Kapitel II - Wahrscheinlichkeitsraum

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Kapitel II - Wahrscheinlichkeitsraum"

Transkript

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

2 Wahrscheinlichkeitsraum Ein Wahrscheinlichkeitsraum besteht aus 3 Komponenten: Grundgesamtheit Ω (Menge der Elementarereignisse) Mengensystem der Ereignisse A(Ω) Wahrscheinlichkeitsmaß (ordnet jedem Ereignis eine Wahrscheinlichkeit zu) Kapitel II - Wahrscheinlichkeitsraum 2

3 Wahrscheinlichkeitsraum Ein Wahrscheinlichkeitsraum besteht aus 3 Komponenten: Grundgesamtheit Ω (Menge der Elementarereignisse) Mengensystem der Ereignisse A(Ω) Wahrscheinlichkeitsmaß (ordnet jedem Ereignis eine Wahrscheinlichkeit zu) Kapitel II - Wahrscheinlichkeitsraum 2

4 Wahrscheinlichkeitsraum Ein Wahrscheinlichkeitsraum besteht aus 3 Komponenten: Grundgesamtheit Ω (Menge der Elementarereignisse) Mengensystem der Ereignisse A(Ω) Wahrscheinlichkeitsmaß (ordnet jedem Ereignis eine Wahrscheinlichkeit zu) Kapitel II - Wahrscheinlichkeitsraum 2

5 Wahrscheinlichkeitsraum Forderungen an die Komponenten: 1.) Grundgesamtheit: Ω 2.) Mengensystem der Ereignisse: Ω A(Ω) ( sicheres Ereignis ) A A(Ω) Ω \ A A(Ω) A i A(Ω) für i = 1, 2, 3,... A i A(Ω) i=1 Kapitel II - Wahrscheinlichkeitsraum 3

6 Wahrscheinlichkeitsraum Forderungen an die Komponenten: 1.) Grundgesamtheit: Ω 2.) Mengensystem der Ereignisse: Ω A(Ω) ( sicheres Ereignis ) A A(Ω) Ω \ A A(Ω) A i A(Ω) für i = 1, 2, 3,... A i A(Ω) i=1 Kapitel II - Wahrscheinlichkeitsraum 3

7 Wahrscheinlichkeitsraum Forderungen an die Komponenten: 1.) Grundgesamtheit: Ω 2.) Mengensystem der Ereignisse: Ω A(Ω) ( sicheres Ereignis ) A A(Ω) Ω \ A A(Ω) A i A(Ω) für i = 1, 2, 3,... A i A(Ω) i=1 Kapitel II - Wahrscheinlichkeitsraum 3

8 Wahrscheinlichkeitsraum Forderungen an die Komponenten: 1.) Grundgesamtheit: Ω 2.) Mengensystem der Ereignisse: Ω A(Ω) ( sicheres Ereignis ) A A(Ω) Ω \ A A(Ω) A i A(Ω) für i = 1, 2, 3,... A i A(Ω) i=1 Kapitel II - Wahrscheinlichkeitsraum 3

9 Wahrscheinlichkeitsraum Forderungen an die Komponenten: 1.) Grundgesamtheit: Ω 2.) Mengensystem der Ereignisse: Ω A(Ω) ( sicheres Ereignis ) A A(Ω) Ω \ A A(Ω) A i A(Ω) für i = 1, 2, 3,... A i A(Ω) i=1 Kapitel II - Wahrscheinlichkeitsraum 3

10 Wahrscheinlichkeitsraum Forderungen an die Komponenten: 1.) Grundgesamtheit: Ω 2.) Mengensystem der Ereignisse: Ω A(Ω) ( sicheres Ereignis ) A A(Ω) Ω \ A A(Ω) A i A(Ω) für i = 1, 2, 3,... A i A(Ω) i=1 Kapitel II - Wahrscheinlichkeitsraum 3

11 Wahrscheinlichkeitsraum 3.) Wahrscheinlichkeitsmaß: P(A) 0 für alle Ereignisse A A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt, d.h.: (A i A j = für i j), P(Ω) = 1 P( A i ) = P(A i ) i=1 i=1 Kapitel II - Wahrscheinlichkeitsraum 4

12 Wahrscheinlichkeitsraum 3.) Wahrscheinlichkeitsmaß: P(A) 0 für alle Ereignisse A A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt, d.h.: (A i A j = für i j), P(Ω) = 1 P( A i ) = P(A i ) i=1 i=1 Kapitel II - Wahrscheinlichkeitsraum 4

13 Wahrscheinlichkeitsraum 3.) Wahrscheinlichkeitsmaß: P(A) 0 für alle Ereignisse A A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt, d.h.: (A i A j = für i j), P(Ω) = 1 P( A i ) = P(A i ) i=1 i=1 Kapitel II - Wahrscheinlichkeitsraum 4

14 Wahrscheinlichkeitsraum 3.) Wahrscheinlichkeitsmaß: P(A) 0 für alle Ereignisse A A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt, d.h.: (A i A j = für i j), P(Ω) = 1 P( A i ) = P(A i ) i=1 i=1 Kapitel II - Wahrscheinlichkeitsraum 4

