2. Grundbegriffe der Statistik
|
|
- Birgit Färber
- vor 7 Jahren
- Abrufe
Transkript
1 Statstsche Physk, G. Schön, Karlsruher Insttut für Technologe (Unverstät) 3. Grundbegrffe der Statstk.1 Elementare Begrffe Im Folgenden betrachten wr ene oder mehrere stochastsche Varablen X oder auch stochastsche Funktonen. Ene stochastsche Varable kann entweder dskrete Werte {x 1, x,...} annehmen (z.b. de Zahl der Punkte be 3 Würfeln) oder kontnuerlche Werte {x} (z.b. de Koordnate enes Telchens). De statstschen Egenschaften von X snd vollständg beschreben durch de Wahrschenlchketsvertelung oder Vertelungsfunkton ρ. Se erfüllt für dskrete Werte Postvtät ρ 0 ρ(x) 0 orm ρ = 1 kontnuerlche Werte von X dx ρ(x) = 1. Damt fnden wr: Mttelwert <X> = x ρ = dx x ρ(x) n-tes Moment <X n > = x n ρ = dx x n ρ(x) Standardabwechung σ = [<X > <X> ] 1/ und Varanz = σ De charakterstsche Funkton st φ(k) = <e kx > = dx e kx ρ(x). De Umkehrung lautet dk ρ(x) = e kx φ(k). De charakterstsche Funkton kann nach den Momenten entwckelt π (k) n werden, φ(k) = n! <X n >, und so aus den Momenten de Vertelungsfunkton bestmmt n=0 werden. Umgekehrt lassen sch aus der charakterstschen Funkton de Momente bestmmen <X n > = 1 n dn φ(k) dk n k=0. Kumulanten-Entwcklung und Kumulanten-erzeugende Funkton φ(k) = exp{ (k) n n 1 d n! C n (X)} = exp S mt C n (X) = n n S n=1 dk k=0 Der Verglech (nach Entwckeln) lefert de Relaton zwschen Kumulanten und Momenten C 1 (X) = <X> ; C (X) = σ ; C 3 (X) = <X 3 > 3 <X> <X > + <X> 3 ;
2 4 De Kumulanten-Entwcklung konvergert.a. schneller als de Entwcklung nach Momenten. 1 Z.B für ene Gauß-Vertelung, ρ(x) = σ π exp[ 1 (x x ) ], glt C n (X) = 0 für n 3. σ Mehrere stochastsche Varablen Als Bespel betrachten wr kontnuerlche Varablen X mt möglchen Werten {x} und Y mt den Werten {y}. Im Produktraum X Y snd de möglchen Werte {(x,y)}. Es glt Gemensame Vertelungsfunkton ρ X Y (x,y) 0, normert dx dy ρ X Y (x,y) = 1 Momente <X n Y m > = dx dy x n y m ρ X Y (x,y) reduzerte Vertelungsfunkton ρ X (x) = dy ρ X Y (x,y) Kovaranz: cov (X,Y) <(X <X>) (Y <Y>)> Korrelaton: cor (X,Y) Unabhängge Varablen cov (X,Y) σ x σ y Wenn X und Y unabhängg snd, faktorsert de gemensame Vertelungsfunkton, ρ X Y (x,y) = ρ X (x) ρ Y (y). Stochastsche Funkton Als Bespel betrachten wr ene stochastsche zetabhängg Funkton der Zet X(t). Her nteressert de Autokorrelatonsfunkton f(t,t') = <(X(t) <X>) (X(t') <X>)>. De Bnomal-, Gauß- und Posson-Vertelung Wr betrachten verschedene Objekte. Dann st de Zahl der Permutatonen Ν! (d.h. unter Berückschtgung der Anordnung). Wenn wr R Objekte aus Ν herausgrefen, st de Zahl der Varatonen (mt Berückschtgung der Anordnung)! ( R)!. Dagegen st de Zahl der Kombnatonen (d.h. ohne Berückschtgung der Anordnung) R =! ( R)!R!. Wr betrachten en System, wo jede Messung enes von zwe möglchen Ergebnssen A oder B lefert mt den Wahrschenlchketen p und q = 1 p. Bespele: Münze: Ergebns = Kopf (mt p = 1 ) oder Ergebns = Zahl (mt q = 1 ) Spn m Magnetfeld: (p) oder (q)
3 Telchen n Telvolumen V 1 (p = V 1 /V) oder außerhalb (q = V V 1 V ) radoaktver Zerfall: Zerfallswahrschenlchket n Zetenhet t st p «1. 5 De Wahrschenlchket dafür, dass Messungen n mal das Ergebns A und entsprechend n mal das Ergebns B lefern, st gegeben durch de Bnomal-Vertelung ρ (n) =! n!( n)! pn q n ρ (n) = (p+q) = 1 n=0 <n> = n ρ (n) = p n=0 σ = n n = pq ρ(n) 0,3 0,5 0, 0,15 0,1 0, Bnomal-Vertelung für = 10, p = 1/3 n Für große glt σ Ν /<n> 1/. D.h. de relatve Brete verschwndet für große. Gauß-Vertelung Für große, p und q reduzert sch de Bnomal-Vertelung auf ene Gauß-Vertelung um den Mttelwert <n> = p mt der Varanz σ = pq, und n kann als kontnuerlche Varable betrachtet werden. Zum Bewes verwenden wr de Strlng-Formel, de sagt, dass für große m glt: m! m m m πm. Damt glt e 1 ρ(n) = exp πσ ( n n ) σ mt dn ρ (n) = 1 - Posson-Vertelung Für und glechzetg p 0, so dass a = p endlch blebt, reduzert sch de Bnomal- Vertelung auf ene Posson-Vertelung (z.b. radoaktver Zerfall)
4 6 n a a e ρ(n) = n! n=0 <n> = a σ = ρ(n) = 1 n n = n ρ(n) 0,3 0,5 0, 0,15 0,1 0, Posson-Vertelung für a = n Gauß-Vertelung für mehrere Varablen x 1... x M Als nächstes betrachten wr mehrere stochastsche Varablen x, de charaktersert snd durch ene gemensame (normerte) Gauß-Vertelung det( A) ρ(x 1,... x M ) = M/ (π) det( A) = M/ (π) M 1 exp (x a ) A j(x j a j),j=1 M 1 exp ξ A j ξj,j=1 wobe ξ = x a, und A st ene M-dmensonale, symmetrsche, postv defnte Matrx. Dann glt für Mttelwert, Kovaranz und de höheren Momente <x n > = a n, < ξξ j >=A, <ξ ξ j ξ k ξ m > = A j Akm + Ak Ajm + Am Ajk, usw. Zur Herletung bewesen wr zunächst de Relaton j det( A) (π) M/ M 1 T T 1 T 1 d exp + = exp ξ ξ Aξ b ξ b A b. (*) Dazu vervollständgen wr das Quadrat m Exponenten der lnken Sete durch den der rechten Sete 1 T T 1 T 1 1 T ξ Aξ+ b ξ b A b= y Ay mt y = ξ 1 A b. Weter dagonalseren wr de Matrx A durch ene orthogonale Transformaton B= O AO. Mt 1 1 T 1 T z = O y erhalten wr y Ay= z Bz. Damt reduzert sch das M-dmensonale Integral T
5 (unter Verwendung bekannter Egenschaften we det O= 1; det A= det B) auf en Produkt von M en-dmensonalen Gauß schen Integralen M 1 T T 1 T 1 M 1 T M 1 T d ξ exp[ ξ Aξ+ b ξ b A b] = d y exp[ y Ay] = d exp[ ] z z Bz M/ M/ M 1 1 (π) (π) = d z exp[ zbz ] = d z exp[ zbz ] = = B det( A) 7 Für b=0 sehen wr, dass de angegebene Vertelungsfunkton korrekt normert st. Den Ausdruck für de Kovaranz erhalten wr dann, ndem wr de Relaton (*) nach b und b j ableten und anschleßend b=0 setzen. Analog können wr de Ausdrücke für de höheren Momente ableten..3 Random Walk und Dffuson Wr betrachten den Weg enes Betrunkenen n ener Dmenson (d=1). De Wahrschenlchket für enen Schrtt der Wete a nach vorne oder zurück st p = q = 1. ach Schrtten, n nach vorne und n zurück, st der Abstand vom Anfangspunkt (n Enheten von a) glech m = n ( n) = n. 0 a x = m a De Wahrschenlchket, nach Schrtten be m zu sen, st gegeben durch de Bnomal- Vertelung! ρ (m) = n!( n)! 1! = ( +m )! ( m π Ν m exp ( 1 )! ) Ν D. h. der Mttelwert st <m> = 0 und de Varanz <m > =. Beachte, dass für gerade (ungerade) auch m gerade (ungerade) st, und de Vertelung be anderen Werten verschwndet. Für enen Übergang zu ener Kontnuumsbeschrebung defneren wr x = m a und ρ (x) = ρ (m)/a. (Der Faktor 1/ st nötg, wel wr n der Kontnuumsbeschrebung ncht mehr zwschen geraden und ungeraden m unterscheden.) Wr führen ene Zet proportonal zur Zahl der Schrtte t = t en und defneren ene Dffusonskonstante D = a /( t). Dann glt ρ(x,t) = 1 πdt exp x 4Dt ; mt dx ρ( x ) = 1, <x> = 0, <x > = D t
6 8 D.h. ρ(x,t) erfüllt ene Dffusonsglechung t ρ(x,t) = D x ρ(x,t). Dese lässt sch auf 3 Dmensonen verallgemenern und erlaubt auch Berückschtgung von Randbedngungen und Anfangsbedngungen t ρ(r,t) = D ρ(r,t)..4 Zentraler Grenzwertsatz Es werden Messungen derselben stochastschen Varablen durchgeführt (d.h. das Experment wrd -mal durchgeführt). De enzelne Messung st charaktersert durch ene belebge Vertelungsfunkton ρ X (x) mt Mttelwert <x> und Brete x x = σ x. Wr bezechnen den Wert der stochastsche Varable be der -ten Messung mt x und den durch de Summe aller Messungen gebldeten Mttelwert mt y = 1 x. =1 Satz: Der so gebldete Mttelwert von Messungen erfüllt y = x. De Abwechungen snd beschreben durch ene Gauß-Vertelung mt Brete σ y =σ x /, de also mt zunehmendem abnmmt, ρ Y (y) = 1 π σ x exp[ y x σ ( ) ] x Bewes: De Vertelungsfunkton für den Mttelwert y st ρ Y (y) = dx1... dx δ(y 1 x ) ρ X... X (x 1,, x ). Da de Messungen unabhängg snd, faktorsert de gemensame Vertelung und es
7 glt ρ Y (y) = dx1... dx δ(y 1 x ) ρ X (x 1 )... ρ X (x ). De charakterstsche Funkton der Enzelmessungen st Φ X (k) = dx e kx ρ X (x), de der Summe st Φ Y (k) = dy e ky ρ Y (y), also Φ Y (k) = dy e ky dx1... dx δ(y 1 = dx exp[ k x ] ρ X (x ) x ) ρ X (x 1 )... ρ X (x ) k x k k x = e dx exp[ (x x )] ρ X (x ) = e ~ Φ k X Für große kann Φ ~ X k dx k k exp[ (x x ) ] ρ X (x) n Potenzen von (x x ) entwckelt werden (unabhängg von der detallerten Form von ρ X (x)) 9 Φ ~ X k = 1 1 k <(x x ) > +... = 1 1 k lm Φ Y (k) = k x e lm σ x k σ 1 k 1 x = exp[ σ Ν x + k x ] Ν ρ Y (y) = dk π exp[ k y + k x 1 k σ x ] = Ν 1 π σ x exp[ y x σ ( ) ] q.e.d. x De Sere von Abbldungen verdeutlcht, we Mtteln über wederholte Messungen das Rauschen unterdrückt. Dabe st de Anzahl der Messungen. Das Rauschen nmmt we 1/ ab. (In dem Bespel wrd ene Dode mmer weder m selben Anfangszustand präparert und dann der elektrsche Strom als Funkton der Zet gemessen.)
8 30.5 Rauschspektrum Im Folgenden untersuchen wr stochastsche Prozesse, z.b. ene Größe X(t) = <X> + δx(t), de durch enen Mttelwert und zetabhängg Fluktuatonen charaktersert st. En Bespel st der Strom n enem elektrschen Stromkres. Be genügender Auflösung m Experment stellt man fest, dass es Abwechungen des Stromes vom Mttelwert gbt. De Fluktuatonen erfüllen stets <δx(t)> = 0. De wchtgen Größen zur Charakterserung der Fluktuatonen snd deren Vertelungsfunkton (z.b. ene Gauß sche Vertelung) und de Autokorrelatonsfunkton <δx(t) δx(t')>. Dese hängt mt der spektralen Dchte (power spectrum) zusammen, de wr nun defneren: Wr betrachten de Fourer-Transformerte δx(ω) = <δx(ω) δx(ω')> = dt dt' e ωt ω't' δx(t)δx( t '). dte ωt δx(t) und Be statonären Prozessen hängt δx(t)δx( t ') nur von τ = t t' ab, und wr können über t = (t + t ') / ntegreren, (ω+ω')t δx(ω)δx( ω' ) = dte ω ω' τ dτ e δx(τ)δx( 0 ) = π δ(ω+ω') S(ω) Auf der rechten Sete führen wr de spektrale Dchte S(ω) en. Se st (bs auf enen hstorsch bedngten Faktor ) de Fourer-Transformerte der Korrelatonsfunkton S(ω)= d t exp(-ωt) δx(t)δx(0) De Stärke und das Frequenzspektrum des Rauschens werden durch ene solche spektrale Dchte charaktersert. Der Zusammenhang zwschen der spektralen Dchte (de auch n anderer Wese engeführt werden kann) und der Korrelatonsfunkton st auch unter dem amen Wener- Khntchne (oder Wener-Chntschn) Theorem bekannt. (Der her ncht logsche erschenende Faktor rührt von desem Zugang.) Bespele snd thermsches, weßes Rauschen: Im klassschen Grenzfall (hohe Temperatur, ) haben de Fluktuatonen des Stromes I(t) = I + δi(t) durch enen Wderstand R de folgenden Egenschaften (yqust Rauschen) δi(t) = 0 δi(t) δi(t') = kt R δ(t t') S I (ω) = 4 kt R.
9 31 De Korrelatonsfunkton st δ-korrelert, d.h. es gbt kene Korrelatonen zwschen den Werten des Rauschstroms zu verschedenen Zeten. Im Fourer-Spektrum bedeutet des, dass de spektrale Dchte frequenzunabhängg st, d.h. das Rauschen st weß. Mest kann angenommen werden, dass de Fluktuatonen, de herrühren von sehr velen enzelnen Prozessen, konsstent mt dem Zentralen Grenzwertsatz Gauß'sch vertelt snd. De Stärke des Rauschens st proportonal zur Stärke der Dsspaton 1/R. Des wrd n folgenden Kapteln begründet. Quantenrauschen enes Wderstands R (Johnson-yqust Rauschen) Allgemener glt für das Stromrauschen enes Wderstands ω ω S(ω) I = coth R kt Dese Form kann n quantenmechanschen Modellen hergeletet werden. Wr bemerken, dass se sch für ω kt auf das klasssche, weße Rauschen reduzert. Unterschede gbt es be tefen Temperaturen oder hohen Frequenzen. Für ω kt fndet man S I (ω) = ω /R. Dazu en Zahlenbespel: mt = 1, erg sec und k = 1, erg/k entsprcht ene Temperatur von T = 1K ener Kresfrequenz ω = 1, sec -1 bzw. ener Frequenz f = ω/π 1 GHz. Schrotrauschen st assozert mt dskreten stochastschen Prozessen z.b. Elektronentunneln. Dafür glt (sehe Übungen) δi(t) δi(t') = ev R coth ev kt δ(t t') S I (ω) = ev R coth ev ei kt ev kt Auch herzu en Zahlenbespel: mt e = 1, C und k = 1, Joule/K entsprcht ene Temperatur von T = 1K ener Energe ev [ev] ([ev] st her de Energeenhet Elektronvolt) und entsprechenden Werten der Spannung. 1/f - Rauschen Her st de Frequenzabhänggket des Rauschspektrums S(ω) 1/ω 1/f - Rauschen wrd n velen Systemen be nederen Frequenzen (ω = πf) beobachtet, wo es stärker wrd als das weße thermsche Rauschen. In manchen physkalschen Systemen fndet man dafür physkalsche Erklärungen. Überraschend fndet man 1/f - Rauschen aber auch n ganz anderen Fällen, z.b. be der Analyse der Schwankungen des Wasserstandes des ls m Altertum, be klassscher Musk, bem Vogelgesang und so weter. Ene unverselle Erklärung dafür wurde noch ncht gefunden.
10 3
Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrEinführung in die theoretische Physik 1
Enführung n de theoretsche hysk 1 rof. Dr. L. Mathey Denstag 15:45 16:45 und Donnerstag 10:45 12:00 Begnn: 23.10.12 Jungus 9, Hörs 2 Mathey Enführung n de theor. hysk 1 1 Grundhypothese der Thermostatk
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrI)1. Kinematik. EP WS 2009/10 Dünnweber/Faessler
I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate
Mehr10 Einführung in die Statistische Physik
10 Enführung n de Statstsche Physk More s dfferent! P.W. Anderson, Nobelpres 1977 10.1 Prolegomena Technsch gesehen st de Rolle der Statstschen Mechank der Glechgewchtssysteme, ausgehend von unseren Kenntnsse
MehrWerkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
MehrÜbungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2
Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
Mehr2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.
2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrTheoretische Physik II Elektrodynamik Blatt 2
PDDr.S.Mertens M. Hummel Theoretsche Physk II Elektrodynamk Blatt 2 SS 29 8.4.29 1. Rechnen mt Nabla. Zegen Se durch Auswertung n kartesschen Koordnaten de folgende Relaton und werten Se de anderen Relatonen
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrNoethertheorem. 30. Januar 2012
Noethertheorem 30. Januar 2012 1 Inhaltsverzechns 1 Symmetre 3 1.1 Symmetre n der Geometre................... 3 1.2 Symmetre n der Mathematk.................. 3 1.3 Symmetre n der Physk.....................
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrTemperaturabhängigkeit der Beweglichkeit
Temperaturabhänggket der Beweglchket De Beweglchket nmmt mt zunehmender Temperatur ab! Streuung mt dem Gtter! Feldabhänggket der Beweglchket Für sehr hohe Feldstärken nmmt de Beweglchket n GaAs ab! Feldabhänggket
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrAsymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
Mehr3 Elastizitätstheorie
3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)
Mehr5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Mehr14 Exakte Statistik nichtwechselwirkender Teilchen
Woche 4 Exakte Statstk nchtwechselwrkender Telchen 4 Bose-Ensten Statstk Engeführt von Satyendra ath Bose 924) für Photonen von A Ensten für massve Telchen 925) Voraussetzung: Bosonen Telchen mt ganzzahlgen
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrDer starre Körper. 1 Grundlagen. Dominik Fauser. 1.1 Denition. 1.2 Freiheitsgrade
Der starre Körper Domnk Fauser 1 Grundlagen 1.1 Denton Als enen starren Körper bezechnet man en System von Massepunkten m, deren Abstände zuenander konstant snd: r j = r r j. Mest betrachtet man ene sehr
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
Mehr4. Rechnen mit Wahrscheinlichkeiten
4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
MehrExperimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
MehrAUFGABEN ZUR INFORMATIONSTHEORIE
AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrTechnische Universität Dresden Fachrichtung Mathematik
Technsche Unverstät Dresden Fachrchtung Mathematk Insttut für Mathematsche Stochastk Vertelungskonvergenz für V und U Statstken baserend auf multplen stochastschen Integralen vom Wenertyp Dplomarbet zur
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
Mehr4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:
4.5 Lemma Das folgende Problem Par, 0, }max st NP-vollständg: Inut: d, m N mt m d, α N und x,...,x m, 0, } d l.u.. Frage: Exsteren κ,...,κ m, }, sodass m κ x α? Bemerkung: Beachte, dass wegen Satz 4.2
Mehr8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0
8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
Mehr2. Wahrscheinlichkeitsrechnung
. Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrTheoretische Physik: Mechanik
Ferenkurs Theoretsche Physk: Mechank Sommer 2017 Vorlesung 2 (mt freundlcher Genehmgung von Merln Mtscheck und Verena Walbrecht) Technsche Unverstät München 1 Fakultät für Physk Inhaltsverzechns 1 Systeme
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrZ Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet
MehrEntscheidungstheorie Teil 3. Thomas Kämpke
Entschedngstheore Tel 3 Thomas Kämpke Sete Entschedngstheore Tel 3 Inhalt St. Petersbrg Paradoon (Bernoll 73) Präferenzfnktonen ttelpnktsmethode zr Bestmmng von Wertfnktonen über Intervallen (endmensonal)
MehrAn welche Stichwörter von der letzten Vorlesung können Sie sich noch erinnern?
An welche Stchwörter von der letzten Vorlesung können Se sch noch ernnern? Gasgesetz ür deale Gase pv = nr Gelestete Arbet be sotherme Ausdehnung adabatsche Ausdehnung 2 n Reale Gase p + a 2 ( V nb) =
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrComputerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst
Matheatsches Senar 00 Nuerk Coputerunterstützte Geschtserkennung = Egenface - Methode = hoas Wese Betreuer: PD Dr. Olver Ernst Glederung:. Enletung/Allgeenes. HauptKoponentenAnalyse 3. Egenface Methode.
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrDichtematrix und verschränkte Zustände
Dchtematrx und verschränkte Zustände Felpe Gerhard Unverstät Segen QM-Semnar, 20/06/2006 Dchtematrx und verschränkte Zustände - Felpe Gerhard, Unverstät Segen 1 Überscht 1. Rene und gemschte Zustände 2.
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
Mehr