X n = 10 j Y j. i.w. i.w. i.v.
|
|
- Irmela Hoch
- vor 6 Jahren
- Abrufe
Transkript
1 3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9}, j=1 mit P (Y j = y) = 1 10 für alle y. Nu setze wir X = 10 j Y j j=1 ud lasse X Y = j=1 10 j Y j gehe. Die Y j sid uabhägig ud wir vermute, dass Y gleichverteilt auf [0, 1) ist. Defiitio. Es seie X 1,X 2,... reelle Zufallsvariable auf dem W -Raum (Ω, E,P). 1. X X fast sicher: P ({ω Ω:X (ω) X(ω)}) =1,i f.s. Zeiche X X. 2. X X i Wahrscheilichkeit (oder stochastisch): P ( X X > ε) 0für alle ε>0, i Zeiche X X. 3. X X i Verteilug: P (X x) P (X x) für alle x, für i.v. die F (x) =P (X x) stetig ist, i Zeiche X X. f.s. Die Iterpretatio ist: X X falls für große, X (ω) X(ω); X X, falls für große, X ahe bei X ist. Satz 3.1. a. X allgemei. b. X X impliziert X f.s. X impliziert X X. Die Umkehrug gilt icht i.v. X. Die Umkehrug gilt icht allgemei. Beweis. a. Es sei o.b.d.a. X = 0, asoste betrachte wir X X. Essei A = {ω Ω: X (ω), X +1 (ω),... ε}, alsoa 1 A 2 A 3... Gilt X (ω 0, so habe wir X (ω) ε für N, alsoω A N. Es folgt {ω Ω:X (ω) 0} 1 A, 48
2 f.s. also aus Lemma 1.1a) ud wege X 0 1=P ( 1 A ) = lim P (A ). Nu habe wir {ω Ω: X (ω) >ε} Ω A,also P ( X >ε) 1 P (A ), ud es folgt lim P ( X >ε) = 0, das heißt X 0. f.s. Um zu zeige, dass X X X X betrachte wir das folgede Gegebeispiel. Es seie X 1,X 2,... uabhägig auf Ω mit Werte i {0, 1}, Wir habe P (X =1)= 1, P(X =0)=1 1. P (X >ε)= 1 0 für 0 <ε<1 P (X >ε)=0 0 für ε 1, also X 0. Sei u A = {ω Ω:X k (ω) =0für k }. Da ist wieder A 1 A 2 A 3...,alsoP( A ) = lim P (A ). Nu gilt A = {ω Ω:X (ω) =0für 0 } = {ω Ω:X (ω) 0}, also 1 P (A )= P (X =0 X +1 =0...)= i 0 P (X +i =0) =(1 1 )( ), P (A ) = lim (1 1 M )( ) (1 1 M ) = lim ( 1 M +1 M 1 M ) = lim 1 M M =0, ud somit P ({ω Ω:X (ω) 0}) =P ( A ) = lim P (A )=0. 1 Demach gilt icht X f.s
3 b. Es gelte X X, mitf (x) =P (X x), F (x) =P (X x). Für ε>0habewir F (x) = P (X x) =P (X x X x + ε)+p (X x X>x+ ε) F (x + ε)+p ( X X >ε). Ferer gilt F (x ε) = P (X x ε) =P (X x ε X x)+p (X x ε X >x) F (x)+p( X X >ε). Es folgt F (x ε) P ( X x >ε) F (x) F (x + ε)+p ( X x >ε). Da X X vorausgesetzt ist, erhalte wir F (x ε) lim if F (x) lim sup F (x) F (x + ε). Falls F (x) beix stetig ist, so gilt mit ε 0, F (x) = lim F (x), ud es folgt i.v. X. X i.v. Als Gegebeispiel für X X X Variable X mit Werte i {0, 1} ud X betrachte wir Beroulli P (X =1)=P (X =0)= 1 2 für alle, also X 1 = X 2 = = X. SeiuY =1 X. Wirhabe 1 x 1, 1 F (x) =P (X x) = 0 x<1, 2 0 x<0, i.v. ud ferer P (Y x) =P (X x). Es gilt also X Y,abericht X Y,da X Y =1istfür alle. 50
4 3.2 Das schwache Gesetz der große Zahle Es seie X 1,X 2,... uabhägige Kopie eier Zufallsvariable X. Da legt us die Ituitio ahe, dass der Erwartugswert E[X] ugefähr gleich für große sei sollte, ud das ist auch so. X 1 + +X Für diskrete Zufallsvariable habe wir dies scho im Beispiel ach Satz 2.12 aus der Ugleichug vo Tschebyschev begrüdet. Wir wolle also die Ugleichuge vo Markov ud Tschebyschev auch für stetige Zufallsvariable verifiziere. Satz 3.2. Sei X stetige Zufallsvariable mit Dichte f(x). a. Ist X 0, a>0, sogiltp (X a) E[X].(Markov) a b. P ( X E[X] a) Var[X], a>0. (Tschebyschev) a 2 Beweis. a. Wir habe E[X] = 0 xf(x)dx = a xf(x)dx + a 0 xf(x)dx } {{ } 0 a a f(x)dx = ap (X a). b. Mit Y = X E[X] erhalte wir aus a) P ( X E[X] a) =P ( X E[X] 2 a 2 ) E[(X E[X])2 ] a 2 = Var[X] a 2. Satz 3.3 (Schwaches Gesetz der große Zahle). Die reelle Zufallsvariable habe Erwartugswert E[X] ud Variaz Var[X]. SidX 1,X 2,...uabhägige Kopie vo X, sogilt P ( X X E[X] ε) Var[X] ε 2 für alle ε>0. Isbesodere gilt für die Folge X = X 1+ +X, dass X E[X] strebt. 51