15 σ-algebren Definition: Sei Ω. Eine Teilmenge A(Ω) der Potenzmenge von Ω heißt σ-algebra, wenn sie die Eigenschaften erfüllt. 1 Ω A(Ω) 2 A A(Ω) Ω \ A A(Ω) 3 A i A(Ω) für i = 1, 2, 3,... i=1 A i A(Ω) Eigenschaft 3 heißt auch σ-vollständigkeit. Kapitel II - Wahrscheinlichkeitsraum 5

16 σ-algebren Definition: Sei Ω. Eine Teilmenge A(Ω) der Potenzmenge von Ω heißt σ-algebra, wenn sie die Eigenschaften erfüllt. 1 Ω A(Ω) 2 A A(Ω) Ω \ A A(Ω) 3 A i A(Ω) für i = 1, 2, 3,... i=1 A i A(Ω) Eigenschaft 3 heißt auch σ-vollständigkeit. Kapitel II - Wahrscheinlichkeitsraum 5

17 σ-algebren Definition: Sei Ω. Eine Teilmenge A(Ω) der Potenzmenge von Ω heißt σ-algebra, wenn sie die Eigenschaften erfüllt. 1 Ω A(Ω) 2 A A(Ω) Ω \ A A(Ω) 3 A i A(Ω) für i = 1, 2, 3,... i=1 A i A(Ω) Eigenschaft 3 heißt auch σ-vollständigkeit. Kapitel II - Wahrscheinlichkeitsraum 5

18 σ-algebren Definition: Sei Ω. Eine Teilmenge A(Ω) der Potenzmenge von Ω heißt σ-algebra, wenn sie die Eigenschaften erfüllt. 1 Ω A(Ω) 2 A A(Ω) Ω \ A A(Ω) 3 A i A(Ω) für i = 1, 2, 3,... i=1 A i A(Ω) Eigenschaft 3 heißt auch σ-vollständigkeit. Kapitel II - Wahrscheinlichkeitsraum 5

19 σ-algebren Definition: Sei Ω. Eine Teilmenge A(Ω) der Potenzmenge von Ω heißt σ-algebra, wenn sie die Eigenschaften erfüllt. 1 Ω A(Ω) 2 A A(Ω) Ω \ A A(Ω) 3 A i A(Ω) für i = 1, 2, 3,... i=1 A i A(Ω) Eigenschaft 3 heißt auch σ-vollständigkeit. Kapitel II - Wahrscheinlichkeitsraum 5

20 σ-algebren in Anwendungsfällen Die Grundgesamtheit ist endlich oder abzählbar unendlich: Die Potenzmenge der Grundgesamtheit ist die σ-algebra der Ereignisse. Die Grundgesamtheit ist die Menge der reellen Zahlen: σ-algebra ist die kleinste σ-algebra die die Halbgeraden (, α] als Elemente enthält (σ-algebra der Borelschen Mengen in R) Die Grundgesamtheit ist der R n : σ-algebra ist die kleinste σ-algebra, die die Mengen {(x 1, x 2,..., x n ) x i α i für i = 1, 2,..., n} für alle Vektoren (α 1, α 2,..., α n ) R n enthält (sie heißt σ-algebra der Borelschen Mengen in R n ). Kapitel II - Wahrscheinlichkeitsraum 6

21 σ-algebren in Anwendungsfällen Die Grundgesamtheit ist endlich oder abzählbar unendlich: Die Potenzmenge der Grundgesamtheit ist die σ-algebra der Ereignisse. Die Grundgesamtheit ist die Menge der reellen Zahlen: σ-algebra ist die kleinste σ-algebra die die Halbgeraden (, α] als Elemente enthält (σ-algebra der Borelschen Mengen in R) Die Grundgesamtheit ist der R n : σ-algebra ist die kleinste σ-algebra, die die Mengen {(x 1, x 2,..., x n ) x i α i für i = 1, 2,..., n} für alle Vektoren (α 1, α 2,..., α n ) R n enthält (sie heißt σ-algebra der Borelschen Mengen in R n ). Kapitel II - Wahrscheinlichkeitsraum 6

22 σ-algebren in Anwendungsfällen Die Grundgesamtheit ist endlich oder abzählbar unendlich: Die Potenzmenge der Grundgesamtheit ist die σ-algebra der Ereignisse. Die Grundgesamtheit ist die Menge der reellen Zahlen: σ-algebra ist die kleinste σ-algebra die die Halbgeraden (, α] als Elemente enthält (σ-algebra der Borelschen Mengen in R) Die Grundgesamtheit ist der R n : σ-algebra ist die kleinste σ-algebra, die die Mengen {(x 1, x 2,..., x n ) x i α i für i = 1, 2,..., n} für alle Vektoren (α 1, α 2,..., α n ) R n enthält (sie heißt σ-algebra der Borelschen Mengen in R n ). Kapitel II - Wahrscheinlichkeitsraum 6

23 Wahrscheinlichkeitsmaß Definition: Sei Ω mit σ-algebra A(Ω). P : A(Ω) [0, 1] heißt Wahrscheinlichkeitsmaß, wenn 1 P(A) 0 für alle Ereignisse A. 2 A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt (A i A j = für i j), P( A i ) = P(A i ) i=1 i=1 σ-additivität 3 P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 7

24 Wahrscheinlichkeitsmaß Definition: Sei Ω mit σ-algebra A(Ω). P : A(Ω) [0, 1] heißt Wahrscheinlichkeitsmaß, wenn 1 P(A) 0 für alle Ereignisse A. 2 A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt (A i A j = für i j), P( A i ) = P(A i ) i=1 i=1 σ-additivität 3 P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 7

