Stochastik A. Prof. Dr. Barbara Gentz
|
|
- Ingeborg Raske
- vor 6 Jahren
- Abrufe
Transkript
1 Stochastik A Prof. Dr. Barbara Getz Zusammefassug. Diese Mitschrift basiert auf Frau Prof. Getz Vorlesug Stochastik A aus dem Witersemester 2010/2011, welche sich i weite Teile a [Mee03] orietiert. Wer Fehler fidet oder Ergäzuge für sivoll hält, der ist eigelade, mir eie Mail a mmoll@math.ui-bielefeld.de zu sede. Ihaltsverzeichis 1. Was ist ei Zufallsexperimet? 1 2. Allgemeie Defiitioe ud Recheregel 2 3. Uremodelle 6 4. Bedigte Wahrscheilichkeit 9 5. Uabhägigkeit vo Ereigisse ud Biomialverteilug Produktexperimete 17 Literatur Was ist ei Zufallsexperimet? Würfel/Müzwurf Ziehe vo bute Kugel aus eiem Sack Kartespiele Lose ziehe Lotto spiele Zugag über relative Häufigkeite Azahl der Ausschlussexemplare eier Produktio Lebesdauer vo elektrische Geräte (etweder i Tage, Woche, Jahre (diskret) oder i [0, ) (kotiuierlich)) Beispiel 1.1 (Werfe zweier (fairer) Würfel). Gesucht ist die Wahrscheilichkeit, dass die Augesumme durch 3 teilbar ist. Die zutreffede Augesumme stamme 1
2 2 PROF. DR. BARBARA GENTZ aus der Mege A = {3, 6, 9, 12}. Wie setze sich die Augesumme zusamme? 3 = = (1.1) 6 = = = = = (1.2) 9 = = = = (1.3) 12 = (1.4) Jede eizele Kombiatiosmöglichkeit aus (1.1) bis (1.4) besitzt die relative Häufigkeit Isgesamt gibt es also 12 Möglichkeite die Elemete der Mege A durch das Werfe zweier Würfel zu erhalte. Dies ergibt eie relative Häufigkeit vo = 1 3. Uterscheidet ma higege icht zwische Kombiatioe, welche sich lediglich i der Reihefolge der Summade (Würfel) uterscheide, so erhält ma die Augesumme 3 aus dem Paar {1, 2} i geau 2 Fälle, die Augesumme 6 aus {1, 5}, {2, 4} ud {3, 3} i jeweils 2 beziehugsweise 1 Fall. Die 9 erhält ma aus {4, 5} ud {3, 6} i jeweils 2 Fälle ud zuletzt die 12 aus dem Paar {6, 6} i geau eiem Fall. Isgesamt gibt es hier also 7 Möglichkeite, die Elemete aus A zu erzeuge ud geau = 21 mögliche Ergebisse isgesamt. Dies ergibt ebeso die relative Häufigkeit 7 21 = 1 3. Dass die relative Häufigkeite i beide Fälle übereistimme ist jedoch Zufall ud im Allgemeie falsch! Zusammefassed otiere wir Ω 1 = {(1, 1), (1, 2), (1, 3),..., (6, 6)}, wobei die erste Koordiate eies Elemets aus Ω 1 die Augezahl des erste Würfels ud etspreched die zweite Koordiate die Augezahl des zweite Würfels darstellt. Die Wahrscheilichkeit eies geordete Tupels (x, y) Ω 1 ist Dagege sei Ω 2 = {{1, 1}, {1, 2}, {1, 3},..., {1, 6}, {2, 2}, {2, 3},..., {6, 6}}. Es werde zwei uterschiedliche Würfel gleichzeitig geworfe ud {x, x} Ω 2 hat die Wahrscheilichkeit 1 36, aber {x, y} Ω 2 mit x y hat die Wahrscheilichkeit Hiweis. Das Arbeite mit Ω 2 ist schwieriger! 2. Allgemeie Defiitioe ud Recheregel Eie edliche, icht leere Mege Ω heißt Ereigisraum (Ergebismege, Stichproberaum etc.). Die Elemete sid die mögliche Ergebisse des Experimets. Ei Elemet ω Ω heißt Elemetarereigis (Ergebis, Stichprobe, Realisierug). Eie Teilmege A Ω heißt Ereigis. Für A, B Ω gelte folgede Regel für das Bilde euer Ereigisse: A B heißt A ud B trete ei A B heißt A oder B trete ei A B = heißt A ud B sid uvereibar A = heißt A ist umögliches Ereigis A = Ω heißt A ist sicheres Ereigis Gesucht sid sivolle Zuorduge vo Wahrscheilichkeite zu de Ereigisse. Jedem A P(Ω) muss eie Wahrscheilichkeit zugeordet werde.
