Übung 1: Stochastik und Datenübertragung
|
|
- Klara Hannah Engel
- vor 6 Jahren
- Abrufe
Transkript
1 Wintersemester 6/7 Rechnernetze Universität Paderborn Fachgebiet Rechnernetze Übung : Stochastik und Datenübertragung. Maßzahlen einer Stichprobe Bestimmen Sie den Mittelwert µ, die Varianz σ und die Standardabweichung σ der folgenden Stichprobe: Lösung: µ 5., σ.98, σ Notiz zur Varianzberechnung mit Stichproben; optionales Material: Die Varianz einer Zufallsvariable ist definiert über die Verteilungsfunktion. Für den Spezialfall einer Zufallsvariable mit nur endlich vielen Werten x i (Anzahl: N), die alle gleich häufig sind, vereinfacht sich das zu: σ = /N i (x i µ) (mit Kurzschreibweise: µ = E[X]) Wir kennen aber nicht die Zufallsvariable, sondern nur eine Stichprobe daraus. Nehmen wir an, der Umfang der Stichprobe sei n (Achtung: kleines n! Das großes N ist die nicht bekannte Anzahl der möglichen Werte der Zufallsvariable) und wir haben die Werte y i, i =,..., n beobachtet. Wir versuchen nun, aus dieser beobachteten Stichprobe die nicht bekannte Varianz zu schätzen: Einen Schätzer zu bestimmen. Grundsätzlich kann man eine beliebige Funktion f(y,..., y n ) als Schätzer auffassen, aber natürlich hätte man gerne einen irgendwie plausiblen Schätzer. Eine plausible Anforderung ist, dass ein Schätzer, wenn ich unendlich oft eine Stichprobe nehme, jedesmal den Schätzer ausrechne, dann wenigstens im Mittel der Schätzungen das richtig Ergebnisse bekomme (eine einzelne Schätzung wird im allgemeinen nicht den korrekten Wert liefern). Nehmen wir s als Kurzschreibweise für s = f(y,..., y n ) (das Quadrat soll daran erinnern, dass wir die Varianz schätzen), dann heisst das formal das wir gerne: E[s ] = σ hätten - ein solcher Schätzer heißt erwartungstreu. Ein einfacher, erwartungstreuer Schätzer für den Erwartungswert µ der Zufallsvariable ist y = /n (y i ) Wie sieht ein solcher Schätzer für die Varianz aus? Versuch : s = /n i (y i y ) Dann stellt sich raus, dass das nicht erwartungstreu ist! (Letztlich: Definitionen einsetzen und ausrechnen) Versuch : s = /(n ) i (y i y ) Das IST erwartungstreu! Intuition: ich rechne ja schon einen Schätzer y für den Mittelwert µ aus meiner Stichprobe aus - in der Schätzformel steht y wo eigentlich µ stehen müsste (aber µ kenne ich ja nicht). Dieser Mittelwert y wird IMMER in der Mitte der Stichprobe liegen, auch wenn meine Stichprobe durch Rechnernetze WS 6/7 Übung
2 Zufall ganz komische, untypische Werte ausgewählt hat (z.b. nur ganz kleine). Dann ist der Abstand y i zu y aber (im Mittel) kleiner als der zu µ! Deswegen unterschätzt der erste Schätzer die Varianz! Der zweite Schätzer korrigiert diesen Fehler (formal argumentiert man hier über sog. Freiheitsgrade... ). Weiterlesen? Eine vernünftige Illustration (wenn auch in Details etwas schlampig) ist das hier: review-and-intuition-why-we-divide-by-n--for-the-unbiased-sample-variance Details finden sich unter dem Begriff Besselkorrektur, z.b. hier: s_correction. Geschmackssache. Zufallsexperiment: Münzwurf Zwei faire Münzen werden gleichzeitig geworfen. (a) Geben Sie den Stichprobenraum an. Lösung: Ω = {(K, K), (K, Z), (Z, K), (Z, Z)} (b) Wie groß ist die Wahrscheinlichkeit, dass eine Münze Zahl und die andere Münze Kopf liefert? günstige Fälle Lösung: Pr ((K, Z) oder (Z, K)) = mögliche Fälle = {(K,Z),(Z,K)} Ω = Jetzt werde nur eine dieser fairen Münzen mehrfach hintereinander geworfen und das Ergebnis jeweils betrachtet. (c) Wie groß ist die Wahrscheinlichkeit, dass zuerst (k )-mal Zahl und dann einmal Kopf fällt? Lösung: X repräsentiere die Anzahl notwendiger Wurfversuche. Es gilt: Pr(X = k) = / k (/) = / k ; k {,,...