5 Beweis. Wir habe E[ X ]= 1 Var[X] E[X i ]=E[X], Var[ X ]= 1 2 i=1, also gilt ach Tschebyschev P ( X E[X] ε) Var[ X ] ε 2 = Var[X] ε 2. Folgerug 3.4. Mit de Voraussetzuge des Satzes habe wir P ( X X E[X] <t) 1 Var[X] t 2 Var[X i ]= i=1 für t>0. Beispiel. Betrachte wir eie Beroulli Variable X mit Werte i {0, 1}, P (X =1)=p, P (X =0)=1 p, alsoe[x] =p, Var[X] =p(1 p). Da gilt P ( X X p t) P ( X X p <t) 1 Die Formel werde folgedermaße agewadt. Es sei p ubekat. X = X 1+ +X Erfolge a. Aus p(1 p) 1 für p [0, 1] folgt 4 p(1 p) t 2, p(1 p) t 2. gibt die durchschittliche Azahl der P ( X p <t) 1 1 4t. 2 Die ubekate Erfolgswahrscheilichkeit p liegt daher im Itervall [ x t, x + t)] mit W -keit 1 1,wobei x 4t 2 = x 1+ +x der Durchschitt der tatsächlich beobachtete Ausgäge ist. Ageomme wir möchte p bis auf eie Fehler t =0, 01 mit W -keit 98% bestimme. Wie oft müsse wir das Experimet durchführe? Aus der Formel sehe wir 1 1 0, 98, 4 0, 0001 ud dies ist für erfüllt. Ma beachte, dass 1 1 stets < 1 ist. Mit Sicherheit ka p also icht 4t 2 ermittelt werde. 52
6 Beispiel. Ei Würfel wird 20 Mal geworfe ud zeigt immer 6. Ist der Würfel i Ordug, das heißt, sid die Zahle wirklich gleichverteilt? Es sei X i die Zufallsvariable mit X i = 1, falls im i-te Wurf 6 erscheit, X i = 0, falls eie Zahl 6 erscheit. Da ist für p = 1 6 P X X } 20 {{} ( 5 = 1 6 )2 100, =1 also ist der Würfel mit W -keit 99% icht i Ordug. 3.3 Lemma vo Borel-Catelli Sei ei W -Raum (Ω, E,P) gegebe ud A 1,A 2,...eie Folge vo Ereigisse. Wir defiiere Ma sieht sofort A = {ω Ω:ω A i für uedlich viele i}. A = =1 k A k = =1 B mit B = k A ist also i E. AusB 1 B 2 B 3... folgt ( ) P B = lim P (B )=P(A ). =1 Beispiel. Wir werfe eie Würfel uedlich oft, ud A sei das Ereigis, dass im -te Wurf 6 geworfe wird. Es sei Ω = {(ω 1,ω 2,...)} mit ω i {1, 2,...,6}, alsoa = {(ω 1,ω 2,...):ω i =6für uedlich viele i}. Satz 3.5 (Lemma vo Borel-Catelli). Es sei (Ω, E,P) gegebe ud A 1,A 2,... eie Folge vo Ereigisse. a. Ist k 1 P (A k ) <, sogiltp (A )=0. A k. b. Sid A 1,A 2,... uabhägig ud k 1 P (A k )=, sogiltp (A )=1. 53
7 Beweis. a. Wege P (A k ) < habe wir P (A k ) 0für.Daraus folgt wege P (B ) P (A k ), dass P (B ) 0geht,alsoP (A )= k 1 k k lim P (B )=0. b. Wir verwede die Ugleichug 1 x e x für 0 x 1. Da die Ereigisse A uabhägig sid, so auch die komplemetäre Ereigisse A c (Lemma 1.5), ud wir erhalte ( N ) N N P = (1 P (A k )) e P (Ak) = e NP P (A k ) k=. k= A c k k= ( N Mit N ergibt sich P N k= A c k N+1 k= A c k...,also P ( k= A c k k= ) A c ) = lim N P für alle, ud es folgt ( P ((A ) c )=P =1 k A c k k= 0, da k 1 P (A k )= ist. Nu ist ) ( N k= A c k ) =0 ( P =1 k A c k ) =0, ud somit P (A )=1. Bemerkug. I Teil b) ka auf die Uabhägigkeit icht verzichtet werde. Sei ämlich A E,0<P(A) < 1 ud A = A für alle. DaistA = A, P (A )=, aberp (A ) < 1. Beispiele. Wir verwede die folgede Sprechweise: Das Ereigis A tritt fast sicher ei, falls P (A) =1ist. 1. Betrachte wir das Würfelbeispiel vo ebe, A = {6 im-te Wurf}. Die Würfe seie uabhägig, gleichverteilt, da gilt P (A )= 1,also P (A 6 )= 1. Die 6 wird somit fast sicher uedlich oft geworfe. 54
8 2. Wir habe Ure U 1,U 2,... gegebe, wobei sich i U 1 weiße ud 1 rote Kugel befide. Das Ereigis A sei, dass aus Ure U eie weiße Kugel gezoge wird. Wir habe P (A )= 1,also 1 P (A )= ud somit P (A ) = 1. Das heißt, fast sicher wird weiß uedlich oft gezoge. Ageomme i Ure U sid 1 weiße ud 2 1 rote Kugel. Da ist P (A )= 1, P (A 2 )= 1 = π2 <, also wird weiß fast sicher ur edlich oft gezoge. Das iteressate ist, dass keie Verteilug weiß/rot auf die Ure möglich ist, wo icht eier dieser beide Fälle eitritt. 