3 STOCHASTIK A 3 Defiitio 2.1 (Wahrscheilichkeitsverteilug). Eie Abbildug P P(Ω) [0, 1] heißt Wahrscheilichkeitsverteilug oder Wahrscheilichkeitsmaß, we folgede Bediguge gelte: (a) P[Ω] = 1 (b) P[A] 0 für alle A Ω (c) P[A B] = P[A] + P[B] für alle A, B Ω mit A B = Was passiert, falls A B? Beispiel 2.2 (Eimal würfel). Es ist Ω = {1, 2, 3, 4, 5, 6}. Wir defiiere ei Wahrscheilichkeitsmaß auf Ω wie folgt: P[A] = A Ω. Ma prüft leicht ach, dass alle Bediguge aus Defiitio 2.1 erfüllt sid. Sei A = {2, 4, 6} ud B = {4, 5, 6}, da ist A B = {4, 6} ud es gilt P[A B] = A B Ω Hier folgt also P[A B] P[A] + P[B]. = 4 6, P[A] = 3 6, P[B] = 3 6. P[A] heißt die Wahrscheilichkeit des Ereigisses A ud (Ω, P) heißt Wahrscheilichkeitsraum für das zu modellierede Experimet. Wir habe die Freiheit (Ω, P) zu wähle. Lemma 2.3 (Recheregel). Es seie A, B, A i P[Ω] für 1 i. Da gilt: (a) P[A c ] = 1 P[A] (b) Aus A B folgt P[A] P[B] (c) P[B A] = P[B] P[A B] (d) Für alle A, B Ω mit A B = gilt P [ A i ] = P[A i ]. (e) Es gilt allgemei für Teilmege A i Ω (f) Für A, B Ω gilt P [ A i ] P[A i ]. P[A B] = P[A] + P[B] P[A B]. Beweis. (a) Es gilt Ω = A (Ω A) ud A (Ω A) =. Aus Defiitio 2.1 folgt 1 = P[Ω] = P[A] + P[Ω A]. (b) Wie i (a) schreibe wir B = (B A) A ud daraus folgt P[B] = P[B A] + P[A] P[A]
4 4 PROF. DR. BARBARA GENTZ (c) Es gilt B = (B A) (A B) ud daraus folgt P[B] = P[B A] + P[A B]. (d) Per Iduktio (ur für de Fall = 3, der allgemeie Fall verläuft aalog). Zu zeige ist die Aussage A 1,..., A paarweise disjukt A 1 A 2, A 3,..., A paarweise disjukt. Wir zeige dies ur für = 3. Für A 1, A 2, A 3 paarweise disjukt gilt (e) Es gilt (A 1 A 2 ) A 3 = (A 1 A 2 ) (A 2 A 3 ) = =. P[A B] = P[A] + P[B A] = P[A] + P[B (A B)] = P[A] + P[B] P[A B]. (f) Die Aussage folgt aus dem im Folgede beschriebee Ei-/Ausschluss- Prizip. Lemma 2.4 (Ei-/Auschluss-Prizip). Es gilt für A i Ω Beweis. P [ A i ] = A i 1 i<j P[A i A j ] + P[A i A j A k ] 1 i<j<k P[A 1... A ] Wie obe führe wir de Beweis ur für = 3. Es gilt P[A B C] = P[A] + P[D] P[A D] = P[A] + (P[B] + P[C] P[B C]) P [(A B) (A C)] = P[A] + P[B] + P[C] P[B C] (P[A B] + P[A