Fouriertransformation und Unschärfeprinzip
|
|
- Reinhardt Knopp
- vor 6 Jahren
- Abrufe
Transkript
1 Information, Codierung, Komplexität 2 SS April 2007 Das berühmte von Heisenberg in der Quantentheorie beruht, rein mathematisch betrachtet, auf einer grundlegenden Eigenschaft der der Dichtefunktionen von Wahrscheinlichkeitsverteilungen. Normalverteilungen stellen den Extremfall dar, in dem die Unschärfe-Ungleichung mit Gleichheit erfüllt ist.
2 Theorem e x2 dx = π Beweis ( 2 ( e dx) x2 = = 2π ) ( e x2 dx e (x2 +y 2) dx dy = e r 2 r dr dφ 0 0 = 2π [ 12 ] r= e r 2 = π r=0 e y 2 dy )
3 Mittels partieller Integration erhält man Folgerung x 2 e x2 dx = π 2 Für α > 0 ergibt sich mit Variablentransformation Folgerung e α2 x 2 π dx = α x 2 e α2 x 2 π dx = 2α 3
4 Mittels quadratischer Ergänzung im Exponenten findet man für reelles ω Folgerung e α2 x 2 e iωx dx = π ω 2 α e 4α 2 und das liefert die Fouriertransformierte der Dichte einer Normalverteilung mit Mittelwert 0 und Varianz σ 2 : Folgerung 1 2π 1 e x2 2σ 2 e iωx dx = 1 e ω2 σ 2 2 2πσ 2π
5 Wird die genannte Dichte mit bezeichnet, so gilt natürlich Folgerung g(σ, x) = 1 2πσ e x2 2σ 2 g(σ, x) dx = 1, x 2 g(σ, x) dx = σ 2 und die Aussage über die Fouriertransformierte kann man so schreiben Folgerung Fg(σ, x) = g(1, σ ω)
6 Eine ganz ähnliche Beziehung erhält man für die Fouriertransformierte der Quadratwurzel aus g(σ, x): F g(σ, x) = und das schreibt sich elegant so 2 π σ ω 2 e σ2 = 2σ e 2π ω2 2( 2σ 1 )2 Folgerung F g(σ, x) = g( 1 2σ, ω) d.h. ( F g(σ, x)) 2 ist die Dichte einer Normalverteilung mit Mittelwert 0 und Varianz 1/(2σ) 2.
7 Für integrierbare Funktionen f : R C wird deren Fouriertransformierte Ff : R C definiert durch Definition (Ff )(ω) = 1 2π f (x) e i ω x dx Analog definiert man die konjugierte Transformation Definition (F f )(ω) = 1 2π f (x) e i ω x dx Offensichtlich ist (Ff ) = F f
8 Lemma Für integrierbare Funktionen f, g : R C gilt (Ff )(s) g(s) ds = f (s) (Fg)(s) ds Ist f stetig und integrierbar und ist auch Ff integrierbar, so gilt Umkehrformel f (x) = 1 (Ff )(ω) e i ω x dω = (F (Ff ))(x) 2π d.h. F und F sind invers zueinander: F 1 = F
9 Für integrierbare Funktionen f, g : R C ist die Faltung f g : R C definiert durch Definition (f g)(x) = 1 2π f (x y) g(y)dy Eine ganz wichtige Eigenschaft der Faltungstheorem F(f g) = (Ff ) (Fg)
10 Bezüglich der Ableitung von Funktionen gilt Ableitungsformel D ω (Ff ) = i (F [I x f ]) F [D x f ] = i I ω Ff wobei I x = Multiplikation mit x, D x = Ableitung nach x
11 Definition L 1 (R, C) := Menge der integrierbaren Funktionen f : R C L 2 (R, C) := Menge der quadrat-integrierbaren Funktionen Auf L 2 (R, C) definiert man ein Skalarprodukt und eine Norm Definition f, g = f 2 2 := f, f = f (x) g(x) dx f (x) f (x) dx = f (x) 2 dx NB: L 2 (R, C) (modulo Nullfunktionen) ist ein separabler Hilbertraum
12 Cauchy-Schwarz-Ungleichung f, g 2 f 2 2 g 2 2 Parseval-Plancherel-Identität Für f, g L 1 (R, C) L 2 (R, C) gilt Ff, Fg = f, g und insbesondere Ff 2 = f 2 Beweis: Ff, Fg = (Ff ) (Fg) = (F f ) (Fg) = F(F f ) g = f g D.h.: die ist ein unitärer Operator auf dem Raum L 1 (R, C) L 2 (R, C)
13 Ist f (x) eine genügend gutartige Funktion (alle beteiligten Integrale existieren und haben einen endlichen Wert), so gilt (partielle Integration!) x d dx f (x) 2 dx = 2Re I x f, D x f = Für normierte Funktionen, d.h. f 2 = 1 gilt also f (x) 2 dx = f 2 2 Re I x f, D x f = 1 2 Aus der Cauchy-Schwarz-Ungleichung ergibt sich I x f 2 D x f 2 I x f, D x f Re I x f, D x f = 1 2 und das bedeutet schliesslich I x f 2 I ω Ff 2 1 2
14 Damit ist gezeigt Unschärferelation der x 2 f (x) 2 dx ω 2 (Ff )(ω) 2 dω 1 4 für geeignete normierte Funktionen f L 2 (R, C) (für die z.b. auch f L 2 (R, C) gilt).