} (d) Sie verwenden nun und für alle folgenden Versuche eine manipulierte Münze, die Kopf mit der Wahrscheinlichkeit p anzeigt. Wie groß ist jetzt die Wahrscheinlichkeit, dass zuerst (k )-mal Zahl und dann einmal Kopf fällt? Lösung: Geometrische Verteilung X repräsentiere die Anzahl notwendiger Wurfversuche. Es gilt: Pr(X = k) = ( p) k p; k {,,...} (e) Geben Sie an, wie viele Versuche Sie im Durchschnitt benötigen, bis zum ersten Mal Kopf fällt. Lösung: Erwartungswert: E(X) = j( p) j p = p j= (Kann gezeigt werden mittels d dq qj = jq j, Berechnung der geometrischen Reihe mit q <, wobei q = p, dann ableiten) E(X) = j( p) j p = p d dp j= ( p) j = p d dp ( p ) = p( p ) = p j= Rechnernetze WS 6/7 Übung
3 3. Alle Jahre wieder (Wiederholung Stochastik) In Vorbereitung auf Weihnachten möchten Sie Weihnachtsbaumkugeln im Internet bestellen. Ein Karton enthält n Weihnachtsbaumkugeln. Bei der Lieferung zerbricht jede einzelne Kugel mit der Wahrscheinlichkeit p =,. Die Kugeln zerbrechen unabhängig voneinander. (a) Mit welcher Wahrscheinlichkeit enthält ein Karton genau k zerbrochene Kugeln, k n? Lösung: Bernoulli-Prozess, da Kugel entweder zerbrochen () oder heile (). Sei X die Anzahl zerbrochener Kugeln in einem Karton. X ist B n,p verteilt (Binominialverteilung), d.h. ( ) n Pr(X = k) = p k ( p) (n k) k (b) Einen Karton mit mindestens einer zerbrochenen Weihnachtsbaumkugel werden Sie reklamieren. Bestimmen Sie die Wahrscheinlichkeit für eine Reklamation in Abhängigkeit von n und p. Lösung: Heiler Karton mit Wahrscheinlichkeit p = P (X = ) = ( p) n. Reklamation bei defekter Kugel also Pr(X > ) = p = ( p) n. (c) Wie viele Kartons müssen im Mittel versendet werden, bis Sie einen Karton ohne zerbrochene Kugeln empfangen? Lösung: Sei Y die Anzahl notwendiger Sendungen, d.h. Y = k bedeutet, dass k Kartons beschädigt, der k-te Karton jedoch korrekt empfangen wurde. Gesucht ist jetzt der Erwartungswert von Y. Pr(Y = k) = ( p ) (k ) p. Damit gilt: E[Y ] = = k Pr(Y = k) k= k( p ) (k ) p k= Umformung analog zu Aufgabe e = p 4. Paketvermittlung/Leitungsvermittlung (packet/circuit switching) Es soll eine Nachricht der Länge L bits zwischen zwei Rechnern übertragen werden, die allerdings nicht direkt miteinander verbunden sind. Die Nachricht muss über k dazwischen liegende Rechner weitergeleitet werden. Nehmen Sie an, dass alle Verbindungen in diesem Netz eine einheitliche Datenrate von R bits/s aufweisen und dass die Ausbreitungsverzögerung (Propagation delay) vernachlässigbar ist. (a) Das Netz sei paketvermittelt. Stellen Sie die Übertragung mit k = in einem Weg-Zeit- Diagramm (Message Sequence Chart) dar. Erläutern Sie, welche Annahmen Sie dabei treffen! (b) Ein Paket kann höchstens Nutzdaten der Länge P bits aufnehmen (Payload) und besitzt einen Paketkopf (Header) der festen Größe H bits. Geben Sie nun eine Formel für die Sendedauer T tx an. (Sendedauer = Dauer erstes bis letztes Bit gesendet.) Lösung: T tx = L P H+L R (c) Geben Sie eine Formel für die gesamte Übertragungsdauer T D an. (Übertragungsdauer = Begin Senden des ersten Bits bis Ende Empfangen des letzten Bits.) Lösung: T D = T tx + k H+P R Rechnernetze WS 6/7 Übung 3