25 Wahrscheinlichkeitsmaß Definition: Sei Ω mit σ-algebra A(Ω). P : A(Ω) [0, 1] heißt Wahrscheinlichkeitsmaß, wenn 1 P(A) 0 für alle Ereignisse A. 2 A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt (A i A j = für i j), P( A i ) = P(A i ) i=1 i=1 σ-additivität 3 P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 7

26 Wahrscheinlichkeitsmaß Definition: Sei Ω mit σ-algebra A(Ω). P : A(Ω) [0, 1] heißt Wahrscheinlichkeitsmaß, wenn 1 P(A) 0 für alle Ereignisse A. 2 A i, i = 1, 2, 3,... Ereignisse, paarweise disjunkt (A i A j = für i j), P( A i ) = P(A i ) i=1 i=1 σ-additivität 3 P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 7

27 Folgerungen: 1 A B : P(B \ A) = P(B) P(A) und P(A) P(B) 2 P(Ω \ A) = 1 P(A) 3 P(A) P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 8

28 Folgerungen: 1 A B : P(B \ A) = P(B) P(A) und P(A) P(B) 2 P(Ω \ A) = 1 P(A) 3 P(A) P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 8

29 Folgerungen: 1 A B : P(B \ A) = P(B) P(A) und P(A) P(B) 2 P(Ω \ A) = 1 P(A) 3 P(A) P(Ω) = 1 Kapitel II - Wahrscheinlichkeitsraum 8

30 Beispiel Gegeben: Häufigkeitsverteilung von Klassen und Summenhäufigkeitsfunktion SF SF (α) Anteil der Messwerte α SF (α) wird interpretiert als Wahrscheinlichkeit für einen Messwert α bei einem neu produzierten Teil. Sollwert: 100 Toleranzbereich: [99.5; 100.5] Frage: Wie groß ist die Wahrscheinlichkeit für ein korrektes Teil? Kapitel II - Wahrscheinlichkeitsraum 9

31 Beispiel Gegeben: Häufigkeitsverteilung von Klassen und Summenhäufigkeitsfunktion SF SF (α) Anteil der Messwerte α SF (α) wird interpretiert als Wahrscheinlichkeit für einen Messwert α bei einem neu produzierten Teil. Sollwert: 100 Toleranzbereich: [99.5; 100.5] Frage: Wie groß ist die Wahrscheinlichkeit für ein korrektes Teil? Kapitel II - Wahrscheinlichkeitsraum 9

32 Beispiel Gegeben: Häufigkeitsverteilung von Klassen und Summenhäufigkeitsfunktion SF SF (α) Anteil der Messwerte α SF (α) wird interpretiert als Wahrscheinlichkeit für einen Messwert α bei einem neu produzierten Teil. Sollwert: 100 Toleranzbereich: [99.5; 100.5] Frage: Wie groß ist die Wahrscheinlichkeit für ein korrektes Teil? Kapitel II - Wahrscheinlichkeitsraum 9

33 Beispiel Gegeben: Häufigkeitsverteilung von Klassen und Summenhäufigkeitsfunktion SF SF (α) Anteil der Messwerte α SF (α) wird interpretiert als Wahrscheinlichkeit für einen Messwert α bei einem neu produzierten Teil. Sollwert: 100 Toleranzbereich: [99.5; 100.5] Frage: Wie groß ist die Wahrscheinlichkeit für ein korrektes Teil? Kapitel II - Wahrscheinlichkeitsraum 9

34 Umgehensweise zur Bestimmung der Wahrscheinlichkeit für ein Ereignis A Ω: a) Ω endlich oder abzählbar unendlich: Ω = {ω 1, ω 2,...} Bestimmung der Wahrscheinlichkeiten für Elementarereignisse P({ω i }) für i = 1, 2, 3,... P(A) = P({ω i }) ω i A b) Ω überabzählbar unendlich: Ω = R Bestimmung der Wahrscheinlichkeit für jede Teilmenge (, α] mit α R A R. Berechnung von P(A) mit Hilfe der Rechenregeln aus den Wahrscheinlichkeiten für (, α], α R (nicht für alle A R möglich) Kapitel II - Wahrscheinlichkeitsraum 10

35 Umgehensweise zur Bestimmung der Wahrscheinlichkeit für ein Ereignis A Ω: a) Ω endlich oder abzählbar unendlich: Ω = {ω 1, ω 2,...} Bestimmung der Wahrscheinlichkeiten für Elementarereignisse P({ω i }) für i = 1, 2, 3,... P(A) = P({ω i }) ω i A b) Ω überabzählbar unendlich: Ω = R Bestimmung der Wahrscheinlichkeit für jede Teilmenge (, α] mit α R A R. Berechnung von P(A) mit Hilfe der Rechenregeln aus den Wahrscheinlichkeiten für (, α], α R (nicht für alle A R möglich) Kapitel II - Wahrscheinlichkeitsraum 10