15 Interpretation: für f L 2 (R, C) mit f 2 2 = f (x) 2 dx = 1 kann man ρ f : x f (x) 2 = f (x) f (x) als Dichtefunktion einer Wahrscheinlichkeitsverteilung P f auf R auffassen. Die Varianz dieser Verteilung ist natürlich var(p f ) = x 2 f (x) 2 dx Wegen Parseval-Plancherel ist Ff = f = 1, d.h. auch ρ Ff : ω (Ff )(ω) 2 = (Ff )(ω) (Ff )(ω) ist die Dichte einer Wahrscheinlichkeitsverteilung Q f auf R. Diese hat die Varianz var(q f ) = ω 2 (Ff )(ω) 2 dω
16 Varianz-Unschärfe für Wahrscheinlichkeitsverteilungen var(p f ) var(q f ) 1 4 Dabei wird der Fall der Gleichheit für Normalverteilungen erreicht: und somit P f = N (0, σ 2 ) Q f = N (0, 1/(2σ 2 )) var(p f ) var(q f ) = σ 2 1 (2σ) 2 = 1 4 (und das charakterisiert sogar die Normalverteilungen!) Beachte: Fourier-transformiert wird nicht die Dichte ρ f der Verteilung, sondern f, also im Fall der Normalverteilung die Quadratwurzel aus der Dichte!
L 2 -Theorie und Plancherel-Theorem
L -Theorie und Plancherel-Theorem Seminar Grundideen der Harmonischen Analysis bei Porf Dr Michael Struwe HS 007 Vortrag von Manuela Dübendorfer 1 Wiederholung aus der L 1 -Theorie Um die Fourier-Transformation
Mehr53 Die Parsevalsche Gleichung
53 Die Parsevalsche Gleichung 53 Die Parsevalsche Gleichung 5 53. Skalarprodukte auf Räumen quadratintegrierbarer Funktionen. a) Die Orthogonalitätsrelationen (5.5) legen die Interpretation des Ausdrucks
MehrFourier-Transformation
ANHANG A Fourier-Transformation In diesem Anhang werden einige Definitionen Ergebnisse über die Fourier-Transformation dargestellt. A. Definition Theorem & Definition: Sei f eine integrable komplexwertige
MehrZusammenfassung : Fourier-Reihen
Zusammenfassung : Fourier-Reihen Theorem : Jede (nicht-pathologische) periodische Funktion läßt sich schreiben als "Fourier-Reihe" der Form: Vorzeichen ist Konvention, in Mathe : + Fourier-Transformation
MehrInterpretation: f(x) wird zerlegt als Summe von unendlich vielen Funktionen
C6.3 Fourier-Transformation Entspricht Fourier-Reihe für 'Fourier-Integral' Für endliches L: (C6.1b.3) Für stellt eine kontinuierliche Funktion dar: und Fourier-Summe wird ein Integral: 'Fourier-Transformation'
MehrGrundlagen der Fourier Analysis
KAPITEL A Grundlagen der Fourier Analysis Wir definieren wie üblich die L p -Räume { ( } 1/p L p (R) = f : R C f(x) dx) p =: f p < 1. Fourier Transformation in L 1 (R) Definition A.1. (Fourier Transformation,
Mehr30: Fourier-Transformation
Motivation 30: Fourier-Transformation 30.1 Motivation Im letzten Kapitel wurde die Laplace-Transformation f ÔtÕ FÔsÕ für Funktionen f : Ö0, Õ C definiert. 0 f ÔtÕe st dt, s È C, Wir behandeln nun Funktionen
MehrParseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: Parseval-Identität. Speziell:
Parseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: (kühnes Vertauschen von Integral und Summe!) Parseval-Identität Speziell: Anmerkung: beide Seiten kann man als Skalarprodukt
Mehr72 Orthonormalbasen und Konvergenz im quadratischen Mittel
72 Orthonormalbasen und Konvergenz im quadratischen Mittel 30 72 Orthonormalbasen und Konvergenz im quadratischen Mittel Wir untersuchen nun die Konvergenz von Fourier-Reihen im quadratischen Mittel in
MehrKapitel 10 Die Fourier Transformation. Disclaimer
Kapitel 10 Die Fourier Transformation Paul Bergold 7. Januar 2016 Disclaimer Dies ist meine persönliche Vortragsvorbereitung für das Seminar Early Fourier Analysis im Wintersemester 2015/16 an der TUM.