3. Es seie uabhägige Ereigisse A 1,A 2,...,A r gegebe mit P (A i ) > 0für alle i. Wir betrachte Ω =(ω 1,ω 2,...). Kommt es oft vor, dass es ei k gibt, mit ω k A 1, ω k+1 A 2,...,ω k+r 1 A r? Nehme wir eie Telefoummer Nu schreibe wir die Ziffer 0, 1, 2,...,9 gleichverteilt i eier uedliche Folge auf. Kommt die Telefoummer oft i der Folge vor? Dazu defiiere wir B 1 = {(ω ):ω 1 A 1,...,ω r A r } B 2 = {(ω ):ω r+1 A 1,...,ω 2r A r }. B m = {(ω ):ω (m 1)r+1 A 1,...,ω mr A r }. Die Ereigisse B m sid uabhägig mit P (B m )=P(A 1 ) P(A r ) > 0für alle m. Aus m 1 P (B m)= folgt P (B ) = 1, ud das bedeutet, dass es fast sicher uedlich viele B m gibt, i dee r aufeiaderfolgede Ergebisse i A 1,A 2,...,A r sid. Die Telefoummer kommt also fast sicher uedlich oft vor. Eie amüsate Illustratio ist der Affe am Computer. Er tippt Buchstabe ach Beliebe ei. Nach Borel-Catelli wird er fast sicher irgedwa Goethes Faust reproduziere ud das icht eimal, soder uedlich oft. 55
9 3.4 Das starke Gesetz der große Zahle Es seie wieder X 1,X 2,... uabhägige Kopie der reelle Zufallsvariable X. Wir wolle u zeige, dass die Folge X = X 1+ +X sogar fast sicher gege de Erwartugswert kovergiert. I diesem Si köe wir also sage, dass der Zufall bei uedlicher Wiederholug verschwidet. Satz 3.6 (Starkes Gesetz der große Zahle). Für die reelle Zufallsvariable X existiere E[X] ud Var[X]. Es seie X 1,X 2,... uabhägige Kopie vo X. Dagilt P ({ω Ω: X (ω) E[X]) = 1, das heißt X f.s. E[X]. Beweis. Wir köe wieder E[X] = 0 aehme, asoste verwede wir die Folge X X. Wir glieder de Beweis i mehrere Schritte. 1. Sei Y 1,Y 2,... eie Folge vo Zufallsvariable auf Ω. Wir ee ω Ω gut, falls Y (ω) 0. Sei B Y = {ω Ω:ω gut}. Wa gilt P (B Y )=1? Dazu stelle wir fest: Y (ω) 0 ε>0 gilt Y (ω) <εfür 0 ε 0 gilt Y (ω) ε für edlich viele k N gilt Y (ω) 1 k für edlich viele. Sei E k = {ω Ω: Y (ω) 1 für uedlich viele }, k fest. Da ist k E 1 E 2 E 3..., ud ferer B Y =. Somit schließe wir Ek c k 1 ( P (B Y )=1 P ( k 1 E c k ) =1 P ( ) E k ) c =1 k 1 ( ) P E k =0. k 1 56
10 Isbesodere gilt ach Lemma 1.1 P (E k )=0( k) = P (B Y )=1. 2. Sei k 1fest,A,k = {ω Ω: Y (ω) 1 }. Wir erhalte also eie Folge k vo Ereigisse A 1,k,A 2,k,... ud setze A k = {ω Ω:ω ist i uedlich viele A,k} = E k aus 1). Aus P (A k )=0( k) folgt also P (B Y ) = 1. Laut dem Lemma vo Borel-Catelli köe wir festhalte P (A,k ) < ( k) = P (B Y )=1. (1) 1 3. Sei wieder k 1 fest. Wir setze Y = X, da ist das starke Gesetz geau die Aussage P (B Y ) = 1. We wir also zeige köe, dass 1 P (A,k) < ist für alle k, so sid wir fertig. Nu verwede wir die Ugleichug vo Tschebyschev. Wir habe A,k = {ω Ω: X (ω) 1 }, ud ach k Tschebyschev gilt mit E[ X ]=0,Var[ X ]= Var[X] P (A.k )=P( X (ω) 1 k ) Var[X] k 2, ud somit P (A,k ) Var[X]k Leider divergiert die harmoische Reihe, also müsse wir die Summe P (A,k ) 1 besser abschätze. Wir betrachte die Teilfolge X 2, =1, 2,...Für diese gilt ach Tschebyschev P (A 2,k) = P ( X 2 1 k ) 1 Var[X]k2 <, 2 =1 ud somit ach (1) =1 P ({ω Ω: X 2(ω) 0}) =1. (2) 57
11 4. Sei S l = X X l, ud für m N sei = (m) mit Wir habe 2 m<( +1) 2. E[S m S 2]=0, Var[S m S 2]=(m 2 )Var[X]. Sei k fest, da gilt wieder mit Tschebyschev P ({ω Ω: S m (ω) S 2(ω) 2 k })= P ( S m S 2 2 k ) (m 2 )k 2 Var[X]. 4 Nu defiiere wir die Ereigisse ud habe B m,k = {ω Ω: S m(ω) S 2(ω) 1 },= (m), 2 k P (B m,k ) m 2 k 2 Var[X],m 1,= (m). 4 Summatio über m ergibt P (B m,k ) k 2 Var[X] m 1 = k 2 Var[X] = k 2 Var[X] = k 2 Var[X] = k 2 Var[X] 58 m=1 =1 =1 =1 =1 m (m) 2 (m) 4 (+1) 2 1 m= 2 m (2 +1) <.
12 Mit Y m = Sm S (m) 2 (m) 2 habe wir also ach (1) P ({ω Ω: S m(ω) S (m) 2(ω) (m) 2 m 0}) =1. (3) 5. Nu setze wir die Ergebisse zusamme. Es sei A = {ω : X 2(ω) 0} mit P (A) = 1 ach (2) B = {ω : S m(ω) S (m) 2(ω) 0} mit P (B) = 1 ach (3), (m) 2 also gilt P (A B) =P (A)+P (B) P (A B) 2 1 =1,somitP (A B) =1. Für ei ω A B gilt X 2(ω) 0, also auch für die Teilfolge X (m) 2(ω) m 0. Ferer ist S m (m) = S m S (m)2 2 (m) 2 + S (m)2 (m) 2 = S m S (m)2 (m) 2 + X (m) 2. Da ω B ist, gilt Sm S (m) 2 (ω) 0mitm, ud wir erhalte als (m) 2 Ergebis: ω A B = S m(ω) m 0. (m) 2 Wege m (m) 2 gilt ferer für ω A B X m (ω) = S m(ω) S m (ω) m 0, m (m) 2 also ω A B = X m (ω) m 0 oder A B {ω : Xm (ω) m 0}. Da wie gesehe P (A B) = 1 ist, erhalte wir daraus P ({ω Ω: Xm (ω) m 0}) =1, ud der Beweis ist fertig. Beispiel. Betrachte wir das Itervall Ω = (0, 1] R. EieZahlω =0, y 1 y 2 y 3... heißt ormal, falls jeder mögliche Block a 1 a 2...a k {0, 1,...,9} k 59
13 der Läge k i der Dezimaletwicklug im Limes mit relativer Häufigkeit 10 k vorkommt, ud zwar für alle k 1. Also, we #{a 1...a k i y 1...y } lim = 1 10, k gilt. Gibt es überhaupt ormale Zahle? Eie besoders schöe Awedug des starke Gesetzes der große Zahle zeigt, dass bei Gleichverteilug auf Ω gilt: P ({ω Ω:ω ormal}) = 1. Es gibt also überabzählbar viele ormale Zahle. Wir beweise die Aussage für k = 1, der allgemeie Fall ist ur weig schwieriger. Es sei ω =0,y 1 (ω)y 2 (ω)... die Dezimaletwicklug ud Y i (ω) =y i (ω) die Zufallsvariable (uter Gleichverteilug), i 1. wir habe P (Y 1 = b 1... Y m = b m )= 1 10 m, da {ω : y 1 (ω) =b 1... y m (ω) =b m } ei Itervall der Läge 1 ist. Ebeso 10 m gilt P (Y i = b i )= 1 für alle i, also sid die Variable Y 10 i uabhägig. Nu sei a {0, 1,...,9} fest vorgegebe, ud X 1,X 2,... die Folge vo Beroulli Variable mit { 1 falls yi (ω) =a X i (ω) = 0 sost. Wie ebe gesehe ist P (X i =1)= 1 für alle i, die Variable X 10 i sid somit uabhägige Kopie der Variable X mit E[X] = 1.Für ω Ωist 10 X (ω) = #{i : y i = a, 1 i } ud das starke Gesetz besagt = relative Häufigkeit vo a, P ({ω : relative Hüfigkeit vo a 1 10 })=1 für alle a {0, 1,...,9}. 60
14 3.5 Der zetrale Grezwertsatz Der folgede Satz ist der berühmteste Satz der W -Theorie ud zeigt die i der Praxis beobachtete zetrale Stellug der Gaußsche Glockekurve. Satz 3.7 (Zetraler Grezwertsatz). Seie X 1,X 2,... uabhägige Kopie vo X mit Erwartugswert E[X] ud Variaz Var[X]. Da gilt X X E[X] Var[X] i.v. Y N(0, 1), das heißt Y ist ach der Stadardormalverteilug verteilt. Beispiele. 1. Sei X gleichverteilt auf [0, 1], E[X] = 1 2,Var[X] = 1 12.Da gilt X X i.v. N(0, 1). 2. Sei X Beroulli Variable mit P (X =1)=p, P (X =0)=q =1 p, 0 <p<1. Da ist E[X] =p, Var[X] =pq, ud es folgt X X p pq i.v. N(0, 1). (1) Damit köe wir die Stadardormalverteilug simuliere. Wir werfe eie Müze Mal, p = 1 2,daist Azahl Kopf 2 2 i.v. N(0, 1). Wir werde de zetrale Grezwertsatz für Beroulli Variable beweise, also die Aussage (1). Dieser Spezialfall heißt Satz vo de Moivre-Laplace. Dazu beötige wir eiige Vorbereituge. Lemma 3.8 (Stirlig Formel). Wir habe! 2π( e ), das heißt lim 2π( e )! =1. 61
15 Wir köe us die Formel plausibel mache. Betrachte wir die Logarithmuskurve: log x Durch Ober- ud Utersummebildug erhalte wir log( 1)! < log xdx < log(!) 1 ud wege 1 log xdx = x log x x log( 1)! <log +1< log(!) ( 1)! <e( e ) <!. Für, k, k groß köe wir also abschätze: ( )! = k k!( k)! 1 2π k( k) ( k )k ( k ) k. (2) Als ächste wolle wir de Koeffiziete b(k, ; p) abschätze. Wir gehe i mehrere Schritte vor. 1. Für b(k, ; p) schreibewirb,p (k) = ( k) p k q k, q =1 p. Nu betrachte wir Folge (k )mit k p. Es muß also auch k k gelte, = 1 k 1 p = q, alsoauch k. Sei k = k, da habe wir mit (2) b,p (k) 1 2π k( k) (p k )k ( q k ) k, (3) 62
16 ud mit σ = pq, k k p, q k( k) 1 pq = 1 σ. (4) 2. Als ächstes utersuche wir das Grezwertverhalte vo f(, k) =( p k )k ( q k ) k. Sei t = k,alsot p, k =1 k =1 t q. Wir setze kurz t = k. Da gilt log f(, k) = k log p t +( k)log q 1 t, log f(, k) = k log t p Für die Fuktio g(t) sehe wir: a. g(p) =0, b. g (t) = log t 1 t +1 log p q = log t 1 t log, p q also isbesodere g (p) =0. = (t log t p c. g (t) = 1 t t, g (p) = 1 p + 1 q = 1 pq. Tayloretwicklug i p ergibt +( k)log1 t q +(1 t)log1 t q } {{ } g(t) +(1 t) q 1 t ( 1 q ) g(t) = 1 2pq (t p)2 + h(t p) mit h(t p) c t p Ageomme, es gilt sogar (t p) 3 0. Da ist h(t p) 0, ud somit log f(, k) Wir setze u (t p)2 (t p)2 = g(t) = h(t p) 0. 2pq 2pq x(, k) = k p σ, (5) 63 ).
17 da habe wir ud es folgt Daraus folgt (t p) 2 2pq = ( k p)2 2pq log f(, k) = (k p)2 2pq = x(, k) x(, k)2 2, x(,k)2 log f(,k) e 2 1, e x(,k)2 2 f(, k) 1, also f(, k) e x(,k)2 2. (6) 4. Was bedeutet (t p) 3 0für die Zahle x(, k)? Wir habe (t p) 3 = ( k p)3 = (k p)3 2 = x(, k)3 σ 3 2 = x(, k)3 (pq) 3 2, ud sehe (t p) 3 0 x(, k ) Fasse wir zusamme: Sei x(, k) = k p σ. Falls x(,k)3 ach (3), (4) ud (6) b,p (k ) 1 1 e x(,k) 2 2, 2π σ ud wir erhalte das folgede Resultat. 0geht,soist Lemma 3.9. Sid (α ), (β ) Folge mit x(,α)3, x(,β)3 x(,k) 2 b,p (k ) e 2 für α k β. 2πσ 0, soist 64
18 Satz 3.10 (Satz vo de Moivre Laplace). Es sei X eie Beroulli Variable mit 0 <p<1, udx 1,X 2,..., uabhägige Kopie vo X. Dagiltfür die zetrierte Variable S = X X p, q =1 p, pq das heißt S i.v. N(0, 1), lim P (a S b) = 1 2π b a e x2 2 dx (a, b R). Beweis. Wir teile de Beweis wieder i mehrere Schritte ei. 1. Sei S = X X. Da gilt mit σ = pq a S b a S p σ b aσ + p S bσ + p. Sei α N miimal mit α aσ + p ud β N maximal mit β bσ + p. Da gilt somit Wir müsse also zeige: a S b α S β, P (a S b) =P (α S β )= lim β b,p (k) = 1 k=α 2π 2. Aus β bσ + p < β +1folgt b bσ + p 1 <β bσ + p, a β k=α b,p (k). e x2 2 dx. (7) 65
19 also gilt β α p ud aalog p. Mitx(, β )= β p σ habe wir b 1 σ <x(, β ) b ud aalog a x(, α ) <a+ 1 σ. Die Folge (x(, β )) ud (x(, α )) sid somit beschräkt ud es folgt x(, β ) 3 0, x(, α ) 3 0. Aus Lemma 3.9 folgt daher b,p (k) 1 2πσ e x(,k)2 2 für alle α k β. ud somit β k=α b,p (k) 1 2πσ β k=α e x(,k) 2 2. (8) 3. Nu sehe wir us die rechte Summe i (8) äher a. 1 2π e x2 2 {z } 1/σ x(, α 1 ) x(, k) x(, β + 1 ) 2 2 Die rechte Summe ist eie Riemasche Summe mit Itervalle der Läge 1 σ, ud wir habe x(, α 1 2 )=α 1 2 p σ a, x(, β )=β p σ b. 66
20 Es folgt β b,p (k) 1 k=α 2π ud der Satz ist bewiese. b a e x2 2 dx, Folgerug Seie X 1,X 2,... uabhägige Kopie der Beroulli Variable X mit 0 <p<1, σ = pq. Dagiltfür S = X X (Azahl der Erfolge) 2π lim P (α S β) = 1 mit φ(x) = 1 2π x e x2 2 dx. β p σ α p σ e x2 β p 2 dx = φ( ) φ( α p ), σ σ Das letzte Resultat wird i der Praxis zur Abschätzug der Erfolgswahrscheilichkeit verwedet. Beispiel. Ei Würfel mit Gleichverteilug wird 600 Mal geworfe. Wie groß ist die W -keit, zwische 90 ud 100 6e zu erhalte? Hier ist = 600, p = 1, 6 p = 100, σ = =9, 13, α p = 10, β p =0,also 6 6 P (90 S 100) φ(0) φ( 10 ) 0, 36. 9, 13 67
15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
Mehr5 Bernoulli-Kette. 5.1 Bernoulli-Experiment. Jakob Bernoulli 1654-1705 Schweizer Mathematiker und Physiker. 5.1.1 Einleitung
Seite vo 7 5 Beroulli-Kette Jakob Beroulli 654-705 Schweizer Mathematiker ud Physiker 5. Beroulli-Exerimet 5.. Eileitug Oft iteressiert ma sich bei Zufallsexerimete icht für die eizele Ergebisse, soder
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
Mehr1 Analysis T1 Übungsblatt 1
Aalysis T Übugsblatt A eier Weggabelug i der Wüste lebe zwei Brüder, die vollkomme gleich aussehe, zwische dee es aber eie gewaltige Uterschied gibt: Der eie sagt immer die Wahrheit, der adere lügt immer.
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
MehrStatistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S
Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrBINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrAufgaben und Lösungen der Probeklausur zur Analysis I
Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur
MehrSUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
MehrLV "Grundlagen der Informatik" Programmierung in C (Teil 2)
Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe
MehrMonte Carlo-Simulation
Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil
MehrInnerbetriebliche Leistungsverrechnung
Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
MehrMusterlösung zu Übungsblatt 2
Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrAllgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable
Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex
Mehr6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis
6. Grudlage der Wahrscheilichkeitsrechug 6.. Defiitioe ud Beispiele Spiele aus dem Alltagslebe: Würfel, Müze, Karte,... u.s.w. sid gut geeiget die Grudlage der Wahrscheilichkeitsrechug darzustelle. Wir
MehrElementare Wahrscheinlichkeitsrechnung und Statistik
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Elemetare Wahrscheilichkeitsrechug ud Statistik Uiversität Ulm Istitut für Stochastik Vorlesugsskript Prof. Dr. Volker Schmidt Stad: Witersemester 28/9 Ulm, im Februar
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,
MehrStatistik I/Empirie I
Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass
MehrKapitel 6: Statistische Qualitätskontrolle
Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle
MehrAnalysis I Probeklausur 2
WS /2 Mriescu/ Ert Alysis I Probeklusur 2. Aufgbe Die Folge (x ) N sei rekursiv defiiert durch x =, x + = 2+x. () Beweise, dss die Folge (x ) N streg mooto wchsed ist. (b) Beweise, dss (x ) N durch 2 ch
MehrStatistik und Wahrscheinlichkeitslehre
Statistik ud Wahrscheilichkeitslehre Zufall ud Mittelwerte Für alle techische Studiegäge Prof. Dr.-Ig. habil. Thomas Adamek Grudlage der Wahrscheilichkeitsrechug. Eiführug Grudlage vo Statistik ud Wahrscheilichkeitsrechug
MehrAuch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.
Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 12
Mthemtisches Istitut der Uiversität Müche Prof. Dr. Peter Otte WiSe 203/4 Lösug 2 2.0.204 Aufgbe 2. [8 Pute] Übuge zur Alysis für Iformtier ud Sttistier Lösug zu Bltt 2 Für eie Teilmege Ω R, sei {, flls
MehrEin kleines Einmaleins über Mittelwertbildungen
Vorlesugsergäzug zur Igeieurmathematik R.Brigola Ei kleies Eimaleis über Mittelwertbilduge Grudlage über arithmetische Mittel, geometrische Mittel, harmoische Mittel, quadratische Mittel ud das arithmetisch-geometrische
MehrMathematik für Wirtschaftswissenschaftler Beispiele, Graken, Beweise. c Uwe Jensen
Mathematik für Wirtschaftswisseschaftler Beispiele, Grake, Beweise c Uwe Jese 8. Oktober 2007 Ihaltsverzeichis 4 Folge, Reihe, Grezwerte, Stetigkeit 47 4. Folge ud Reihe............................ 47
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I
Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik
Mehr3. Tilgungsrechnung. 3.1. Tilgungsarten
schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie
Mehr8.3. Komplexe Zahlen
8.. Komplee Zhle Wie bereits i 8.. drgestellt, wurde die fortlufede Erweiterug der Zhlbereiche durch die Eiführug immer kompleerer Recheopertioe otwedig:. Auf de türliche Zhle führte der Wusch ch iverse
Mehrx 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a)
Quatisierug eies skalare Feldes Das Ziel ist eigetlich das elektromagetische Feld zu quatisiere, aber wie ma scho a de MAXWELLsche Gleichuge sehe ka, ist es zu kompliziert, um damit zu begie. Außerdem
MehrBeschreibende Statistik Kenngrößen in der Übersicht (Ac)
Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur
MehrAUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2. Datenfluß und Programmablauf 2. Vorbedingung 3. Nachbedingung 3. Schleifeninvariante 3
INHALTSVERZEICHNIS AUFGABENSTELLUNG (ZUSAMMENFASSUNG) 2 SPEZIFIKATION 2 Datefluß ud Programmablauf 2 Vorbedigug 3 Nachbedigug 3 Schleifeivariate 3 KONSTRUKTION 4 ALTERNATIVE ENTWURFSMÖGLICHKEITEN 5 EFFEKTIVE
MehrKlasse: Platzziffer: Punkte: / Graph zu f
Pflichtteil Mathematik I Aufgabe P Name: Vorame: Klasse: Platzziffer: Pukte: / P.0 Gegebe ist die Fuktio f mit der Gleichug (siehe Zeichug). y x8 y,25 4 mit GI IRIR Graph zu f O x P. x 8 Die Pukte C (x,25
MehrTestumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen
Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige
Mehr1 Wahrscheinlichkeitslehre
Wahrscheilichkeitslehre. Grudlage der Wahrscheilichkeitsrechug Die Wahrscheilichkeitslehre ist ei elemetarer Bestadteil der Statistik. Die mathematische Wahrscheilichkeitslehre umfasst ei kompliziertes
MehrAufgaben zur vollständigen Induktion
c 7 by Raier Müller - Aufgabe zur vollstädige Idutio We ichts aderes agegebe ist, da gelte die Behauptuge für IN {; ; ;...}. A) Teilbareit: ) ist gerade (d.h. durch teilbar). ) ist durch teilbar. ) ist
MehrWintersemester 2006/2007, Universität Rostock Abgabetermin: spätestens 24.10.2006, 09:00 Uhr. Aufgabe 1.1: (5 P)
Serie Abgabetermi: spätestes 24.0.2006, 09:00 Uhr Aufgabe.: 5 P Zeige Sie, dass das geometrische Mittel icht größer ist als das arithmetische Mittel, d.h., dass für alle Zahle a, b R mit a, b 0 gilt ab
MehrKapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung
Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier
MehrEinführung in die mathematische Statistik
Kapitel 7 Eiführug i die mathematische Statistik 7.1 Statistische Modellierug Bei der Modellierug eies Zufallsexperimets besteht oft Usicherheit darüber, welche W-Verteilug auf der Ergebismege adäquat
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Istitut für tochastik Prof. Dr. N. Bäuerle Dipl.-Math.. Urba Lösugsvorschlag 9. Übugsblatt zur Vorlesug Fiazmathematik I Aufgabe Ei euartiges Derivat) Wir sid i eiem edliche, arbitragefreie Fiazmarkt,
MehrBitte schicken Sie mir eine E-mail, wenn Sie einen Fehler gefunden haben 1. Moritz Kaßmann
Das folgede Skript zur Vorlesug Spezielle Aspekte der Aalysis für Studierede des Lehramts a Grud, Haupt ud Realschule wird fortlaufed aktualisiert ud verädert werde. Das Skript ethält bei weitem icht alle
MehrModel CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I
Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +
MehrGruppe 108: Janina Bär Christian Hörr Robert Rex
TEHNIHE UNIVEITÄT HEMNITZ FAULTÄT FÜ INFOMATI Hardwarepraktikum im W /3 Versuch 3 equetielle ysteme I Gruppe 8: aia Bär hristia Hörr obert ex hemitz, 7. November Hardwarepraktikum equetielle ysteme I Aufgabe
Mehrvon Prof. Dr. Ing. Dirk Rabe FH Emden/Leer
vo Prof. Dr. Ig. Dirk Rbe FH Emde/Leer Überblick: Folge ud Reihe Folge: Zhlefolge ( ) ; ; ; ist eie geordete Liste vo Zhle ( IN) : Glieder der Folge f(): Bildugsgesetz (eplizit i oder rekursiv) z.b.: (
MehrDatenauswertung. Prof. Dr. Josef Brüderl Universität Mannheim. Frühjahrssemester 2007
Dateauswertug Prof. Dr. Josef Brüderl Uiversität Maheim Frühjahrssemester 007 Methode-Curriculum B.A. Soziologie Basismodul: Methode ud Statistik: VL Dateerhebug (): 5 ÜK (): 3 ----------------------------------------------------------
MehrVersicherungstechnik
Operatios Research ud Wirtschaftsiformati Prof. Dr. P. Recht // Dipl.-Math. Rolf Wedt DOOR Versicherugstechi Übugsblatt 3 Abgabe bis zum Diestag, dem 03..205 um 0 Uhr im Kaste 9 Lösugsvorschlag: Vorbereituge
MehrDas Rätsel mit der Balkenwaage
Das Rätsel mit der Balkewaage Mathematische Abhadlug über ei Iformatiosproblem 6. Juli 998:. Fassug 6. Jauar 999: 2. Fassug 24. Jui 2005: Überarbeitug Marti Abbühl, Thu, CH balkewaage@abbuehl.et 0. Ihalt
MehrFinanzmathematische Formeln und Tabellen
Jui 2008 Dipl.-Betriebswirt Riccardo Fischer Fiazmathematische Formel ud Tabelle Arbeitshilfe für Ausbildug, Studium ud Prüfug im Fach Fiaz- ud Ivestitiosrechug Dieses Werk, eischließlich aller seier Teile,
MehrStichproben im Rechnungswesen, Stichprobeninventur
Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-
MehrKapitel 6: Quadratisches Wachstum
Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =
Mehr2. Gleichwertige Lösungen
8. Gleichwertige Lösuge Für die Lösug jeder lösbare Aufgabe gibt es eie uedliche Azahl vo (abstrakte ud kokrete) Algorithme. Das folgede Problem illustriert, dass eie Aufgabe eifacher oder kompliziert,
MehrKlausur Grundlagen der Investition und Finanzierung
Fachhochschule Bochum /Fachhochschule Müster /Fachhochschule Südwestfale (Weiterbildeder) Verbudstudiegag Techische Betriebswirtschaft Prof. Dr. Wolfgag Hufagel / Prof. Dr. Wifried Rimmele/ Fachhochschule
MehrQualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT
Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug
MehrVorlesung Einführung in die mathematische Statistik
Vorlesug Eiführug i die mathematische Statistik Prof. A. Atille Sommersemester 2004 Literatur P.J. Bickel K.A. Doksum, Mathematical Statistics: Basic Ideas ad Selected Topics Holde-Day, 1977. L. Breima,
MehrMathematische Statistik
Skript Mathematische Statistik Max v. Reesse Aufgezeichet vo Tobias Weihrauch Sommersemester 202 Uiversität Leipzig INHALTSVERZEICHNIS Ihaltsverzeichis Eiführug 3. Statistik als Teil der Stochastik........................
MehrLektion II Grundlagen der Kryptologie
Lektio II Grudlage der Kryptologie Klassische Algorithme Ihalt Lektio II Grudbegriffe Kryptologie Kryptographische Systeme Traspositioschiffre Substitutioschiffre Kryptoaalyse Übuge Vorlesug Datesicherheit
MehrWirtschaftsmathematik
Studiegag Betriebswirtschaft Fach Wirtschaftsmathematik Art der Leistug Studieleistug Klausur-Kz. BW-WMT-S1 040508 Datum 08.05.004 Bezüglich der Afertigug Ihrer Arbeit sid folgede Hiweise verbidlich: Verwede
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrGeometrische Wahrscheinlichkeiten für nichtkonvexe Testelemente
Geometrische Wahrscheilichkeite für ichtkovexe Testelemete Dissertatio zur Erlagug des akademische Grades Dr. rer. at. FerUiversität i Hage Fakultät für Mathematik ud Iformatik vorgelegt vo Dr.-Ig. Uwe
MehrStatistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.
Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste
MehrVersuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE
Versuch 3/ NEWTONSCHE INTERFERENZRINGE Blatt NEWTONSCHE INTERFERENZRINGE Die Oberfläche vo Lise hat im allgemeie Kugelgestalt. Zur Messug des Krümmugsradius diet das Sphärometer. Bei sehr flacher Krümmug
Mehr1 = 1. 6 Induktionsannahme: Die Formal gelte für n = k. Induktionsschritt: Gültigkeit der Formel für k+1: 1 2 + 2 2 +... + k 2 + (k + 1) 2 = 2 = 6 = 6
65 Eric Müller Vollstädige Iduktio Nach GIUSEPPE PEANO (858-93) ka ma die Mege N der atürliche Zahle durch folgede Axiome defiiere []:. ist eie atürliche Zahl.. Zu jeder atürliche Zahl gibt es geau eie
MehrDaten und Zufall in der Jahrgangsstufe 9 Seite 1
Date ud uall i der Jahrgagsstue Seite usammegesetzte uallsexperimete, Padregel Aubaued au de Erahruge aus de vorhergehede Jahrgagsstue beschätige sich die Schüler systematisch mit zusammegesetzte uallsexperimete
MehrFinanzmathematik für HAK
Fiazmathematik für HAK Dr.Mafred Gurter 2008. Kapitalverzisug bei der Bak mit lieare (eifache) Zise währed des Jahres Beispiel : Ei Kapital vo 3000 wird mit 5% für 250 Tage verzist. Wie viel bekommt ma
MehrVersuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK. 1. Vorbemerkung
Versuch 1/1 POISSON STATISTIK Blatt 1 POISSON STATISTIK Physikalische Prozesse, die eier statistische Gesetzmäßigkeit uterworfe sid, lasse sich mit eier Verteilugsfuktio beschreibe. Die Gauß-Verteilug
Mehrelektr. und magnet. Feld A 7 (1)
FachHochschule Lausitz Physikalisches Praktikum α- ud β-strahlug im elektr. ud maget. Feld A 7 Name: Matrikel: Datum: Ziel des Versuches Das Verhalte vo α- ud β-strahlug im elektrische ud magetische Feld
Mehr2.4.1 Grundprinzipien statistischer Hypothesentests
86 2.4. Hypothesetests 2.4 Hypothesetests 2.4.1 Grudprizipie statistischer Hypothesetests Hypothese: Behauptug eier Tatsache, dere Überprüfug och aussteht (Leuter i: Edruweit, Trommsdorff: Wörterbuch der
Mehrx mit Hilfe eines linearen, zeitinvarianten
Übug &Prktiku zu Digitle Sigle ud Systee The: Fltug Diskrete Fltug Wird ei zeitdiskretes Sigl ( T ) x it Hile eies liere, zeitivrite Siglverrbeitugssystes verrbeitet, so lässt sich ds Verhlte des verrbeitede
Mehr10. FOLGEN, REIHEN, GRENZWERTE
Folge, Reihe, Grezwerte 0. FOLGEN, REIHEN, GRENZWERTE 0.. Folge (a) Defiitio Betrachtet ma bei eier Fuktio ur jee Fuktioswerte, die sich durch Eisetze vo Argumete aus de atürliche Zahle ergebe, so erhält
MehrHöhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben
Expoetielles Wachstum Höhere Fiazmathematik Sehr ausführliches Themeheft (d. h. mit Theorie) Aber auch mit viele Traiigsaufgabe Es hadelt sich um eie Awedug vo Expoetialfuktioe (Wachstumsfuktioe) Datei
MehrByzantinische Einigung im Full-Information-Modell in O(log n) Runden
Byzatiische Eiigug im Full-Iformatio-Modell i O(log ) Rude Martia Hüllma Uiversität Paderbor (martiah@upb.de) Zusammefassug. Byzatiische Eiigug stellt ei grudlegedes Problem im Bereich verteilter Systeme
MehrKryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst.
Krytologie: Krytograhie ud Krytoaalyse Krytologie ist die Wisseschaft, die sich mit dem Ver- ud Etschlüssel vo Iformatioe befasst. Beisiel Iteretkommuikatio: Versiegel (Itegrität der Nachricht) Sigiere
MehrRobuste Asset Allocation in der Praxis
Fiazmarkt Sachgerechter Umgag mit Progosefehler Robuste Asset Allocatio i der Praxis Pesiosfods ud adere istitutioelle Aleger sid i aller Regel a ei bestimmtes Rediteziel (Rechugszis) gebude, das Jahr
MehrZur Definition. der wirksamen. Wärmespeicherkapazität
Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč, Büro für Bauphysik, Schöberg a Kap, Österreich Zur Defiitio der wirksae Wärespeicherkapazität vo Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč Büro für Bauphysik
MehrMathematischer Vorkurs zum Studium der Physik
Uiversität Heidelberg Mathematischer Vorkurs zum Studium der Physik Übuge Aufgabe zu Kapitel 1 (aus: K. Hefft Mathematischer Vorkurs zum Studium der Physik, sowie Ergäzuge) Aufgabe 1.1: SI-Eiheite: a)
Mehr3Landlust auf Hofweier? Kaufpreis: 230.000,00 Euro Courtage: 3,57% incl. 19% MwSt für den Käufer
3Ladlust auf Hofweier? Kaufpreis: 230.000,00 Euro Courtage: 3,57% icl. 19% MwSt für de Käufer OBJEKTDATEN Haustyp Eifamiliehaus Baujahr 1955 Letzte Moderisierug/ Saierug 2001 Zimmer 6 Wohfläche ca. 147,00
MehrChangepoint-Analyse für Kenngrößen der Telekommunikation: Theorie und Simulationen
Chagepoit-Aalyse für Kegröße der Telekommuikatio: Theorie ud Simulatioe DISSERTATION zur Erlagug des Doktorgrades der Naturwisseschafte Dr. rer. at., dem Fachbereich Mathematik ud Iformatik der Philipps-Uiversität
MehrIM OSTEN VIEL NEUES... Kaufpreis: 350.000,00 Euro 3,57% incl. 19% MwSt für den Käufer
Immobilie IM OSTEN VIEL NEUES... Courtage: Kaufpreis: 350.000,00 Euro 3,57% icl. 19% MwSt für de Käufer hausudso Immobilie Moltkestr. 14 77654 Offeburg Tel. 0781 9190891 Fax 0781 9190892 Email ifo@hausudso.de
MehrGrundkompetenz-Aufgaben
Durch starte Mathematik übugsbuch bis Grudkompetez-Aufgabe Aufgrud der eue schriftliche Reifeprüfug i Mathematik ist es otwedig, sich mit de eue Grudkompetez-Aufgabe auseiaderzusetze. Die Olie-Ergäzug
MehrKorrekturrichtlinie zur Studienleistung Wirtschaftsmathematik am 22.12.2007 Betriebswirtschaft BB-WMT-S11-071222
Korrekturrichtliie zur Studieleistug Wirtschaftsmathematik am..007 Betriebswirtschaft BB-WMT-S-07 Für die Bewertug ud Abgabe der Studieleistug sid folgede Hiweise verbidlich: Die Vergabe der Pukte ehme
Mehr6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment
103 66 Grudzüge der Fehler- ud Ausgleichsrechug 661 Fehlerarte- Aufgabe der Fehler- ud Ausgleichsrechug Jedes physikalisch-techische Experimet liefert gewisse gemessee Werte x Bei dem Messvorgag verwede
MehrWS 2000/2001. zeitanteiliger nomineller Jahreszinssatz für eine unterjährige Verzinsungsperiode bei einfachen Zinsen
Aufgabe 1: WS 2000/2001 Aufgabe 1: (4 P (4 Pukte) Gebe Sie die Formel zur Bestimmug des relative sowie des koforme Zissatzes a ud erläuter Sie die Uterschiede bzw. Gemeisamkeite der beide Zisfüße. Lösug:
MehrLernhilfe in Form eines ebooks
Ziseszisrechug Lerhilfe i Form eies ebooks apitel Thema Seite 1 Vorwort ud Eiführug 2 2 Theorie der Ziseszisrechug 5 3 Beispiele ud Beispielrechuge 12 4 Testaufgabe mit Lösuge 18 Zis-Ziseszis.de 212 Seite
MehrIntegrationsseminar zur BBL und ABWL Wintersemester 2002/2003
Credit Risk+ Itegratiossemiar zur BBL ud BWL Witersemester 2002/2003 Oksaa Obukhova lia Sirsikova Credit Risk+ 1 Ihalt. Eiführug i die Thematik B. Ökoomische Grudlage I. Ziele II. wedugsmöglichkeite 1.
MehrBaugrundstück für Individualisten
Immobilie Baugrudstück für Idividualiste Courtage: Kaufpreis: Auf Afrage 3,57% icl. 19% MwSt für de Käufer hausudso Immobilie Moltkestr. 14 77654 Offeburg Tel. 0781 9190891 Fax 0781 9190892 Email ifo@hausudso.de
MehrDie allgemeinen Daten zur Einrichtung von md cloud Sync auf Ihrem Smartphone lauten:
md cloud Syc / FAQ Häufig gestellte Frage Allgemeie Date zur Eirichtug Die allgemeie Date zur Eirichtug vo md cloud Syc auf Ihrem Smartphoe laute: Kototyp: Microsoft Exchage / ActiveSyc Server/Domai: mailsyc.freeet.de
MehrWahrscheinlichkeitsrechnung
www.s.schule.de/~matheabi 1 Wahrscheilichkeitsrechug Eileitug Dieser Text ist etstade, um Schülerie ud Schüler der Jahrgagsstufe 12 die Wiederholug des Stoffs voragegageer Jahre zu erleichter. Nebe viele
MehrErwartungswert und Varianz bei Verteilungen und Glücksspielen
HL Saalfelde Erwartugswert / Variaz Seite vo 7 Wilfried Rohm Erwartugswert ud Variaz bei Verteiluge ud Glücksspiele Mathematische / Fachliche Ihalte i Stichworte: Erwartugswerte ud Variaz (Stadardabweichug)
MehrInformatik II Dynamische Programmierung
lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit
MehrVereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung
. Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug
Mehr