36 Umgehensweise zur Bestimmung der Wahrscheinlichkeit für ein Ereignis A Ω: Bemerkung: Es genügt nicht, die Wahrscheinlichkeiten P({α}) für alle reellen Zahlen α zu bestimmen. (Beispiel: P({α}) = 0 für alle α R) Die Bestimmung der Wahrscheinlichkeit für (, α] kann wie im Beispiel 4 durch eine Funktion F erfolgen. Möglich für jede monoton steigende und stetige Funktion F mit lim F (α) = 0, lim α F (α) = 1, α P((, α]) = F (α) Kapitel II - Wahrscheinlichkeitsraum 11

37 Umgehensweise zur Bestimmung der Wahrscheinlichkeit für ein Ereignis A Ω: Bemerkung: Es genügt nicht, die Wahrscheinlichkeiten P({α}) für alle reellen Zahlen α zu bestimmen. (Beispiel: P({α}) = 0 für alle α R) Die Bestimmung der Wahrscheinlichkeit für (, α] kann wie im Beispiel 4 durch eine Funktion F erfolgen. Möglich für jede monoton steigende und stetige Funktion F mit lim F (α) = 0, lim α F (α) = 1, α P((, α]) = F (α) Kapitel II - Wahrscheinlichkeitsraum 11

38 Wahrscheinlichkeitsmaße in Anwendungsfällen Die Grundgesamtheit ist endlich oder abzählbar unendlich: Das Wahrscheinlichkeitsmaß wird angegeben für die Elementarereignisse, also für die Elemente der Grundgesamtheit. Für eine Teilmenge A erfolgt die Berechnung nach: P(A) = a A P({a}) Die Grundgesamtheit ist die Menge der reellen Zahlen: Das Wahrscheinlichkeitsmaß wird angegeben durch eine stetige, monoton wachsende Funktion F : R [0, 1] mit lim F (x) = 0, lim x F (x) = 1, x F (x) = P((, x]) Kapitel II - Wahrscheinlichkeitsraum 12

39 Wahrscheinlichkeitsmaße in Anwendungsfällen Die Grundgesamtheit ist endlich oder abzählbar unendlich: Das Wahrscheinlichkeitsmaß wird angegeben für die Elementarereignisse, also für die Elemente der Grundgesamtheit. Für eine Teilmenge A erfolgt die Berechnung nach: P(A) = a A P({a}) Die Grundgesamtheit ist die Menge der reellen Zahlen: Das Wahrscheinlichkeitsmaß wird angegeben durch eine stetige, monoton wachsende Funktion F : R [0, 1] mit lim F (x) = 0, lim x F (x) = 1, x F (x) = P((, x]) Kapitel II - Wahrscheinlichkeitsraum 12

40 Wahrscheinlichkeitsmaße in Anwendungsfällen: Folgerungen Grundgesamtheit ist die Menge der reellen Zahlen: 1 P((, α]) = F (α) 2 P((α, β]) = F (β) F (α) 3 P({α}) = 0 A endlich oder abzählbar unendlich: P(A) = 0 z.b. Q Menge der rationalen Zahlen: P(Q) = 0 Kapitel II - Wahrscheinlichkeitsraum 13

41 Wahrscheinlichkeitsmaße in Anwendungsfällen: Folgerungen Grundgesamtheit ist die Menge der reellen Zahlen: 1 P((, α]) = F (α) 2 P((α, β]) = F (β) F (α) 3 P({α}) = 0 A endlich oder abzählbar unendlich: P(A) = 0 z.b. Q Menge der rationalen Zahlen: P(Q) = 0 Kapitel II - Wahrscheinlichkeitsraum 13

42 Wahrscheinlichkeitsmaße in Anwendungsfällen: Folgerungen Grundgesamtheit ist die Menge der reellen Zahlen: 1 P((, α]) = F (α) 2 P((α, β]) = F (β) F (α) 3 P({α}) = 0 A endlich oder abzählbar unendlich: P(A) = 0 z.b. Q Menge der rationalen Zahlen: P(Q) = 0 Kapitel II - Wahrscheinlichkeitsraum 13

43 Wahrscheinlichkeitsmaße in Anwendungsfällen: Folgerungen Grundgesamtheit ist die Menge der reellen Zahlen: 1 P((, α]) = F (α) 2 P((α, β]) = F (β) F (α) 3 P({α}) = 0 A endlich oder abzählbar unendlich: P(A) = 0 z.b. Q Menge der rationalen Zahlen: P(Q) = 0 Kapitel II - Wahrscheinlichkeitsraum 13

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

Einführung in die Computerlinguistik Statistische Grundlagen

Einführung in die Computerlinguistik Statistische Grundlagen Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse

Mehr

Einführung in die. Wahrscheinlichkeitstheorie und Statistik

Einführung in die. Wahrscheinlichkeitstheorie und Statistik Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume

Mehr

Risiko und Versicherung - Übung

Risiko und Versicherung - Übung Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de

Mehr

Einführung in die Wahrscheinlichkeitsrechnung und Statistik

Einführung in die Wahrscheinlichkeitsrechnung und Statistik Einführung in die Wahrscheinlichkeitsrechnung und Statistik Jan Kallsen und Claudia Klüppelberg Zentrum Mathematik Technische Universität München WS 2005/06 Inhaltsverzeichnis Vorwort Vorbemerkungen i

Mehr

Grundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten

Grundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten Teil 2: Wahrscheinlichkeitsrechnung 326 Grundlagen Wozu Wahrscheinlichkeitsrechnung? Definition und egriff der Wahrscheinlichkeit erechnung von Laplace-Wahrscheinlichkeiten Rechnen mit einfachem Mengenkalkül