4 (d) Bestimmen Sie die Paketgröße P, mit der die Zeit minimiert wird, bis das letzte Paket der Nachricht vollständig am Ziel eingetroffen ist. Hinweis: Vereinfachen Sie x zu x und x zu x, wenn nötig. Lösung: (T D) P = P = LH k (e) Das Netz sei jetzt leitungsvermittelt. Stellen Sie die Übertragung mit k = in einem Weg- Zeit-Diagramm dar. Achten Sie dabei darauf, den Auf- und Abbau der Leitung darzustellen! Erläutern Sie ebenfalls wieder alle Annahmen, die Sie treffen! (f) Sei T s die Zeit, die jeweils zum Verbindungsaufbau bzw. -abbau benötigt wird. Geben Sie eine Formel für die Übertragungsdauer T D,l an. Lösung: T D,l = T S + L R (g) Vergleichen Sie nun Paketvermittlung und Leitungsvermittlung im Hinblick auf die vollständige Übertragungsdauer T D,p bzw. T D,l. Wann würden Sie Leitungsvermittlung bevorzugen, wann Paketvermittlung? Was ändert sich insbesondere, wenn die Ausbreitungsverzögerung nicht vernachlassigbar ist? Lösung: Paketvermittlung ist bei der Übertragung kleinerer Datenmengen zu bevorzugen, so dass man sich den Verbindungsaufbau und -abbau erspart. Bei großen Datenmengen bringt Paketvermittlung jedoch viel Overhead (Header), so dass sich Leitungsvermittlung lohnen kann. Formal: Leitungsvermittlung lohnt sich, sobald die Übertragungsdauer des gesamten Overheads der Paketvermittlung die zeit des Verbindungsaufbaus/-abbaus übersteigt. Ist die Ausbreitungsverzögerung nun nicht mehr vernachlässigbar, so hat die größere Auswirkungen auf die Leitungsvermittlung, wegen des Verbindungsaufbaus/-abbaus. Die Datenschranke ab der sich leitungsvermittlung lohnt wächst demnach. 5. Fourier-Analyse und Tiefpass-Kanal Erinnerung: Die Fourier-Transformation ist gegeben durch: c = T a n = T b n = T g(t) dt g(t) sin(πnf t) dt g(t) cos(πnf t) dt (a) Berechnen Sie die Koeffizienten c, a, a, b, b der Fourier-Transformation für das aus dem Zeichen b resultierende Signal g(t) (siehe Abb.??). Lösung: Es gilt: g(t) = c + a n sin (πnft) + b n cos (πnft) n= n= 3 7 c = T g(t)dt = T dt + T 6 dt = T [(3 ) + (7 6)] = 6 T = 3 4 Rechnernetze WS 6/7 Übung 4
5 Abbildung : Binärdarstellung des ASCII-Codes von b als Signal 3 a = g(t) sin(πnft)dt = sin(πft)dt + sin(πf t)dt T T T 6 = [ cos(πft) ] 3 + [ cos(πft) ] 7 T πf T πf 6 = [ cos(6πf) + cos(πf) cos(4πf) + cos(πf)] πft =/ =/ = / = = {}}{{}}{{}}{{}}{ cos(3/4π) + cos(/4π) cos(7/4π) + cos(6/4π) = π π 7 b = T g(t) cos(πnft)dt =... = /π( / ) = π π (b) Berechnen Sie a n und b n für den allgemeinen Fall. Lösung: a n = T für n,..., 8 mod 8 b n = T für n... 8 mod 8 g(t) sin(πnft)dt =... = πn { } ; ; ; ; ; ; ; { } g(t) cos(πnft)dt =... = πn ; 3; ; ; + ; 3; + ; Die Dauer eines Bits beträgt ms. Da der ASCII-Code durch acht Bits repräsentiert wird, folgt damit T = 8 ms. Sie übertragen das Signal über einen Kanal mit Tiefpass, der folgende Eigenschaften hat: Frequenzen kleiner gleich khz werden ungedämpft übertragen Frequenzen größer als khz werden vollständig gefiltert (c) Berechnen Sie, welche Harmonischen des Signals übertragen werden. Lösung: f = /T = /8 khz = 5 Hz /5 = 8, d.h. bis zur 8. Harmonischen werden alle Harmonischen übertragen. Rechnernetze WS 6/7 Übung 5
