Markov-Ketten Proseminar: Das virtuelle Labor Ariane Wietschke
|
|
- Heinz Baum
- vor 6 Jahren
- Abrufe
Transkript
1 Markov-Ketten Proseminar: Das virtuelle Labor Ariane Wietschke Ariane Wietschke - Markov-Ketten 1
2 Übersicht 1. Herleitung der Definition 2. Komponenten von Markov-Ketten 3. Arten von Markov-Ketten 4. Anwendungsgebiete 5. To take home Ariane Wietschke - Markov-Ketten 2
3 1. Herleitung der Definition 2. Komponenten von Markov-Ketten 3. Arten von Markov-Ketten 4. Anwendungsgebiete 5. To take home Ariane Wietschke - Markov-Ketten 3
4 Geschichte - Beginn des 20. Jh. Andrej Andrejewitsch, Markov( ), Doeblin, Kolmogorov - praktische Anwendbarkeit fehlte - Bedeutung erst mit Verbreitung der Computertechnologie - heute in nahezu allen Anwendungsgebieten der Mathematik Ariane Wietschke - Markov-Ketten 4
5 Beispiel 1 - Irrfahrt auf Menge {1,2,,N} beginnt in 2 und bewegt sich entsprechend des Ergebnisses eines Münzwurfs nach rechts oder links (hier: Kopffirechts, Zahlfilinks) - Für Randpositionen 1 und N sei Zusatzregel definiert (hier kehre zurück zur Startposition ) Ariane Wietschke - Markov-Ketten 5
6 Beispiel 1 Positionen Zustaende Zustand Kopf/Zahl Kopf Kopf Kopf Kopf Zahl Zahl Kopf Kopf Kopf Zahl Position Ariane Wietschke - Markov-Ketten 6
7 Beispiel 2 - Irrfahrt auf {0,,999} beginnt bei 0. Bewegung aus Position i zur Position (2i+i ) mod 1000, wobei i durch das Werfen eines Würfels (Augenzahl) ermittelt wird Ariane Wietschke - Markov-Ketten 7
8 Beispiel 2 Positionen Zustaende Durchgang Augenzahl Zustand Ariane Wietschke - Markov-Ketten 8
9 Beispiel 3 - Vorbereitung: 4 mal Münze werfen fi Anzahl der Köpfe wird Startposition einer Irrfahrt auf der Menge {0,,999} Bewegung entsprechend des Ergebnisses eines Münzwurfs von Position i zur Position i+1 mod 1000 bzw. zur Position i-1 mod 1000 (hier: Kopffii+1 mod 1000, Zahlfii-1 mod 1000) Ariane Wietschke - Markov-Ketten 9
10 Beispiel 3 Positionen Zustaende 1 mal KopffiStartposition i=1 Durchgang Kopf/Zahl Zahl Kopf KopfKopf KopfZahl KopfZahlZahl Zustand Ariane Wietschke - Markov-Ketten 10
11 Beispiele: Irrfahrten 1. Irrfahrt auf Menge {1,...,N} Beginn in 2 Bewegung entsprechend Münzwurf-Ergebnis nach rechts oder links für 1 und N Zusatzregel(z.B. zurück zum Start) 2. Irrfahrt auf {0,...,999} Beginn bei 0 Bewegung aus i nach 2i+i mod 1000 i wird durch werfen eines Würfels ermittelt 3. 4 mal Münze werfen Kopfanzahl=Startposition einer Irrfahrt auf {0,...,999} Bewegung entsprechend Münzwurfergebnis von i nach i+1mod1000 bzw. i-1mod Ariane Wietschke - Markov-Ketten 11
12 Gemeinsamkeiten - vorgegebene endliche Menge möglicher Positionen - deterministisches oder zufälliges Verfahren zur Bestimmung der Startposition - jeder Position wird zufällig Folgeposition zugeordnet Ariane Wietschke - Markov-Ketten 12
13 Definition: endliche Markov-Kette Stochastischer Prozess bestehend aus: - nichtleerer endlicher Menge S={1,2,...,N} (Zustandsraum) - Vektor p i Wahrscheinlichkeit dafür, im Zustand (Anlaufvektor) zu starten - Matrix P ij Wahrscheinlichkeit dafür, vom Zustand in einem Schritt in Folgezustand überzugehen (stochastische Matrix Ariane Wietschke - Markov-Ketten 13
14 Definition: stochastischer Prozess - bezeichnet Folge von Zufallsexperimenten, die durch Funktion X(t) mit t T beschrieben werden kann - X(t 0 ) Wert der Zufallsvariable zum Zeitpunkt t 0 T M = {X(t) t T} Parameterraum Zustandsraum Ariane Wietschke - Markov-Ketten 14