MehrInverse Fourier Transformation
ETH Zürich HS 27 Departement Mathematik Seminararbeit Inverse Fourier Transformation Patricia Hinder Sandra König Oktober 27 Prof. M. Struwe Im Vortrag der letzten Woche haben wir gesehen, dass die Faltung
MehrReelle 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
MehrKapitel 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
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrAnmerkung: Falls f(x) nicht ganz glatt ist, sondern nur stückweise stetig differenzierbar ist (d.h. Sprünge hat), gilt (Satz v.
Fourier-Reihen für periodische Funktionen Sei periodisch, mit Periode L: Auch für diesen Fall gilt die Fourier- Reihen-Darstellung (b.3), mit : (b.3) (und stückweise stetig differenzierbar) (c.5) Integral
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrKontinuierliche Fourier-Transformation. Laplace-Transformation
Kontinuierliche Fourier-Transformation. Laplace-Transformation Jörn Loviscach Versionsstand: 16. Juni 2010, 17:56 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
MehrTeil III. Fourieranalysis
Teil III Fourieranalysis 3 / 3 Fourierreihen Ziel: Zerlegung einer gegebenen Funktion in Schwingungen Konkret: f : (, L) R gegebene Funktion Gesucht: Darstellung der Form ( f (x) = a + a n cos ( n L x)
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
MehrFourierreihen und -transformation
Kapitel Fourierreihen und -transformation. Fourierreihen 8 postulierte Fourier (ohne stichhaltige Beweise: Jede beliebige Funktion f(x mit Periode, d. h. f(x = f(x +, lässt sich in eine Reihe der Gestalt
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
Mehr1 Verbandstheorie. Aufgabensammlung. Höhere Mathematik für Physiker III Wintersemester 2014
Aufgabensammlung Höhere Mathematik für Physiker III Wintersemester 2014 1 Verbandstheorie 1. Aufgabe: (a) Sei f C(R) eine stetige Funktion. Wenn Rf(x)φ(x)dx = 0 für alle Testfunktionen φ Cc (R) gilt, dann
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrT2 Quantenmechanik Lösungen 1
T Quantenmechanik Lösungen 1 LMU München, WS 17/18 1.1. Gaußsche Normalverteilung Prof. D. Lüst / Dr. A. Schmidt-May version: 18. 1. Die Gaußsche Normalverteilung ist eine kontinuierliche Verteilungsfunktion
MehrBemerkung Als Folge von Satz 6.2 kann man jede ganze Funktion schreiben als Potenzreihe. α m z m. f(z) = m=0. 2πi. re it t [0,2π] 2πi
Funktionentheorie, Woche 7 Eigenschaften holomorpher Funktionen 7.1 Ganze Funktionen Definition 7.1 Eine Funktion f : C C, die holomorph ist auf C, nennt man eine ganze Funktion. Bemerkung 7.1.1 Als Folge
Mehr3.2 Rekonstruktion. 3.2 Rekonstruktion
Bei der Aufnahme eines Bildes in der Praxis erhält man so gut wie nie direkt jenes Bild, das man gerne verwenden w urde. Wie schon in der Einleitung beschrieben, passiert dies entweder durch Verzerrung(falsche
Mehrfalls falls Tiefpassfilter lässt tiefe Frequenzen durch und dämpft hohe Frequenzen.
Anwendung v. Faltungstheorem: Tiefpassfilter Wähle so, dass Dann: Somit: Tiefpassfilter lässt tiefe Frequenzen durch und dämpft hohe Frequenzen. Zusammenfassung habe Periode, mit stückweise stetig und
MehrWestfälische Wilhelms-Universität Münster. Seminararbeit. Fourier-Reihen. vorgelegt von. Stefan Marczinzik
Westfälische Wilhelms-Universität Münster Seminararbeit Fourier-Reihen vorgelegt von Stefan Marczinzik Fachbereich Mathematik und Informatik Seminar: Integraltransformationen (WS /3) Seminarleiter: Prof.