6 Zusatzaufgaben: Zusatzaufgaben dienen der Wissensvertiefung und sind mit gekennzeichnet. (d) Zeichnen Sie das Signal am Empfänger (z.b. mit Hilfe von MATLAB, Octave, Gnuplot,... ). Lösung: g empf (t) = c + 8 n= a n sin (πn5t) + 8 n= b n cos (πn5t) (e) Nun überlagert der Kanal das Signal zusätzlich mit einem N(, σ )-verteilten Rauschen, wobei σ =. die Standardabweichung ist. Zeichnen Sie wieder das Signal am Empfänger (z.b. mit Hilfe von MATLAB, Tipp: help normrnd). (f) Das verrauschte und bandbegrenzte Signal soll am Empfänger ausgewertet werden. Dabei gilt (k {,,..., 8}): g empf ( + (k ) ) g empf ( + (k ) ) < k-tes Bit = k-tes Bit = Mit obiger Definition wird k immer in Mitte der Bitintervalle gemessen. Lesen Sie graphisch ab, wie viele Bitfehler auftauchen für σ {, ;, ;, 3;, 4;, 5}. 6. Theoreme von Nyquist und Shannon Ein Modem verwendet die Symbole {,,, }. (a) Was ist die obere Schranke für die Datenrate für eine Kanalbandbreite von MHz? Lösung: R u = H log V bits = MHz log 4 bits = 4 Mbits/s (b) Welche Symbolrate liegt bei dieser Übertragungsrate vor? Lösung: Mbaud (c) Welches Signal-zu-Rauschverhältnis (SNR) benötigen Sie am Empfänger, um die Datenrate der oberen Schranke zu erreichen? ) Lösung: R u = H log ( + S N S N Ru H = 4 = 5 (d) Um welchen Faktor verändert sich die minimal benötigte Sendeleistung, wenn Sie nun ein Byte pro Symbol (statt zwei Bits pro Symbol) übertragen wollen (die Rauschleistung sei konstant)? Lösung: Nach Nyquist folgt für die maximale Datenrate R MHz log 56 bits = 6 Mbits/s und somit nach Shannon R H log ( + S S N R H = 6 = Mit a S N = S N a = S S (weil N = N ) gilt a = = N ) Rechnernetze WS 6/7 Übung 6
Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2016
Prof. Dr. Christoph Karg 5.7.2016 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2016 Name: Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
MehrBegriffe aus der Informatik Nachrichten
Begriffe aus der Informatik Nachrichten Gerhard Goos definiert in Vorlesungen über Informatik, Band 1, 1995 Springer-Verlag Berlin Heidelberg: Die Darstellung einer Mitteilung durch die zeitliche Veränderung
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrSignalübertragung und -verarbeitung
ILehrstuhl für Informationsübertragung Schriftliche Prüfung im Fach Signalübertragung und -verarbeitung 6. Oktober 008 5Aufgaben 90 Punkte Hinweise: Beachten Sie die Hinweise zu den einzelnen Teilaufgaben.
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrM13 Übungsaufgaben / pl
Die Histogramme von Binomialverteilungen werden bei wachsendem Stichprobenumfang n immer flacher und breiter. Dem Maximum einer solchen Verteilung kommt daher keine allzu große Wahrscheinlichkeit zu. Vielmehr
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Mehrdbw und dbm dbw und dbm zur logarithmischen Darstellung einer Leistungsgröße P [W]:
dbw und dbm dbw und dbm zur logarithmischen Darstellung einer Leistungsgröße P [W]: Beispiel: Leistungsgröße P out [dbw] bei Leistungsgröße P in [dbw] und Dämpfung L [db] Leistungsgröße P out [W] Grundlagen
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
Mehr1 1. Übung. Einleitung. 1.1 Urnenmodelle. 1.2 Beispiele. 1.3 Aufgaben
Einleitung Dieses sind die kompletten Präsenzaufgaben, die bei der Übung zur Vorlesung Einführung in die Stochastik im Sommersemester 2007 gerechnet wurden. Bei Rückfragen und Anmerkungen bitte an brune(at)upb.de
MehrDie Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB
Die Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB Wie kommen die Bits überhaupt vom Sender zum Empfänger? (und welche Mathematik steckt dahinter) Vergleichende Einblicke in digitale Übertragungsverfahren
MehrSinneswahrnehmungen des Menschen
Sinneswahrnehmungen des Menschen Tastsinn Gleichgewicht Geruch Sehen Gehör Sprache Aktion Multimedia - Kanäle des Menschen Techniken für Medien im Wandel Multimediale Kommunikation Text : Bücher, Zeitschriften