15 Markov-Eigenschaft Markov-Kette ist stochastischer Prozess, dessen zukünftige Zustände vom momentanen Zustand abhängen (Gedächtnislosigkeit des Prozesses) Markov-Prozess 1.Ordnung: genau der vorherige Zeitpunkt ist entscheidend Markov-Prozess 2.Ordnung: mehr Vergangenheit wird berücksichtigt (erweiterte Markov-Eigenschaft Ariane Wietschke - Markov-Ketten 15
16 1. Herleitung der Definition 2. Komponenten von Markov-Ketten 3. Arten von Markov-Ketten 4. Anwendungsgebiete 5. To take home Ariane Wietschke - Markov-Ketten 16
17 Beispiel - Käfer kriecht durch Wegenetz fientscheidet sich an jeder Weggabelung zufällig für einen Weg in Pfeilrichtung fidarf nicht stehen bleiben Ariane Wietschke - Markov-Ketten 17
18 Bestimmung des Zustandsraums Welche Elemente enthält der Zustandsraum M? - Zustände sind die 4 Knotenpunkte fi M = {e 1, e 2, e 3, e 4 } Zustände müssen unabhängig seinfikäfer kann sich nur an einem Knotenpunkt befinden Ariane Wietschke - Markov-Ketten 18
19 Bestimmung der Übergangsmatrix - Übergangsmatrix P ist stochastisch fielemente der Matrix zwischen null und eins: p ik [0;1] 0 p ik 1 fisumme der Elemente einer Zeile ist eins: Allgemein hat Übergangsmatrix die Form: Ariane Wietschke - Markov-Ketten 19
20 Bestimmung der Übergangsmatrix Ariane Wietschke - Markov-Ketten 20
21 Mehrstufige Übergänge - Übergang von e i nach e k in n Schritten fin-stufige Übergangswahrscheinlichkeit Beispiel: Pfadregel: P 14 (3)=e 1 *e 2 *e 3 *e 4 +e 1 *e 2 *e 4 *e 4 +e 1 *e 3 *e 4 *e 4 ): Ariane Wietschke - Markov-Ketten 21
22 Bestimmen der Übergangsmatrix P(n) = P n Elemente der MatrixfiSumme der Wahrscheinlichkeiten aller Pfade die Übergang von e i nach e k in n Schritten ermöglichen P(3) = P 3 = P * P Ariane Wietschke - Markov-Ketten 22
23 Bestimmung des Anlaufvektors = ( p 1 (0), p 2 (0),, p N (0) ) Beispiel: zufällige Anfangsverteilung: =(,,, ) Wenn der Käfer in e 1 starten soll: =(1,0,0,0) Ariane Wietschke - Markov-Ketten 23
24 Wahrscheinlichkeitsverteilung zum Zeitpunkt n Wahrscheinlichkeitsvektor: = (p 1 (n), p 2 (n),, p N (n)) = * P n = *P 3 = * = Ariane Wietschke - Markov-Ketten 24
25 1. Herleitung der Definition 2. Komponenten von Markov-Ketten 3. Arten von Markov-Ketten 4. Anwendungsgebiete 5. To take home Ariane Wietschke - Markov-Ketten 25
26 Arten von Markov-Ketten Homogene Markov-Kette: Übergangswahrscheinlichkeiten zeitunabhängig p ik =P(e k (n) e i (n-1)) Absorbierende Markov-Kette: $ Zustand, der nicht mehr verlassen werden kann p ii = 1 Irreduzible Markov-Kette: alle Zustände gegenseitig erreichbar p ik (n) > Ariane Wietschke - Markov-Ketten 26
27 1. Herleitung der Definition 2. Komponenten von Markov-Ketten 3. Arten von Markov-Ketten 4. Anwendungsgebiete 5. To take home Ariane Wietschke - Markov-Ketten 27
28 Anwendung Biologie:- Ausbreitung von Arten und Wechselwirkungen. - Sequenzberechnung in DNS-Molekülen - Wettervorhersage Physik:- Bewegung von Staubteilchen in der Luft (Brownsche Bewegung). Informatik:- Analyse von Computer-Netzwerken Spracherkennung Ariane Wietschke - Markov-Ketten 28
29 Anwendung Qualitäts- und Sicherheitstechnik: Verfügbarkeit und Sicherheit von technischen Systemen Soziologie:- Beschreibung von sozialen Netzwerken und - sozialem Verhalten - Umzugsbewegungen Wirtschaft:- Dynamik von Börsenkursen und Branchenindizes Ariane Wietschke - Markov-Ketten 29