Mehr

Lehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler

Lehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik I Wahrscheinlichkeitsrechnung Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 8. November 00 Gesetzt

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

WAHRSCHEINLICHKEITSTHEORIE I und II. Vorlesungsskript

WAHRSCHEINLICHKEITSTHEORIE I und II. Vorlesungsskript WAHRSCHEINLICHKEITSTHEORIE I und II Wolfgang König TU Berlin und WIAS Berlin Vorlesungsskript SS 2005 und WS 2005/06 überarbeitet im WS 2008/09 kleine Korrekturen im März und Juli 2012 und im März 2013

Mehr

Einführung in die Wahrscheinlichkeitsrechnung und Statistik

Einführung in die Wahrscheinlichkeitsrechnung und Statistik Materialien zu Stochastik 1 Einführung in die Wahrscheinlichkeitsrechnung und Statistik Dr. Christian Kredler WS 2003/04 Inhaltsverzeichnis Teil 1: Wahrscheinlichkeitsrechnung 1 1 Grundlagen der Wahrscheinlichkeitsrechnung

Mehr

Statistik 1: Einführung

Statistik 1: Einführung Seite Stat- Statistik : Einführung Die mathematische Disziplin der Stochastik, die die Teilgebiete Wahrscheinlichkeitstheorie und mathematische Statistik umfaßt, beschäftigt sich mit der Beobachtung, Aufzeichnung

Mehr

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

Einführung in die Stochastik. Dr. Lothar Schüler

Einführung in die Stochastik. Dr. Lothar Schüler Einführung in die Stochastik für Studierende der Informatik im Bachelorstudiengang TU Braunschweig SS 2007 Dr. Lothar Schüler Institut für Mathematische Stochastik Technische Universität Braunschweig Pockelsstr.

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 1 Wahrscheinlichkeit Literatur Kapitel 1 * gelegentlich lesen: Statistik in Cartoons: Kapitel 1 und 2 (diese Fragen behandle ich in meiner Vlsg nicht) *

Mehr

Theoretische Informatik

Theoretische Informatik Theoretische Informatik für die Studiengänge Ingenieur-Informatik berufsbegleitendes Studium Lehramt Informatik (Sekundar- und Berufsschule) http://theo.cs.uni-magdeburg.de/lehre04s/ Lehrbeauftragter:

Mehr

Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006

Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006 Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess

Mehr

Wahrscheinlichkeitstheorie. Zapper und

Wahrscheinlichkeitstheorie. Zapper und Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten

Mehr

Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014

Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 egelsammlung mb2014 THM Friedberg von 6 16.08.2014 15:04 Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 Sammlung von Rechenregeln, extrahiert aus dem Lehrbuch: Erhard Cramer, Johanna Neslehová: Vorkurs

Mehr

Einführung in die Wahrscheinlichkeitsrechnung

Einführung in die Wahrscheinlichkeitsrechnung Statistik 1 für SoziologInnen Einführung in die Univ.Prof. Dr. Marcus Hudec WAHRSCHEINLICHKEITSRECHNUNG It is remarkable that a science which began with the consideration of games of chance should have

Mehr

Einführung in die Wahrscheinlichkeitsrechnung und Statistik

Einführung in die Wahrscheinlichkeitsrechnung und Statistik Einführung in die Wahrscheinlichkeitsrechnung und Statistik Gunther H. Peichl Skriptum zur Vorlesung im SS 1999 Institut für Mathematik Karl Franzens Universität Graz ii Vorwort Im Alltag begegnen wir

Mehr

Statistik II - Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Christine Müller Technische Universität Dortmund

Statistik II - Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Christine Müller Technische Universität Dortmund Statistik II - Elementare Wahrscheinlichkeitsrechnung Prof Dr Christine Müller Technische Universität Dortmund Sommersemester 2014 1 Literatur Henze, N (1997 Stochastik für Einsteiger Vieweg, Braunschweig

Mehr

GNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor

GNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen

Mehr

Dirk Hachenberger Mathematik für Informatiker

Dirk Hachenberger Mathematik für Informatiker Dirk Hachenberger Mathematik für Informatiker ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis Vorwort

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in

Mehr

Neue Ansätze für die Sicherheit der Random-Oracle-Methodik

Neue Ansätze für die Sicherheit der Random-Oracle-Methodik Neue Ansätze für die Sicherheit der Random-Oracle-Methodik Inauguraldissertation zur Erlangung des akademischen Grades Doktor der Naturwissenschaften (Dr. rer. nat.) eingereicht beim Fachbereich Mathematik

Mehr

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe

Mehr

Einführung in die Statistik für Biologen. Jörg Witte

Einführung in die Statistik für Biologen. Jörg Witte Einführung in die Statistik für Biologen Jörg Witte 1997 Inhaltsverzeichnis 1 Endliche Wahrscheinlichkeitstheorie 3 1.1 Grundbegriffe........................ 3 1.2 Zufallsgrößen und Verteilungsfunktionen.........