MehrDie Fourier-Transformierte
Die Fourier-Transformierte Proseminar Analysis Sommersemester 008 Natalia Dück 6.06.08 Inhaltsverzeichnis Einleitung/Fourier-Transformierte. Definition..................................... Beispiele......................................3
MehrVorlesung Lineare Funktionale LINEARE FUNKTIONALE 69
13.1. LINEARE FUNKTIONALE 69 Vorlesung 13 13.1 Lineare Funktionale Der Begriff der schwachen Konvergenz wird klarer, wenn man lineare Funktionale betrachtet. Das Skalarprodukt f, g in Hilberträumenkann
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr6 Räume integrierbarer Funktionen
$Id: L.tex,v 1.5 2012/01/19 15:07:43 hk Ex $ $Id: green.tex,v 1.3 2012/01/19 15:18:26 hk Ex hk $ 6 Räume integrierbarer Funktionen In der letzten Sitzung hatten wir die sogenannte L -Norm ( 1/ f := f(x)
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. M. Sc. SS 6 9.9.6 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zur Übungsklausur
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrKapitel 5. Vektorräume mit Skalarprodukt
Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
Mehr6.2 Beispiel: endlich dimensionale Räume
6.2 Beispiel: endlich dimensionale Räume 81 6.2 Beispiel: endlich dimensionale Räume Wir stellen hier ein paar Aussagen über verschiedene Normen in endlich dimensionalen Räumen vor. Sie dienen vor allem
MehrLösung 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,
Mehrf(x ϱz) f(x) p dx dz Im letzten Integral geht der Integrand punktweise gegen Null mit ϱ 0 nach Lemma 11.1(ii). Außerdem gilt die Abschätzung
11 Faltung und Fouriertransformation 109 Beweis: Durch Substitution sieht man η ϱ L 1 = η L 1, daher gilt f η ϱ L p ( ) und f η ϱ L p f L p η L 1 nach Satz 11.. Weiter folgt mit der Substitution y = ϱz
MehrI 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........................
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehr13 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
Mehr18 Kontinuierliche Fourier-Transformation. Laplace-Transformation
18 Kontinuierliche Fourier-Transformation. Laplace-Transformation Jörn Loviscach Versionsstand: 28. März 2015, 21:30 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos:
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrWiederholung. Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen.
Wiederholung Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen. Definition. Sei X eine Menge und d : X X R eine Abbildung mit den Eigenschaften 1.
MehrLebesgue-Integral und L p -Räume
Lebesgue-Integral und L p -Räume Seminar Integraltransformationen, WS 2012/13 1 Treppenfunktionen Grundlage jedes Integralbegriffs ist das geometrisch definierte Integral von Treppenfunktionen. Für A R
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrAnalysis III, WS 2011/2012 Montag $Id: masse.tex,v /10/31 15:48:07 hk Exp $
$Id: masse.tex,v 1.8 2011/10/31 15:48:07 hk Exp $ 2 Maßräume 2.2 Meßbare Abbildungen Der nächste Grundbegriff sind die meßbaren Abbildungen. Erinnern Sie sich daran das wir eigentlich einen Integralbegriff
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrDie Wärmeleitungsgleichung
Die Wärmeleitungsgleichung In einem Stab der Länge 1 wird die Temperaturverteilung gegeben durch die Funktion u : ([0,1] [0, )) R, u(x,t) ist die Temperatur am Punkt x zum Zeitpunkt t. Die Funktion erfüllt
Mehr8 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
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
MehrDas Lebesgue-Maß im R p
Das Lebesgue-Maß im R p Wir werden nun im R p ein metrisches äußeres Maß definieren, welches schließlich zum Lebesgue-Maß führen wird. Als erstes definieren wir das Volumen von Intervallen des R p. Seien
MehrShift-Invarianz, periodische Funktionen, diskreter Logarithmus, hidden-subgroup-problem
Shift-Invarianz, periodische Funktionen, diskreter Logarithmus, hidden-subgroup-problem Quantencomputing SS 202 5. Juni 202 5. Juni 202 / 20 Shift-Invarianz der Fourier-Transformation Shift-Invarianz der
MehrTheorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x).
Theorem 9 Sei G eine Verteilungsfunktion in IR. 1. Quantil-Transformation: Wenn U U(0, 1) (standard Gleichverteilung), dann gilt P(G (U) x) = G(x). 2. Wahrscheinlichkeit-Transformation: Sei Y eine Zufallsvariable
MehrKlausur Höhere Mathematik I für die Fachrichtung Physik
Karlsruher Institut für Technologie (KIT Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning WS /3 4.3.3 Klausur Höhere Mathematik I für die Fachrichtung Physik Aufgabe ((4+3+3 Punkte a Welche
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 7
ETH Zürich FS 4 D-MATH Koordinator Prof. Dr. J. Teichmann Mayra Bermúdez C. Wahrscheinlichkeit & Statistik Musterlösung Serie 7. a) P[t < T t + h T > t] λ(t) lim h h P[{t < T t + h} {T > t}] lim h P[T
MehrUnter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über
9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres
MehrKapitel I. Hilberträume.
Kapitel I. Hilberträume. 1. Grundbegriffe. Ein Prä-Hilbertraum ist ein Vektorraum über C mit einem inneren Produkt (=Skalarprodukt, positive Form). Wir beginnen daher mit (Sesquilinear-) Formen. 1.1. Definition.
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrUnabhängige 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
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
Mehr2 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
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
Mehr1.3 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
MehrRiesz scher Darstellungssatz und Duale Räume
Riesz scher Darstellungssatz und Duale Räume LV Numerik Partieller Differentialgleichungen Bärwolff SS 2010 14.06.2010 Julia Buwaya In der Vorlesung wurde der Riesz sche Dartsellungssatz als wichtiges
MehrPunktweise Konvergenz stückweise glatter Funktionen. 1 Vorbereitungen
Vortrag zum Seminar zur Fourieranalysis, 3.10.007 Margarete Tenhaak Im letzten Vortrag wurde die Fourier-Reihe einer -periodischen Funktion definiert. Fourier behauptete, dass die Fourier-Reihe einer periodischen
MehrSPEZIELLE KAPITEL DER MATHEMATIK TEIL 1
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik SPEZIELLE KAPITEL DER MATHEMATIK TEIL 1 13. Fourier-Reihen Prof. Dr. Gunar Matthies Wintersemester 216/17
MehrOrthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrEin Blick über den Tellerrand... mit FreeFem++
Ein Blick über den Tellerrand... mit FreeFem++ Eine Einführung und etwas Theorie Steffen Weißer Universität des Saarlandes 30. Oktober 2015 Gliederung 1 Zum Seminar 2 Was ist eine PDE? 3 Etwas Funktionalanalysis
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
Mehr8 Laplace-Transformation
8 Laplace-Transformation Ausgangspunkt: Die Heaviside-Funktion für t < u(t) = 1 für t besitzt keine Fourier-Transformation. Denn: Formal bekommt man das unbestimmte Integral ^u(ω) = e iωτ dτ = 1 iω das
Mehr9. Polynom- und Potenzreihenringe
64 Andreas Gathmann 9. Polynom- und Potenzreihenringe Bevor wir mit der allgemeinen Untersuchung von Ringen fortfahren, wollen wir in diesem Kapitel kurz zwei sehr wichtige weitere Beispiele von Ringen
MehrHöhere Mathematik 3 Herbst 2014
IMNG, Fachbereich Mathematik Universität Stuttgart Prof. Dr. K. Höllig Höhere Mathematik 3 Herbst 214 Aufgabe 1 Entscheiden Sie, welche der folgenden Aussagen richtig und welche falsch sind. (i) rot(2
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Spurklasse-Operatoren und Hilbert-Schmidt-Operatoren
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. H. Spohn Max Lein Ulrich Mauthner Quantendynamik SoSe 006 en Blatt 8 006.06.6 Spurklasse-Operatoren und Hilbert-Schmidt-Operatoren Aufgabe 1
MehrHöhere Funktionalanalysis WS2016/17 Übungsblatt
Höhere Funktionalanalysis WS2016/17 Übungsblatt 1 11.10.2016 Aufgabe 1. Berechne die Normen der Operatoren (a) f L [0, 1], M f : L 2 [0, 1] L 2 [0, 1], (M f g)(x) = f(x)g(x). (b) g C[0, 1], T g : C[0,
MehrStrassen 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
MehrBlatt 11.1: Fourier-Integrale, Differentialgleichungen
Fakultät für Physik R: Rechenmethoden für Physiker, WiSe 204/5 Dozent: Jan von Delft Übungen: Benedikt Bruognolo, Katharina Stadler http://homepages.physik.uni-muenchen.de/~vondelft/lehre/4t0/ Blatt.:
Mehr2. Integration. {x : f(x) <a+ 1 n }
9 2.1. Definition. 2. Integration in Maß ist eine nichtnegative, abzählbar additive Mengenfunktion. in Maßraum ist ein Tripel (X,,µ) bestehend aus einem messbaren Raum X mit der -lgebra und einem auf definierten
Mehr