30 Anwendung Logistik:- Analyse von Warteschlangen und - Verkehrsnetzwerken - Personalplanung Ariane Wietschke - Markov-Ketten 30
31 1. Herleitung der Definition 2. Komponenten von Markov-Ketten 3. Arten von Markov-Ketten 4. Anwendungsgebiete 5. To take home Ariane Wietschke - Markov-Ketten 31
32 To take home - Stochastischer Prozess bestehend aus: Zustandsraum, Anlaufvektor, Übergangsmatrix - Markov-Eigenschaft: zukünftige Zustände vom momentanen Zustand abhängig - vielseitige Anwendung in Biologie, Informatik, Wirtschaft etc Ariane Wietschke - Markov-Ketten 32
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
MehrDynaTraffic Modelle und mathematische Prognosen. Simulation der Verteilung des Verkehrs mit Hilfe von Markov-Ketten
DynaTraffic Modelle und mathematische Prognosen Simulation der Verteilung des Verkehrs mit Hilfe von Markov-Ketten Worum geht es? Modelle von Verkehrssituationen Graphen: Kanten, Knoten Matrixdarstellung
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrVertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 10.7.2013 13. Markoffketten 13.1 Beispiele 1. Irrfahrt auf dem zweidimensionalen
MehrDIPLOMARBEIT. Abschätzungen der Konvergenzgeschwindigkeit von Markov-Ketten gegen die Gleichgewichtsverteilung
Studiengang Diplom-Mathematik mit Schwerpunkt Biowissenschaften DIPLOMARBEIT Abschätzungen der Konvergenzgeschwindigkeit von Markov-Ketten gegen die Gleichgewichtsverteilung von: Christina Boll geb. Wolf
MehrEinführung in Markoff-Ketten
Einführung in Markoff-Ketten von Peter Pfaffelhuber Version: 6. Juli 200 Inhaltsverzeichnis 0 Vorbemerkung Grundlegendes 2 Stationäre Verteilungen 6 3 Markoff-Ketten-Konvergenzsatz 8 0 Vorbemerkung Die
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
Mehr1 A dp = P(A B). (1.3)
Markov-etten Seminar Stochastik vom 4-500 Version Oktober 00 Markus Penz Vorbemerkungen zu bedingten Wahrscheinlichkeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und X : Ω R eine F-messbare sowie integrierbare
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
Mehr3 Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsversuchen
Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsversuchen Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsversuchen.1 Pfadregeln.1.1 Pfadmultiplikationsregel Eine faire Münze und
MehrBACHELORARBEIT. Markov-Ketten und ihre Greensche Funktion. Jasmin Riegler. Wien, Jänner 2013
BACHELORARBEIT Markov-Ketten und ihre Greensche Funktion Jasmin Riegler Wien, Jänner 203 Studienkennzahl: A 033 62 Studienrichtung: Mathematik Betreuer: Privatdoz. Dr. Mag. Bernhard Krön Inhaltsverzeichnis
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
MehrPopulation und Stichprobe: Wahrscheinlichkeitstheorie
Population und Stichprobe: Wahrscheinlichkeitstheorie SS 2001 4. Sitzung vom 15.05.2001 Wahrscheinlichkeitstheorie in den Sozialwissenschaften: Stichprobenziehung: Aussagen über Stichprobenzusammensetzung
MehrVernetzte Systeme. Übungsstunde Adrian Schüpbach 09. Juni 2006
Vernetzte Systeme Übungsstunde 09.06.2006 Adrian Schüpbach scadrian@student.ethz.ch 09. Juni 2006 Adrian Schüpbach (ETH Zürich) Vernetzte Systeme SS 2006 1 / 28 Übersicht 1 TCP-Zustandsdiagramm 2 Proxy
MehrDie Abbildung zeigt die Kette aus dem "