Mehr

Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)

Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar

Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar getext von René Wörzberger rene@woerzberger.de Bilder Thorsten Uthke Review Diego Biurrun diego@pool.informatik.rwth-aachen.de

Mehr

Zahlenbereiche. Jörn Loviscach. Versionsstand: 20. Oktober 2009, 17:43

Zahlenbereiche. Jörn Loviscach. Versionsstand: 20. Oktober 2009, 17:43 Zahlenbereiche Jörn Loviscach Versionsstand: 20. Oktober 2009, 17:43 1 Natürliche, ganze und rationale Zahlen Zum Zählen benötigt man die positiven natürlichen Zahlen 1, 2, 3,... In der Informatik zählt

Mehr

Einführung in die Wahrscheinlichkeitstheorie

Einführung in die Wahrscheinlichkeitstheorie Anton Bovier Einführung in die Wahrscheinlichkeitstheorie Vorlesung Winter 2012/13, Bonn 15. Februar 2013 Inhaltsverzeichnis 1 Wahrscheinlichkeit........................................ 1 1.1 Zufallsexperimente

Mehr

Bedingte Wahrscheinlichkeit

Bedingte Wahrscheinlichkeit Bedingte Wahrscheinlichkeit In einem Laden ist eine Alarmanlage eingebaut. Bei Einbruch gibt sie mit 99%-iger Wahrscheinlichkeit Alarm. Wenn in einer bestimmten Nacht kein Einbruch stattfindet, gibt sie

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Untersuchungen zur Kellystrategie für Wetten und Investitionen

Untersuchungen zur Kellystrategie für Wetten und Investitionen Untersuchungen zur Kellystrategie für Wetten und Investitionen Inaugural-Dissertation zur Erlangung des Doktorgrades der Mathematisch-Naturwissenschaftlichen Fakultät der Universität zu Köln vorgelegt

Mehr

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt

Mehr

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis

6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis 1 6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Spiele aus dem Alltagsleben: Würfel, Münzen, Karten,... u.s.w. sind gut geeignet die Grundlagen der Wahrscheinlichkeitsrechnung

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen

Mehr

Analog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als:

Analog definiert man das Nichteintreten eines Ereignisses (Misserfolg) als: 9-9 Die befasst sich mit der Untersuchung, wie wahrscheinlich das Eintreten eines Falles aufgrund bestimmter Voraussetzungen stattfindet. Bis anhin haben wir immer logisch gefolgert: 'Wenn diese Voraussetzung

Mehr

Versuch: Zufälliges Ziehen aus der Population

Versuch: Zufälliges Ziehen aus der Population Wahrscheinlichkeit Ein Test diagnostiziert Kranke zu 99% richtig Gesunde zu 90% richtig 5% der Bevölkerung ist krank? Wie wahrscheinlich ist es, dass jemand krank ist, wenn der Test dies diagnostiziert?

Mehr

Bei dieser Vorlesungsmitschrift handelt es sich um kein offizielles Skript!

Bei dieser Vorlesungsmitschrift handelt es sich um kein offizielles Skript! Diskrete Stochastik für Informatiker WS003/04 Diskrete Stochastik für die Informatik Bei dieser Vorlesungsmitschrift handelt es sich um kein offizielles Skript! Bei Fragen, Anmerkungen oder Fehlern bitte

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Gibt es verschiedene Arten unendlich? Dieter Wolke

Gibt es verschiedene Arten unendlich? Dieter Wolke Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen

Mehr

Überblick über dieses Kapitel Grundlagen der Programmierung Kapitel 12: Information und Repräsentation

Überblick über dieses Kapitel Grundlagen der Programmierung Kapitel 12: Information und Repräsentation Überblick über dieses Kapitel Grundlagen der Programmierung Dr. Christian Herzog Technische Universität München Wintersemester 2007/2008 Kapitel 12: Information und Repräsentation! Repräsentation, Information,!

Mehr

Handreichung. zur Mathematikvorlesung für. Wirtschaftswissenschaftler)

Handreichung. zur Mathematikvorlesung für. Wirtschaftswissenschaftler) 1 Handreichung zur Mathematikvorlesung für Wirtschaftswissenschaftler) Dr.Dr. Christina Schneider 2 Hinweis Das vorliegende Manuskript versteht sich als kurze und kompakte Handreichung zu meiner Vorlesung

Mehr

Übungen zur Mathematik für Pharmazeuten

Übungen 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

Mehr

Sprechen wir über Zahlen (Karl-Heinz Wolff)

Sprechen wir über Zahlen (Karl-Heinz Wolff) Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,

Mehr

Hans Irtel. Entscheidungs- und testtheoretische Grundlagen der Psychologischen Diagnostik

Hans Irtel. Entscheidungs- und testtheoretische Grundlagen der Psychologischen Diagnostik Hans Irtel Entscheidungs- und testtheoretische Grundlagen der Psychologischen Diagnostik Universität Mannheim 1995 Vorwort Dieses Buch ist ein Kompendium grundlegender Konzepte der Test- und Entscheidungstheorie,

Mehr

Das Deckungskapital von Lebensversicherungen bei unscharf gegebener Lebensdauerverteilung

Das Deckungskapital von Lebensversicherungen bei unscharf gegebener Lebensdauerverteilung Universität Leipzig Fakultät für Mathematik und Informatik Mathematisches Institut Das Deckungskapital von Lebensversicherungen bei unscharf gegebener Lebensdauerverteilung Diplomarbeit vorgelegt von Dennis

Mehr

Analysis I III. Vorlesungsskriptum WS 2005/06 WS 2006/07. Fakultät für Mathematik, Ruhr-Universität Bochum