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrK2 MATHEMATIK KLAUSUR 3
K2 MATHEMATIK KLAUSUR 3 NACHTERMIN 2..23 Aufgabe PT WTA WTGS Gesamtpunktzahl Punkte (max 3 5 5 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 3 4 5 3 4 4 3 Punkte WT Ana a b c Summe P. (max 8 4 3
MehrStochastik Pfadregeln Erwartungswert einer Zufallsvariablen Vierfeldertafel Gymnasium
Stochastik Pfadregeln Erwartungswert einer Zufallsvariablen Vierfeldertafel Gymnasium Alexander Schwarz www.mathe-aufgaben.com Oktober 205 Aufgabe : In einer Urne befinden sich drei gelbe, eine rote und
MehrWahrscheinlichkeitsverteilungen
Wahrscheinlichkeitsverteilungen 1. Binomialverteilung 1.1 Abzählverfahren 1.2 Urnenmodell Ziehen mit Zurücklegen, Formel von Bernoulli 1.3 Berechnung von Werten 1.4 Erwartungswert und Standardabweichung
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrVersuch P1-20 Pendel Vorbereitung
Versuch P1-0 Pendel Vorbereitung Gruppe Mo-19 Yannick Augenstein Versuchsdurchführung: 9. Januar 01 Inhaltsverzeichnis Aufgabe 1 1.1 Reduzierte Pendellänge............................. 1. Fallbeschleunigung
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 92 / 234 Maximal erreichte Punktzahl: 7 Minimal erreichte Punktzahl: 1 Durchschnitt: 4 Frage 1 (Diese Frage haben ca. 0% nicht beantwortet.)
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrLösung Aufgabe 19. ( ) = [Mio Euro]. Empirische Varianz s 2 = 1 n
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 4 Gerhard Tutz, Jan Ulbricht, Jan Gertheiss WS 07/08 Lösung Aufgabe 9 (a) Lage und Streuung: Arithmetisches Mittel x = n i=
MehrKapitel 4 Leitungscodierung
Kapitel 4 Leitungscodierung Prof. Dr. Dirk W. Hoffmann Hochschule Karlsruhe w University of Applied Sciences w Fakultät für Informatik Übersicht Quelle Senke Kompression Huffman-, Arithmetische-, Lempel-Ziv
MehrAufgabe 1: Interprozesskommunikation In der Vorlesung wurden zentrale Aspekte von grundlegenden Kommunikationsmustern vorgestellt.
Sommersemester 211 Konzepte und Methoden der Systemsoftware Universität Paderborn Fachgebiet Rechnernetze Präsenzübung 11 vom 2.6.211 bis 24.6.211 Aufgabe 1: Interprozesskommunikation In der Vorlesung
MehrPhysik Profilkurs ÜA 07 mechanische Wellen Ks. 2011
Aufgabe 1) Ein Wellenträger wird mit f = 2,0 Hz harmonisch angeregt, wobei sich Wellen der Länge 30 cm und der Amplitude 3,0 cm bilden. Zur Zeit t o = 0,0 s durchläuft der Anfang des Wellenträgers gerade
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2016 Mathematik Kompensationsprüfung 3 Angabe für Prüfer/innen Hinweise zur
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrDie Mathematik in der CD
Lehrstuhl D für Mathematik RWTH Aachen Lehrstuhl D für Mathematik RWTH Aachen St.-Michael-Gymnasium Monschau 14. 09. 2006 Codes: Definition und Aufgaben Ein Code ist eine künstliche Sprache zum Speichern
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe! 4.2! Frequenzspektren, Fourier-Transformation! 4.3! Abtasttheorem: Eine zweite Sicht Weiterführende Literatur (z.b.):!! Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrÜBUNGEN ZUR VORLESUNG PERFORMANCE VON KOMMUNIKATIONSSYSTEMEN
ÜBUNGEN ZUR VORLESUNG PERFORMANCE VON KOMMUNIKATIONSSYSTEMEN UND NETZEN Sommersemester 2008 Übungsleiter: Dipl.-Ing. Maik Debes 1. PROTOKOLLMECHANISMEN UND IHRE UMSETZUNG IN TCP Abbildung 1 zeigt den TCP-Paketkopf.