½ Ô ½ 0 1 2 Õ Eine Markov-Kette mit absorbierenden Zustanden Die Abbildung zeigt die Kette aus dem " gamblers ruin problem\ fur m = 2. Man sieht sofort, dass hier sowohl 1 = (1; 0; 0) als auch 2 = (0;
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrWahrscheinlichkeitsrechnung
Teil V Wahrscheinlichkeitsrechnung Inhaltsangabe 6 Einführung in die Wahrscheinlichkeitsrechnung 125 6.1 Kombinatorik......................... 125 6.2 Grundbegri e......................... 129 6.3 Wahrscheinlichkeiten.....................
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrSatz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die
Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Rückwärtsgleichung P (t) = QP (t), P (0) = E eine minimale nicht negative Lösung (P (t) : t 0). Die Lösung bildet eine Matrix Halbgruppe, d.h. P (s)p
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
MehrDie Voraussetzungen aus Klasse 8-10
Die Voraussetzungen aus Klasse 8-10 I. Grundlagen der Wahrscheinlichkeitsrechnung Zusammenstellung der Voraussetzungen: Pfadregel Ereignisse Additionssatz Ge gener eignis A B A B P(A B) = P(A) + P(B) P(A
MehrDie Umsetzung der Lehrplaninhalte in Fokus Mathematik Einführungsphase auf der Basis des Kerncurriculums Mathematik in Nordrhein-Westfalen
Die Umsetzung der Lehrplaninhalte in auf der Basis des Kerncurriculums Mathematik in Nordrhein-Westfalen Schulinternes Curriculum Schülerbuch 978-3-06-041672-1 Lehrerfassung des Schülerbuchs 978-3-06-041673-8
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
MehrTechnische Universität München
Stand der Vorlesung Kapitel 2: Auffrischung einiger mathematischer Grundlagen Mengen, Potenzmenge, Kreuzprodukt (Paare, Tripel, n-tupel) Relation: Teilmenge MxN Eigenschaften: reflexiv, symmetrisch, transitiv,
MehrWürfelspiele und Zufall
Würfelspiele und Zufall Patrik L. Ferrari 29. August 2010 1 Random horse die Irrfahrt des Pferdchens Betrachte ein Schachbrett mit einem Pferd (Springer), welches sich nach den üblichen Springer-Regeln
MehrVorlesung 9b. Bedingte Verteilungen und bedingte Wahrscheinlichkeiten
Vorlesung 9b Bedingte Verteilungen und bedingte Wahrscheinlichkeiten 1 Voriges Mal: Aufbau der gemeinsamen Verteilung von X 1 und X 2 aus der Verteilung ρ von X 1 und Übergangswahrscheinlichkeiten P(a
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr2.1 Importance sampling: Metropolis-Algorithmus
Kapitel 2 Simulationstechniken 2.1 Importance sampling: Metropolis-Algorithmus Eine zentrale Fragestellung in der statistischen Physik ist die Bestimmung von Erwartungswerten einer Observablen O in einem
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrProseminarvortrag. Markov-Ketten in der Biologie (Anwendungen)
Proseminarvortrag Markov-Ketten in der Biologie (Anwendungen) von Peter Drössler 20.01.2010 2 Markov-Ketten in der Biologie (Peter Drössler, KIT 2010) Inhalt 1. Das Wright-Fisher Modell... 3 1.1. Notwendige
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassung vom 12. Januar 2001 121 WAHRSCHEINLICHKEITS-RÄUME Stichproben-Raum. 9.1 9.1 Stichproben-Raum. Die bisher behandelten Beispiele von Naturvorgängen oder Experimenten
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
MehrÜberblick. Linguistische Anwendungen: æ Spracherkennung æ Textretrival æ probabilistische Grammatiken: z.b. Disambiguierung. Problem: woher Daten?
1 Überblick æ Beschreibende Statistik: Auswertung von Experimenten und Stichproben æ Wahrscheinlichkeitsrechnung: Schlüsse aus gegebenen Wahrscheinlichkeiten, Hilfsmittel: Kombinatorik æ Beurteilende Statistik:
MehrPopulationsentwicklung
Populationsentwicklung Lewis (942) und Leslie (945) entwickelten ein Modell, mit dem die Entwicklung einer Population unter Einbeziehung der Altersstruktur untersucht werden kann. Die Population wird z.b.
MehrP (A B) P (B) = P ({3}) P ({1, 3, 5}) = 1 3.
2 Wahrscheinlichkeitstheorie Beispiel. Wie wahrscheinlich ist es, eine Zwei oder eine Drei gewürfelt zu haben, wenn wir schon wissen, dass wir eine ungerade Zahl gewürfelt haben? Dann ist Ereignis A das
MehrSTOCHASTISCHE PROZESSE. Vorlesungsskript
STOCHASTISCHE PROZESSE I: Markovketten in diskreter und stetiger Zeit Wolfgang König Vorlesungsskript Universität Leipzig Sommersemester 2005 Inhaltsverzeichnis 1 Grundlagen 3 1.1 Einleitung........................................
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrThema: Eigenschaften von Funktionen (Wiederholung und Symmetrie, Nullstellen, Transformation)
1. Halbjahr EF 2. Halbjahr EF Einführungsphase (EF) Vektoren, ein Schlüsselkonzept (Punkte, Vektoren, Rechnen mit Vektoren, Betrag) Eigenschaften von Funktionen (Wiederholung und Symmetrie, Nullstellen,
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
MehrBoolesche Netzwerke mit zufälligen Regeln: ein regelbasiertes Modell mit zufälligen Regeln für regulatorische genetische Netzwerke
Boolesche Netzwerke mit zufälligen Regeln: ein regelbasiertes Modell mit zufälligen Regeln für regulatorische genetische Netzwerke Ausarbeitung Julia Kroos Münster, 21. Juni 2012 Bachelor- und Masterseminar
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrDidaktik der Stochastik
Didaktik der Stochastik. Didaktik der Stochastik Didaktik der Stochastik. Inhaltsverzeichnis Didaktik der Stochastik Ziele und Inhalte Beschreibende Statistik Wahrscheinlichkeitsrechnung Beurteilende Statistik
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrProfil 1: Gerechtigkeit als menschliche Herausforderung
Profil 1: Gerechtigkeit als menschliche Herausforderung ( Std. unter Einhaltung Religion 4 Biologie 4 der PGW (*) Geographie (*) der zwei Fächer Philosophie 2 Chemie 2 Physik 2 Informatik 2 wichtig: 4.