Analysis I III. Vorlesungsskriptum WS 2005/06 WS 2006/07. Fakultät für Mathematik, Ruhr-Universität Bochum Analysis I III Vorlesungsskriptum WS 2005/06 WS 2006/07 R. Verfürth Fakultät für Mathematik, Ruhr-Universität Bochum Inhaltsverzeichnis Kapitel I. Aufbau des Zahlsystems 5 I.1. Die natürlichen Zahlen

Mehr

Knut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik

Knut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik Knut Bartels / Hans Gerhard Strohe Arbeitsblätter zur Vorlesung im Wintersemester 2005/06 Induktive Statistik Dies ist kein Vorlesungsskript Wirtschafts- und Sozialwissenschaftliche Fakultät Lehrstuhl

Mehr

Numerische Methoden der Finanzmathematik

Numerische Methoden der Finanzmathematik Numerische Methoden der Finanzmathematik Lars Grüne Mathematisches Institut Fakultät für Mathematik und Physik Universität Bayreuth 95440 Bayreuth lars.gruene@uni-bayreuth.de www.math.uni-bayreuth.de/

Mehr

Prof. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13

Prof. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13 Prof. Dr. Thilo Meyer-Brandis Finanzmathematik 1 WS 2012/13 Dieses Skript gibt den Inhalt der Vorlesung Finanzmathematik I: Eine Einführung in diskreter Zeit wieder und basiert auf dem Buch Stochastic

Mehr

(PRO-)SEMINAR ZUR ALGEBRA

(PRO-)SEMINAR ZUR ALGEBRA (PRO-)SEMINAR ZUR ALGEBRA U. GÖRTZ, C. KAPPEN, WS 200/ Einführung Kettenbrüche sind Ausdrücke der Form a 0 + a + a 2+... (beziehungsweise gewisse Varianten davon). Kettenbrüche sind ein klassisches und

Mehr

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Notizen zu "Mathematische Grundlagen der Finanzwirtschaft"

Notizen zu Mathematische Grundlagen der Finanzwirtschaft Notizen zu "Mathematische Grundlagen der Finanzwirtschaft" PD Dr. habil. Thomas Kalmes Sommersemester 5 Version vom 5. Juli 5 Einleitung 2 Einleitung Ich kam zu der Überzeugung, dass mathematische Analysis

Mehr

Rechnen mit einfachem Mengenkalkül

Rechnen mit einfachem Mengenkalkül edingte ahrscheinlichkeiten llgemeine Frage: Rechnen mit einfachem Mengenkalkül ie groß ist die ahrscheinlichkeit für ein Ereignis falls bereits ein Ereignis eingetreten ist (und der etrachter über diese

Mehr

EMIL@A-stat. Vorkurs Mathematik. Arbeitsbuch zum Studienbeginn in Bachelor-Studiengängen. Bearbeitet von Erhard Cramer, Johanna Neslehova

EMIL@A-stat. Vorkurs Mathematik. Arbeitsbuch zum Studienbeginn in Bachelor-Studiengängen. Bearbeitet von Erhard Cramer, Johanna Neslehova EMIL@-stat Vorkurs Mathematik rbeitsbuch zum Studienbeginn in achelor-studiengängen earbeitet von Erhard Cramer, Johanna Neslehova 4. ufl. 2009. Taschenbuch. XII, 460 S. Paperback ISN 978 3 642 01832 9

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Aufgabe 1: Wetterbericht Im Mittel sagt der Wetterbericht für den kommenden Tag zu 60 % schönes und zu 40% schlechtes

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Gaußsche Prozesse - ein funktionalanalytischer Zugang

Gaußsche Prozesse - ein funktionalanalytischer Zugang Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Gaußsche Prozesse - ein funktionalanalytischer Zugang Bachelorarbeit in Wirtschaftsmathematik vorgelegt von Clemens Kraus am 31. Mai

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschftsmthemtik für Interntionl Mngement (BA) und Betriebswirtschft (BA) Wintersemester 2013/14 Stefn Etschberger Hochschule Augsburg Mthemtik: Gliederung 1 Aussgenlogik 2 Linere Algebr 3 Linere

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

Mehr

ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE

ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES DERIVATIVE FINANZINSTRUMENTE im SS 215 Aufgabe 1 (Innerer Wert, Zeitwert, Basiskurs, Aufgeld) Am 13.4.2 kostete eine Kaufoption

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 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

Mehr

Portfolio-Optimierung mit dem Erwartungswert-Varianz-Ansatz

Portfolio-Optimierung mit dem Erwartungswert-Varianz-Ansatz MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/~mamaeusch/ Portfolio-Optimierung mit dem Erwartungswert-Varianz-Ansatz Elke Korn Ralf Korn Diese Veröffentlichung ist

Mehr

Derivative Finanzinstrumente

Derivative Finanzinstrumente Derivative Finanzinstrumente Klaus Schindler Vorlesung an der Universität des Saarlandes c Sommersemester 2015 Version 15.0 Inhaltsverzeichnis Inhaltsverzeichnis......................................