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Definition 2.77: Normalverteilung & Standardnormalverteilung Es sei µ R und 0 < σ 2 R. Besitzt eine stetige Zufallsvariable X die Dichte f(x) = 1 2 πσ 2 e 1 2 ( x µ σ ) 2, x R, so heißt X normalverteilt
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
Mehr1. Woche Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes
1 Woche Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes 1 Woche: Einführung in die Codierungstheorie, Definition Codes, Präfixcode, kompakte Codes 5/ 44 Unser Modell Shannon
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
Mehr10 Bedingte Wahrscheinlichkeit
10 Bedingte Wahrscheinlichkeit Vor allem dann, wenn man es mit mehrstufigen Zufallsexperimenten zu tun hat, kommt dem Begriff der bedingten Wahrscheinlichkeit eine bedeutende Rolle zu. Wir klären dazu
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrÜbungsklausur WS 13/14
Übungsklausur WS 13/14 Name, Vorname: Geburtsdatum: Matrikelnummer: Datum: Für die Bearbeitung der Klausur dürfen keine Bleistifte oder Stifte mit roter Farbe verwendet werden. Zusatzblätter, welche nicht
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrMesstechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen:
Messtechnik Gedächnisprotokoll Klausur 2012 24. März 2012 Dokument erstellt von: mailto:snooozer@gmx.de Aufgaben Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Index k 1 2 3 4 5
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
MehrRechnernetze I. Rechnernetze I. 1 Einführung SS 2014. Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404
Rechnernetze I SS 2014 Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404 Stand: 9. Mai 2014 Betriebssysteme / verteilte Systeme Rechnernetze I (1/10) i Rechnernetze
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
MehrHauptdiplomklausur Informatik Juni 2008: Computer Networks
Universität Mannheim Fakultät für Mathematik und Informatik Lehrstuhl für Praktische Informatik IV Prof. Dr.-Ing. W. Effelsberg Hauptdiplomklausur Informatik Juni 2008: Computer Networks Name: Matrikel-Nr.:
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrÜbungsrunde 5, Gruppe 2 LVA , Übungsrunde 5, Gruppe 2, Markus Nemetz, TU Wien, 11/2006
3.. Angabe Übungsrunde 5, Gruppe 2 LVA 07.369, Übungsrunde 5, Gruppe 2, 4.. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, /2006 Betrachten Sie einen Behälter, der Karten mit jeweils einer aufgedruckten
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrP X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1
Übungen zur Stochastik - Lösungen 1. Ein Glücksrad ist in 3 kongruente Segmente aufgeteilt. Jedes Segment wird mit genau einer Zahl beschriftet, zwei Segmente mit der Zahl 0 und ein Segment mit der Zahl
Mehr1 Grundlagen. 1.1 Erste Grundbegriffe 1.2 Kryptographische Systeme 1.3 Informationstheoretische Grundlagen
1 Grundlagen 1.1 Erste Grundbegriffe 1.2 Kryptographische Systeme 1.3 Informationstheoretische Grundlagen Die Überlegungen dieses Kapitels basieren auf der Informationstheorie von Shannon. Er beschäftigte
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übungen für die kompetenzbasierte Abschlussprüfung 1. 60 Äpfel wurden gewogen und die Ergebnisse in einem Boxplot-Diagramm dargestellt. Ergänzen Sie die folgenden
MehrÜbung 8: Digitale Modulationen
ZHW, NTM, 25/6, Rur ufgabe : Modulationsarten. Übung 8: Digitale Modulationen Die Datensequenz wird bei einer festen Bitrate von Mb/s mittels 3 verschiedener Modulationsarten übertragen. Charakterisieren
MehrDr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken
Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):
MehrMathematik Übungsblatt - Lösung. b) x=2
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Sommersemester 204 Technische Informatik Bachelor IT2 Vorlesung Mathematik 2 Mathematik 2 4. Übungsblatt - Lösung Differentialrechnung
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrStochastik (Laplace-Formel)
Stochastik (Laplace-Formel) Übungen Spielwürfel oder Münzen werden ideal (oder fair) genannt, wenn jedes Einzelereignis mit gleicher Wahrscheinlichkeit erwartet werden kann. 1. Ein idealer Spielwürfel
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
Mehr