MehrBasistext - Wahrscheinlichkeitsrechnung
Basistext - Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung beschäftigt sich mit Vorgängen, die in ihrem Ausgang unbestimmt sind. Sie versucht mögliche Ergebnisse der Vorgänge zu quantifizieren.
MehrMathematik Matrizenrechnung
Mathematik Matrizenrechnung Einstufige Prozesse Rechenregeln für Matrizen Mehrstufige Prozesse Inverse Matrix Stochastische Prozesse 6 Zyklisches Verhalten Einstufige Prozesse Einstufige Prozesse Zur Beschreibung
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrWerner Sandmann: Modellierung und Analyse 4 1. Kapitel 4. Markovketten
Werner Sandmann: Modellierung und Analyse 4 1 Kapitel 4 Markovketten Werner Sandmann: Modellierung und Analyse Kapitel 4 Markovketten 4.1 Grundlagen 4 2 Abschnitt 4.1 Grundlagen Werner Sandmann: Modellierung
MehrVorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe. Mathematik
Vorläufiger schulinterner Lehrplan zum Kernlehrplan für die gymnasiale Oberstufe Mathematik 2.1.1 ÜBERSICHTSRASTER UNTERRICHTSVORHABEN EINFÜHRUNGSPHASE Unterrichtsvorhaben I: Unterrichtsvorhaben II: Beschreibung
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrHans Humenberger. Das PageRank-System von Google eine aktuelle Anwendung im MU
Hans Humenberger Das PageRank-System von Google eine aktuelle Anwendung im MU Google und seine Gründer Google etwas Riesengroßes nach der unglaublichen Fülle des WWW Googol = 10^100 1938 durch E. Kasner
MehrZiegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem
Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Wahrscheinlichkeitsrechnung Theorie Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem,
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 3 Grundbegriffe von Markov-Ketten Literatur Kapitel 3 * Grimmett & Stirzaker: Kapitel 6.1 * Krengel: 15 Begrifflich: 1. A. A. Markov war ein russischer Mathematiker
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrKurs 2 Stochastik EBBR Vollzeit (1 von 2)
Erwachsenenschule Bremen Abteilung I: Sekundarstufe Doventorscontrescarpe 172 A 281 Bremen Kurs 2 Stochastik EBBR Vollzeit (1 von 2) Name: Ich 1. 2. 3. 4.. 6. 7. So schätze ich meinen Lernzuwachs ein.
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrMarkov-Ketten und Irrfahrten auf Z d
Markov-Ketten und Irrfahrten auf Z d Diana Atzmüller 20. März 2013 1 Inhaltsverzeichnis 1 Einleitung 3 2 Markov-Ketten 4 2.1 Grundlagen............................ 4 2.2 Übergangswahrscheinlichkeit in
Mehr8. Wahrscheinlichkeitsrechnung
Didaktik der Geometrie und Stochastik WS 09/10 Bürker 27. 1. 11 8. Wahrscheinlichkeitsrechnung 8.1 Begriffe 8.1.1 Zufallsexperiment Was ist ein Zufallsexperiment? a) Mehrere Ergebnisse möglich b) Ergebnis
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrZelluläre Automaten. Sommerakademie Ftan Daniel Abler
Zelluläre Automaten Sommerakademie Ftan 2004 Daniel Abler Zelluläre Automaten 1.Merkmale komplexer Systeme bzw. zellulärer Automaten 2.Grundcharakteristika - Game of Life 3.Definition 4.Eigenschaften und
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrVon englischen und deutschen Postämtern
Von englischen und deutschen Postämtern Teilnehmer: Ricky Burzla Robert Butz Jan Putzig Antoni Schilling Jakob Steinbrück Patrick Zielonka Wilhelm-Ostwald-Gymnasium, Leipzig Herder-Oberschule, Berlin Heinrich-Hertz-Oberschule,
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
MehrFür die Wahrscheinlichkeit P A (B) des Eintretens von B unter der Bedingung, dass das Ereignis A eingetreten ist, ist dann gegeben durch P(A B) P(A)
3. Bedingte Wahrscheinlichkeit ================================================================== 3.1 Vierfeldertafel und Baumdiagramm Sind A und B zwei Ereignisse, dann nennt man das Schema B B A A P
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
MehrGrundwissen Stochastik Grundkurs 23. Januar 2008
GYMNSIUM MIT SCHÜLERHEIM PEGNITZ math.-technolog. u. sprachl. Gymnasium WILHELM-VON-HUMBOLDT-STRSSE 7 91257 PEGNITZ FERNRUF 09241/48333 FX 09241/2564 Grundwissen Stochastik Grundkurs 23. Januar 2008 1.
MehrProbabilistische Primzahltests
23.01.2006 Motivation und Überblick Grundsätzliches Vorgehen Motivation und Überblick Als Primzahltest bezeichnet man ein mathematisches Verfahren, mit dem ermittelt wird, ob eine gegebene Zahl eine Primzahl
MehrKapitel 4: Irreduzible und aperiodische Markov Ketten 1
Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehralte Maturaufgaben zu Stochastik
Stochastik 01.02.13 alte Maturaufgaben 1 alte Maturaufgaben zu Stochastik 1 07/08 1. (8 P.) In einer Urne liegen 5 rote, 8 gelbe und 7 blaue Kugeln. Es werden nacheinander drei Kugeln gezogen, wobei die
MehrGründe für die Behandlung von stochastischen Problemen (nach KÜTTING)
Vorlesung 03.01.09 Stochastik Gründe für die Behandlung von stochastischen Problemen (nach KÜTTING) Der Mathematikunterricht der Schule hat die Aufgabe, eine Grundbildung zu vermitteln, die auf ein mathematisches
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
MehrStochastik Lehr-und Aufgabenbuch. Skriptum zum Vorbereitungskurs
Stochastik Lehr-und Aufgabenbuch Skriptum zum Vorbereitungskurs 1 WICHTIGER HINWEIS: Ich bitte den Eigentümer dieses Skriptes, weder das gesamte Skript noch Teilauszüge daraus zu kopieren, einzuscannen
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrSTOCHASTISCHE MODELLE. Vorlesungsskript
STOCHASTISCHE MODELLE Michael Scheutzow Vorlesungsskript Technische Universität Berlin Wintersemester 2010/11 vorläufige Version Februar 2011 Inhaltsverzeichnis 1 Grundlagen 1 1.1 Einleitung........................................
MehrKapitel 2 Mathematische Grundlagen
Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und
MehrVom klassischen Spielerruinproblem zu Spiele- Strategien
Vom klassischen Spielerruinproblem zu Spiele- Strategien Univ. Doz. Dr. Stefan Wegenkittl Fachhochschule Salzburg, Studiengang Telekommunikationstechnik und systeme Stefan.Wegenkittl@fh-sbg.ac.at Idee:
MehrMathematik Sekundarstufe II - Themenübersicht
Mathematik Sekundarstufe II - Themenübersicht Unterrichtsvorhaben EF-I: Einführungsphase Unterrichtsvorhaben EF-II: Grundlegende Eigenschaften von Potenzfunktionen, ganzrationalen Funktionen und Sinusfunktionen
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
MehrStochastische Prozesse. Woche 5
FS 2016 Stochastische Prozesse Woche 5 Aufgabe 1 PageRank-Algorithmus von Google Das Herz der Google-Suchmaschine ist ein Algorithmus, der alle Dokumente des WWW nach ihrer Wichtigkeit anordnet. Die Auflistung
MehrBerechnen eines Bildpunktes bei Parallelprojektion: die Kavalierproduktion
Matrizen Projektionen: Bei einer Projektion werden Geraden (Projektionsstrahlen) durch die abzubildenden Raumpunkte gezogen und mit der Zeichenebene geschnitten. Die resultierenden Schnittpunkte sind die
Mehr