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 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

Mehr

Stochastische Prozesse I

Stochastische Prozesse I Hans Daduna Fachbereich Mathematik der Universität Hamburg Schwerpunkt Mathematische Statistik und Stochastische Prozesse Wintersemester 2006/07 Teil 1: Markov Ketten und Erneuerungstheorie Dieser Text

Mehr

3 Konvexe Analysis. 3.1 Grundlagen

3 Konvexe Analysis. 3.1 Grundlagen 25 3 Konvee Analsis 3.1 Grundlagen Die konvee Analsis auch Konveitätstheorie genannt untersucht geometrische Eigenschaften von konveen Mengen, Funktionen und Funktionalen in linearen Räumen. Eine tpische

Mehr

1. Objektive (statistische) und subjektive (epistemische) Wahrscheinlichkeit

1. Objektive (statistische) und subjektive (epistemische) Wahrscheinlichkeit 1 SE Logik III: Wahrscheinlichkeit und unsicheres Schließen (Ws 2005/06 G. Schurz) Lehrmaterialien Auszüge aus dem Skriptum "Grundprobleme der Wissenschaftstheorie" + einige Ergänzungen 1. Objektive (statistische)

Mehr

Kursreihe stochastische Simulationen Kurs 3

Kursreihe stochastische Simulationen Kurs 3 Schüler-SimuLab Kursreihe stochastische Simulationen Kurs 3 Erste stochastische Simulationen Stefan Hartmann Forschungszentrum caesar 18. Januar 2008 Ein paar einleitende Worte Im ersten Kurs haben wir

Mehr

Vorlesung Wirtschaftsmathematik II SS 2015, 3/2 SWS. Prof. Dr. M. Voigt

Vorlesung Wirtschaftsmathematik II SS 2015, 3/2 SWS. Prof. Dr. M. Voigt Vorlesung Wirtschaftsmathematik II SS 2015, 3/2 SWS Prof. Dr. M. Voigt 2. März 2015 II Inhaltsverzeichnis 5 Grundlagen 1 5.1 Funktionen einer Variablen...................... 1 5.2 spezielle Funktionen.........................

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen

Mehr

Skript zu den Vorlesungen Mathematik für Informatiker I und II. (WiSe 2009/10 und SoSe 2010)

Skript zu den Vorlesungen Mathematik für Informatiker I und II. (WiSe 2009/10 und SoSe 2010) Skript zu den Vorlesungen Mathematik für Informatiker I und II (WiSe 2009/10 und SoSe 2010) Im WiSe 2009/10 gehalten von: Prof. Dr. Barbara Baumeister Lehrstuhl für Algebra Fachbereich Mathematik Universität

Mehr

1 Die reellen Zahlen. 1. Ziele des Mathematikstudiums: Die Studierenden sollen lernen,

1 Die reellen Zahlen. 1. Ziele des Mathematikstudiums: Die Studierenden sollen lernen, 1 Die reellen Zahlen 1. Ziele des Mathematikstudiums: Die Studierenden sollen lernen, präzise und logisch zu denken, komplexe Strukturen schnell und gründlich zu erfassen, Dinge kritisch zu hinterfragen

Mehr

Jan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik

Jan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik Jan Kallsen Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik AU zu Kiel, WS 13/14, Stand 10. Februar 2014 Inhaltsverzeichnis 1 Mathematische Hilfsmittel 4 1.1 Absolutstetigkeit

Mehr

Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel

Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Seminarbeitrag Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Sven Wiesinger 8. Juni 2004 1. Einleitung Historisches. Bei dem Versuch, eine Theorie der Spekulation zu entwickeln,

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

6 Fehlerkorrigierende Codes

6 Fehlerkorrigierende Codes R. Reischuk, ITCS 35 6 Fehlerkorrigierende Codes Wir betrachten im folgenden nur Blockcodes, da sich bei diesen das Decodieren und auch die Analyse der Fehlertoleranz-Eigenschaften einfacher gestaltet.

Mehr

Martingalmaße und Bewertung europäischer Optionen in diskreten unvollständigen Finanzmärkten

Martingalmaße und Bewertung europäischer Optionen in diskreten unvollständigen Finanzmärkten Martingalmaße und Bewertung europäischer Optionen in diskreten unvollständigen Finanzmärkten Von der Fakultät für Mathematik und Naturwissenschaften der Carl von Ossietzky Universität Oldenburg zur Erlangung

Mehr

Aufgabe 3: Übersetzen Sie die folgenden natürlich-sprachlichen Aussagen in die Sprache der

Aufgabe 3: Übersetzen Sie die folgenden natürlich-sprachlichen Aussagen in die Sprache der Aufgabe 1: Sind die folgenden Abbildungen jeweils injektiv, surjektiv und/oder bijektiv? (a) f 1 (x) = x, mit f 1 : R + R + (b) f (x) = x, mit f : R R (c) f 3 (x) = x, mit f 3 : R R (d) f 4 (x) = 3x, mit

Mehr

Diskrete Mathematik für Informatiker

Diskrete Mathematik für Informatiker Diskrete Mathematik für Informatiker Markus Lohrey Universität Siegen Wintersemester 2014/2015 Lohrey (Universität Siegen) Diskrete Mathematik Wintersem. 2014/2015 1 / 344 Organisatorisches zur Vorlesung

Mehr

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14. Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten

Mehr

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Andreas Fröhlich, Thomas Selhorst, Christoph Staubach FLI-Wusterhausen DVG Tagung Graz, September 2008 Institut für Epidemiologie Gliederung

Mehr

2. Lernen von Entscheidungsbäumen

2. Lernen von Entscheidungsbäumen 2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr