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen... Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................

Mehr

Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (

Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, ( Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter

Mehr

7 Bedingte Erwartungswerte und Bedingte Verteilungen

7 Bedingte Erwartungswerte und Bedingte Verteilungen 7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y

Mehr

Zeitstetige Markov-Prozesse: Einführung und Beispiele

Zeitstetige Markov-Prozesse: Einführung und Beispiele Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen

Mehr

Primzahlen Primzahlsatz Satz von Szemerédi Verallg. von Green/Tao Anwendung. Arithmetische Progressionen von Primzahlen

Primzahlen Primzahlsatz Satz von Szemerédi Verallg. von Green/Tao Anwendung. Arithmetische Progressionen von Primzahlen Arithmetische Progressionen von Primzahlen Sei N := {1, 2, 3,... } die Menge der natürlichen Zahlen. Definition Eine Primzahl ist eine natürliche Zahl > 1, die nur durch 1 und durch sich selbst teilbar

Mehr

Grundlagen der Wahrscheinlichkeitstheorie

Grundlagen der Wahrscheinlichkeitstheorie Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)

Mehr

Endliche Markov-Ketten - eine Übersicht

Endliche Markov-Ketten - eine Übersicht Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A

Mehr

Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2)

Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2) Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2) Nico Düvelmeyer WS 2009/2010, 22.12.2009 Überblick 1 Fertigstellung Kapitel 7 2 Definition Voronoi Diagramm 3 Grundlegende

Mehr

5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung

5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung 5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites

Mehr

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 Zufallsvariable und Verteilungsfunktionen 8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer

Mehr

Mathematische Probleme, SS 2016 Freitag $Id: convex.tex,v /05/13 14:42:55 hk Exp $

Mathematische Probleme, SS 2016 Freitag $Id: convex.tex,v /05/13 14:42:55 hk Exp $ $Id: convex.tex,v.28 206/05/3 4:42:55 hk Exp $ 3 Konvexgeometrie 3. Konvexe Polyeder In der letzten Sitzung haben wir begonnen uns mit konvexen Polyedern zu befassen, diese sind die Verallgemeinerung der

Mehr

Hausdorff-Maß und Hausdorff-Dimension. Jens Krüger

Hausdorff-Maß und Hausdorff-Dimension. Jens Krüger Hausdorff-Maß und Hausdorff-Dimension Jens Krüger Inhaltsverzeichnis 1 Einleitung 2 2 Grundlagen aus der Maßtheorie 3 3 Die Konstruktion des Hausdorff-Maßes 4 4 Eigenschaften des Hausdorff-Maßes und Hausdorff-Dimension

Mehr

Simulation von Zufallsvariablen und Punktprozessen

Simulation von Zufallsvariablen und Punktprozessen Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren 3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen... Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................

Mehr

3. Kombinatorik und Wahrscheinlichkeit

3. Kombinatorik und Wahrscheinlichkeit 3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt

Grundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum

Mehr

Relative Kontrollierbarkeit und Invarianz-Entropie

Relative Kontrollierbarkeit und Invarianz-Entropie Relative Kontrollierbarkeit und Invarianz-Entropie Ralph Lettau in Zusammenarbeit mit Fritz Colonius und Christoph Kawan Institut für Mathematik Universität Augsburg 9. Elgersburg Workshop 5. März 2014

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

Stochastik Praktikum Markov Chain Monte Carlo Methoden

Stochastik Praktikum Markov Chain Monte Carlo Methoden Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem

Mehr

Klausur Stochastik und Statistik 31. Juli 2012

Klausur Stochastik und Statistik 31. Juli 2012 Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf

Mehr

Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried

Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,

Mehr

Klausur zur Vorlesung Stochastik II

Klausur zur Vorlesung Stochastik II Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,

Mehr

TU DORTMUND Sommersemester 2018

TU DORTMUND Sommersemester 2018 Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade

Mehr

Kapitel 6 Martingale

Kapitel 6 Martingale Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse

Mehr

σ-algebren, Definition des Maßraums

σ-algebren, Definition des Maßraums σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven

Mehr

Algorithmische Geometrie: Einstimmung

Algorithmische Geometrie: Einstimmung Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung

Mehr

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs Höhere Mathematik 3 Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten

Mehr

Finite Elemente I Konvergenzaussagen

Finite Elemente I Konvergenzaussagen Finite Elemente I 195 5 onvergenzaussagen 5 onvergenzaussagen TU Bergakademie Freiberg, SoS 2006 Finite Elemente I 196 5.1 Interpolation in Sobolev-Räumen Wesentlicher Baustein der FE-onvergenzanalyse

Mehr

Beispiel 6 (Multivariate Normalverteilung)

Beispiel 6 (Multivariate Normalverteilung) Beispiel 6 (Multivariate Normalverteilung) Sei X N(µ,Σ). Es existiert eine Matrix A IR d k, sodass X d = µ+az wobei Z N k (0,I) und AA T = Σ. Weiters gilt Z = RS wobei S ein gleichmäßig verteilter Zufallsvektor

Mehr

Wichtige Definitionen und Aussagen

Wichtige Definitionen und Aussagen Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung

Mehr

Perkolation Christina Sander

Perkolation Christina Sander Perkolation Christina Sander 28.6.2010 Seite 2 Perkolation 28.6.2010 Christina Sander Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang Seite 3 Perkolation 28.6.2010 Christina Sander

Mehr

Kapitel II - Wahrscheinlichkeitsraum

Kapitel II - Wahrscheinlichkeitsraum Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh

Mehr

Mehrdimensionale Zufallsvariablen

Mehrdimensionale Zufallsvariablen Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,

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

Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit

Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz

Mehr

Distanzprobleme in der Ebene

Distanzprobleme in der Ebene Distanzprobleme in der Ebene (Literatur: deberg et al., Kapitel 7,9) Christian Knauer 1 Motivation: Alle nächsten Nachbarn Gegeben: Eine Menge von Punkten P in der Ebene Berechne: Zu jedem Punkt aus P

Mehr

8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.

8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W. 8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A

Mehr

Woche 2: Zufallsvariablen

Woche 2: Zufallsvariablen Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 7

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 7 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr 5, Thema, Aufgabe ) Sei V ein reeller Vektorraum. a) Wann nennt man eine Teilmenge U

Mehr

Diskrete Wahrscheinlichkeitstheorie - Probeklausur

Diskrete Wahrscheinlichkeitstheorie - Probeklausur Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten

Mehr

Schwache Konvergenz von Wahrscheinlichkeitsmaßen

Schwache Konvergenz von Wahrscheinlichkeitsmaßen Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind

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

Geometrische Algorithmen Voronoi-Diagramme. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Voronoi-Diagramme

Geometrische Algorithmen Voronoi-Diagramme. Lernmodul 7: Geo-Algorithmen und -Datenstrukturen - Voronoi-Diagramme Folie 1 von 32 Geometrische Algorithmen Voronoi-Diagramme Folie 2 von 32 Voronoi-Diagramme Übersicht Problemstellung Animation zur Konstruktion eines Voronoi-Diagramms Definition, Eigenschaften eines Voronoi-Diagramms

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