C] P [(A B) (A C)]) = P[A] + P[B] + P[C] P[B C] (P[A B] + P[A C] P [A B C]) Folgerug. Für alle A Ω gilt P[A] = ω A P[{ω}]. Das heißt, die Zuordug ω P[{ω}] legt die Abbildug P P(Ω) [0, 1] eideutig fest. Beispiel 2.5. Eimaliges würfel mit eiem (faire) Würfel. ω Ω P({ω}) 1 6 Da ist für A Ω = {1,..., 6} die Wahrscheilichkeit vo A gegebe durch P[A] = P[{ω}] = 1 A A = ω A 6 Ω. Defiitio 2.6 (Laplace-Experimet/Gleichverteilug). We alle Elemetarereigisse w Ω gleichwahrscheilich sid, da ist P[{ω}] = 1 Ω, de 1 = P[Ω] = P[{ω}] = p 0 Ω, w Ω
5 STOCHASTIK A 5 sowie P[A] = A Ω = Azahl guter Ausgäge Azahl möglicher Ausgäge. I diesem Fall heißt P die Gleichverteilug. Beispiel 2.7 (Briefwechsel zwische Pascal ud Fermat, 1654). Gegebe sei folgede Situatio: Zwei Spieler Beide Spieler brige deselbe Eisatz Beide Spieler habe die Wahrscheilichkeit 1 2 eie Rude zu gewie Gewier ist der Spieler, welcher zuerst zeh mal gewoe hat. Dieser Spieler erhält de gesamte Eisatz Es wurde bereits 15 Rude gespielt ud Spieler A hat davo 8 ud Spieler B hat 7 Rude gewoe. Das Spiel soll abgebroche ud der Eisatz gerecht verteilt werde. Es biete sich mehrere Möglichkeite. Drei davo sid (1) Spieler A bekommt 8 15 des Eisatzes. Kritik: Die Wahrscheilichkeit, dass Spieler A das Spiel erfolgreich zu Ede geführt hätte, ist größer als für Spieler B ud sicher größer als (2) Betrachte die fiktive Verlägerug des Spiels ud liste alle mögliche Gewikombiatioe für A ud B auf. A gewit B gewit AA ABA ABBA BBB ABBB BAA BABA BABB BBAA BBAB Hier bekäme Spieler A folglich 6 10 des Eisatzes. Kritik: Die Wahrscheilichkeit der aufgelistete Ereigisse ist icht gleichverteilt. (3) Verlägere das Spiel och eimal. Nach vier Rude ist das Spiel spätestes etschiede. A gewit B gewit AAAA ABAA ABBA BBBA ABBB AAAB ABAB BABA BBBB BABB AABA BAAA BBAA BBAB AABB BAAB Hier sid alle Fälle gleichwahrscheilich ud A erhält des Eisatzes. Formal schreibe wir Ω = {A, B} 4 = {(A, A, A, A), (A, A, A, B),...} mit Ω = 2 4 = 16 ud P der Gleichverteilug. Ei Ereigis C Ω ist vo der Form C = {ω Ω i, j mit i j ud ω i = ω j = A}. Da bedeutet ω C, dass Spieler A gewit.
6 6 PROF. DR. BARBARA GENTZ 3. Uremodelle Gegebe sei eie Ure mit N Kugel, aus welcher acheiader Kugel gezoge werde. Wir uterscheide vier Fälle: geordet/ugeordet (Reihefolge des Ziehes relevat?) mit/ohe Zurücklege (Ka eie Kugel mehrfach gezoge werde?) 3.1. Geordetes Ziehe mit Zurücklege. Sei mit Ω 1 = N. Ω 1 = {ω = (ω 1,..., ω ) ω i {1,..., N} i = 1,..., } = {1,..., N} Beispiel 3.1. (1) Sei A das Alphabet mit 26 Buchstabe. Wie viele Wörter der Läge k köe wir bilde? Atwort: 26 k. (2) Es sitze Persoe i eier Keipe a der Theke ud bestelle jeweils ei Bier. Hierzu stehe N Biersorte zur Auswahl. Wieviele Abfolge vo Biersorte sid möglich? Atwort: N Geordetes Ziehe ohe Zurücklege. Sei Ω 2 = {ω = (ω 1,..., ω ) ω {1,..., N} mit ω i ω j i j}. Hierzu beötige wir N ud es gilt Ω 2 = N(N 1)... (N + 1) (N). Die Mege Ω 2 besteht aus alle geordete Teilmege vo {1,..., N} der Größe. Beispiel 3.2. I eiem Cafe bestelle k 8 Persoe Tee/Kaffee mit/ohe Milch mit/ohe Zucker Dabei bestellt Perso i das Geträk ω i für 1 i 8. Es gibt also (N) k mögliche Abfolge vo Geträke, wobei hier N = 8 ist. Beispiel 3.3. I eiem Bücherregal befide sich i beliebiger Reihefolge 4 Mathebücher, 5 Sprachkurse ud 2 Kustbücher. Wie hoch ist die Wahrscheilichkeit, dass die Bücher ach Gebiet geordet sid? Ω 2 = {ω = (ω 1,..., ω 11 ) {1,..., 11} 11 ω i ω j i j} Dabei seie 1,..., 4 die Mathebücher, 5,..., 9 die Sprachkurse ud 10, 11 die Kustbücher. Bemerkug 3.4. Für = N ist Ω 2 die Mege aller Permutatioe vo {1,..., N}. Ist P die Gleichverteilug auf Ω 2, so gilt für alle ω Ω 2 : P[{ω}] = 1 Ω 2 = 1 11!. Sei A das Ereigis, dass die Bücher aus Beispiel 3.3 ach Gebiete geordet stehe, da gilt P[A] = A Ω 2 4! 5! 2! 3! =. 11! =
7 STOCHASTIK A 7 Beispiel 3.5. Es befide sich k Gäste auf eier Party ud jeder Gast stößt mit jedem adere Gast a. Wie oft klige die Gläser? Atwort: k(k 1) = ( k 2 2 ) 3.3. Ugeordetes Ziehe ohe Zurücklege. Es sei Ω 3 = {{ω 1,..., ω } ω i {1,..., N} mit ω i ω j i j}. Da ist Ω 3 die Mege der -Elemetige Teilmeeg vo {1,..., N} ud es gilt Ω 3 = ( N ). Beachte, dass ( N ) = ( N N ) = N!!(N )!. Es ist dabei egal, ob wir Kugel wähle, die wir betrachte oder N Kugel, die wir wegwerfe. Beispiel 3.6. Wie hoch ist die Wahrscheilichkeit, dass beim Skat (jeder der drei Spieler erhält 10 vo 32 Karte) Spieler A geau 3 Asse bekommt? Es sei Ω = {{ω 1,..., ω 10 } {1,..., 32} {ω 1,..., ω 10 } = 10 ud ω i ω j i j}. Da ist Ω = ( 32 ), 10 P die Gleichverteilug ud die Karte 1,..., 4 seie die Asse. Weiter sei C das Ereigis, dass Spieler A geau drei Asse erhält, also C = {ω Ω ω {1,..., 4} = 3} = {ω Ω i, j, k mit i j k so dass ω i, ω j, ω k {1,..., 4} ud ω l {1,..., 4} für l {i, j, k}}. Da gilt C = ( 4 3 ) (28 ) 7 ud daraus folgt P[C] = C Ω = Die Wahrscheilichkeit, dass ei (irgedei!) Spieler geau drei Asse hat, ist 3 P[C]. Hiweis. Die Wahrscheilichkeit, dass ei Spieler geau zwei Asse hat, ist icht so eifach zu bestimme! 3.4. Ugeordetes Ziehe mit Zurücklege. Was bedeutet das? Sei zum Beispiel N = 10, = 7 ud ω = {1, 10, 9, 7, 7, 2, 7}, da ist ω eie 7-elemetige Multimege. Wir idetifiziere ω mit dem geordete Tupel (1, 2, 7, 7, 7, 9, 10), das bedeutet, wir betrachte allgemei die bijektive Zuordug ω = {ω 1,..., ω } ω = ( ω 1,..., ω ) mit ω i {1,..., N} für 1 i ud ω 1 ω 2... ω. Sei darüberhiaus Ω 4 = {( ω 1,..., ω ) ω i {1,..., N} mit ω 1... ω } Wir ehme eie weitere bijektive Zuordug vor ud zwar setze wir ω i = ω i +(i 1) ud wir defiiere Ω 4 = {(ω 1,..., ω ) {1, 2,..., N + ( 1)} ω 1 < ω 2 <... < ω },
8 8 PROF. DR. BARBARA GENTZ wobei Ω 4 = Ω 4 = ( N+( 1) ). Beispiel 3.7 (Spatze auf Stromleituge). Gegebe seie zwei uuterscheidbare Spatze ud vier Stromleituge. Wieviele Möglichkeite gibt es, zwei uuterscheidbare Spatze auf vier Stromleituge zu verteile? Hierzu ziehe wir zweimal ugeordet aus de vier Stromleituge, weil die Spatze uuterscheidbar sid. Folglich ist = 2, N = 4 ud es gibt Verteilugsmöglichkeite. 4 + (2 1) ( ) = ( ) = 10 Ziehe vo Kugel mit ohe aus N Kugel Zurücklege Zurücklege geordet N (N) uterscheidbar ugeordet ( +N 1 (N) uuterscheidbar mit ohe Verteile vo Murmel Mehrfachbelegug Mehrfachbelegug auf N Zelle Beispiel 3.8 (Geburtstagszwillige). Wie groß ist die Wahrscheilichkeit, dass vo Persoe midestes zwei am gleiche Tag Geburtstag habe? Aahme: Jeder Tag aus 1,..., 365 sei gleichwahrscheilich, da ist Ω 1 = {ω = (ω 1,..., ω ) ω i {1,..., 365}} = {1,..., 365}. Dabei sei ω i der Geburtstag der i-te Perso. Die gute Ausgäge (zwei Persoe habe a dem gleiche Tag Geburtstag) otiere wir wie folgt: Da gilt A = {ω Ω 1 i j mit ω i = ω j }. P[A] = A Ω 1 = 1 P[Ac ], wobei A c = Ω 2 = {w = (ω 1,..., ω ) {1,..., 365} ω i ω j i j}. Daraus folgt P[A] = 1 Ω 2 Ω 1 = 1 (365) 365 ud weiter für allgemeies N = 1 1 = 1 N(N 1)... (N + 1) N k=0 1 = 1 k=0 (1 k N ) exp (log(1 k 1 N )) = 1 exp ( log(1 k k=0 N )) = 1 exp ( 1 1 N ( ( 1) k)) = 1 exp ( k=0 2N ).
9 STOCHASTIK A 9 Beispiel 3.9 (Lotto 6 aus 49). Es werde = 6 aus N = 49 Kugel ohe Zurücklege gezoge. (1) Wie groß ist die Wahrscheilichkeit, dass die sechste gezogee Kugel die 49 ist? Hier müsse wir mit Ω 2 arbeite. (2) Wie groß ist die Wahrscheilichkeit für sechs Richtige? Verwede Ω 2 oder Ω 3. Seie {ω 1,..., ω 6 } die sechs Gewizahle. 1. Asatz. Sei Ω 2 = {(ω 1,..., ω 6 ) {1,..., 49} 6 ω i = ω j i j}. Da gilt Ω 2 = (49) 6 ud das Ereigis A = {(ω 1,..., ω 6 ) Ω 2 {ω 1,..., ω 6 } = {ˆω 1,..., ˆω 6 }} ist die Mege aller Permutatioe der Gewizahle ud es folgt P[A] = A Ω 2 = 6! 6! 43! = (49) 6 49! 2. Asatz. Sei = 1 ( 49 7, ) 6 Ω 3 = {{ω 1,..., ω 6 } ω i {1,..., 49} ud ω i ω j i j} Eie eielemetige Teilmege B Ω 3 ist vo der Form B = {{ˆω 1,..., ˆω 6 }} ud es gilt P[B] = B Ω 3 = 1 ( 49 6 ). (3) Wie groß ist die Wahrscheilichkeit für geau drei Richtige (weiter mit Ω 3 ud der Gleichverteilug)? Es sei da gilt B 3 = {ω Ω 3 ω {ˆω 1,..., ˆω 6 } = 3}, P[B 3 ] = (6 3 )(43 3 ) ( 49 6 ) (Hypergeometrische Verteilug) 4. Bedigte Wahrscheilichkeit Beispiel 4.1 (Eimal würfel). (1) Wie groß ist die Wahrscheilichkeit eie 6 zu würfel? Atwort: 1 6. (2) Wie groß ist die Wahrscheilichkeit eie 6 zu würfel, we wir bereits wisse, dass die Augezahl durch 3 teilbar ist? Hierzu sei Ω = {1,..., 6} ud A = {6} ud B = {3, 6}. Defiitio 4.2 (Bedigte Wahrscheilichkeit). Die bedigte Wahrscheilichkeit vo A gegebe B für A, B Ω mit P[B] > 0 ist defiiert durch P[A B] = P[A B]. P[B]
10 10 PROF. DR. BARBARA GENTZ Falls P die Gleichverteilug ist, so ist überdies P[A B] = A B / B A B = Ω Ω B Lemma 4.3 (Recheregel). Für festes B mit P[B] > 0 ist (B, Q) ei Wahrscheilichkeitsraum, wobei Q P(B) [0, 1] ud Q[A] = P[A B] für alle A B. Die Abbildug Q, defiiert durch Q[A] = P[A B] für alle A Ω, defiiert ei Wahrscheilichkeitsmaß auf Ω. Hiweis. Die Zuordug A P[A B] für A Ω erfüllt die Defiitio eies Wahrscheilichkeitsmaßes P [(A 1 A 2 ) B] P[B] = P [(A 1 B) (A 2 B)] P[B] = P[A 1 B] + P[A 2 B]. P[B] Bemerkug 4.4. Sowohl P[A B] P[A] als auch P[A B] P[A] sid möglich. Sei dazu Ω = {1,..., 6} mit Gleichverteilug ud A 1 = {6}, A 2 = {1, 2, 3, 4} ud B = {3, 6}, da gilt P[A 1 B] = 1 2 > 1 6 = P[A 1] P[A 2 B] = 1 2 < 2 3 = P[A 2]. Beispiel 4.5 (Familie mit zwei Kider). Sei Ω = {(J, J), (J, M), (M, J), (M, M)} mit Gleichverteilug. (1) Wie groß ist die Wahrscheilichkeit, dass eie zufällig gewählte Familie midestes eie Juge hat? Sei dazu A = {(J, J), (J, M), (M, J)} = {(M, M)} c mit P[A] = A Ω = 3 4. (2) Wie groß ist die Wahrscheilichkeit, dass die Familie zwei Juge hat, we bereits gegebe ist, dass sie midestes eie Juge hat? Sei dazu C = {(J, J)} mit P[C A] = C A A = C A = 1 3. Beispiel 4.6. Wir betrachte eie Familie, vo der wir wisse, dass sie zwei Kider hat. Ei Juge öffet die Tür. Wie groß ist die Wahrscheilichkeit, dass das adere Kid ebefalls ei Juge ist? Sei dazu Ω = {(J, J), (J, M), (M, J), (M, M), (J, J ), (J, M ), (M, J ), (M, M )} mit Gleichverteilug. Wir betrachte das Ereigis D = {(J, J), (J, M), (J, J ), (M, J )}, was bedeutet, dass ei Juge die Tür öffet. Bezeiche E = {(J, J), (J, J )} das Ereigis, dass das jeweils adere Kid ebefalls ei Juge ist, da folgt P[E D] = 1 2.
11 STOCHASTIK A 11 Aus Defiitio 4.2 folgt P[A B] = P[A B] P[B] ud weiter per Iduktio P[A 1 A 2... A ] = P[A 1 ] P[A 2 A 1 ]... P[A A 1... A 1 ]. Beispiel 4.7. Wie hoch ist die Wahrscheilichkeit beim Skat, dass jeder der drei Spieler geau ei Ass bekommt? Dazu sei Ω = {ω = (ω 1,..., ω 32 ) ω i {1,..., 32} ud ω i ω j i j}. Dabei seie 1,..., 4 die Asse, das heißt ω i {1,..., 4} bedeutet, a der Stelle i ist (ach dem Mische) ei Ass. Weiter sei P die Gleichverteilug. Spieler 1 erhält die Karte ω 1,..., ω 10. Spieler 2 erhält die Karte ω 11,..., ω 20. Spieler 3 erhält die Karte ω 21,..., ω 30. Der Skat erhält die Karte ω 31 ud ω 32. Für 1 i 3 sei A i das Ereigis, dass Spieler i geau ei Ass erhält ud A 4 sei das Ereigis, dass der Skat geau ei Ass erhält. Daraus folgt A 1 = {ω Ω j {1,..., 10} mit ω j {1,..., 4} i j ud ω i {1,..., 4}} ud A 2, A 3 sid aalog defiiert. Weiter ist A 4 = {ω Ω ω 31 {1,..., 4} oder ω 32 {1,..., 4} aber icht beide} ud A = A 1 A 2 A 3 A 4. Da gilt für die Wahrscheilichkeit vo A P[A] = P[A 1 ] P[A 2 A 1 ] P[A 3 A 1 A 2 ] P[A 4 A 1 A 2 A 3 ] (4.1) ud für die Wahrscheilichkeite auf der rechte Seite vo (4.1) gilt P[A 1 ] = (4 1 )(28 9 ) ( ), P[A ( A 1 ] = )(19 9 ) ( ), P[A ( A 1 A 2 ] = )(10 9 ) ( ). Defiitio 4.8 (Partitio). Seie B 1,..., B Ω. Da heißt {B 1,..., B } eie Partitio vo Ω, falls (1) Ω = B i ud (2) die Teilmege B i paarweise disjukt sid. Satz 4.9 (Totale Wahrscheilichkeit). Sei Ω ei Ereigisraum, {B 1,..., B } eie Partitio vo Ω mit P[B i ] > 0 für alle 1 i, da gilt für alle A Ω Beweis. folgt wege Defiitio 4.2. P[A] = P[A B i ] P[B i ]. Sei A = A B i mit paarweise disjukte Mege {A B i } i. Da P[A] = P [ A B i ] = P[A B i ] = P[A B i ] P[B i ] Beispiel Herr Zimperlich hasst es, ass zu werde. Falls Rege vorhergesagt wird, immt Herr Zimperlich mit eier Wahrscheilichkeit vo 90% de Schirm mit.
12 12 PROF. DR. BARBARA GENTZ Falls kei Rege vorhergesagt wird, immt er mit eier Wahrscheilichkeit vo 30% trotzdem de Schirm mit. A 60% aller Tage wird Rege vorhergesagt. (1) Wie groß ist die Wahrscheilichkeit, dass Herr Zimperlich ohe Schirm das Haus verlässt? Sei dazu R das Ereigis, dass Rege vorhergesagt wird mit der Wahrscheilichkeit P[R] = 6 10 = 3 5 ud S das Ereigis, dass Herr Zimperlich de Schirm mitimmt. Da gilt P[S R] = 9 10 ud P[S Rc ] = Gesucht: P[S c ] = 1 P[S]. Mit Satz 4.9 berechet sich die Wahrscheilichkeit vo S zu P[S] = P[S R] P[R] + P[S R c ] P[R c ] = (1 P[R]) 10 = = (2) Sie sehe Herr Zimperlich mit Schirm. Wie groß ist die Wahrscheilichkeit, dass Rege vorhergesagt wurde? P[R S] P[R S] = = P[S] = = 9 11 P[S R] P[R] P[S] Satz 4.11 (Bayes). Sei Ω ei Ereigisraum ud {B 1,..., B } eie Partitio vo Ω mit P[B i ] > 0 für alle 1 i. Da gilt für alle A Ω mit P[A] > 0 ud für jedes i P[B i A] = P[A B i ] P[B i ] j=1 P[A B j] P[B j ]. 5. Uabhägigkeit vo Ereigisse ud Biomialverteilug Beispiel 5.1. Zweimal würfel. Die Ereigisse 1 im erste Wurf ud 6 im zweite Wurf sollte uabhägig sei. Defiitio 5.2 (Uabhägigkeit). Zwei Ereigisse A, B Ω heiße (stochastisch) uabhägig, we P[A B] = P[A] P[B]. Satz 5.3. Seie A, B Ω mit P[B] > 0. Da sid A ud B geau da uabhägig, we P[A B] = P[A]. Bemerkug 5.4. (1) Zweimal würfel mit Gleichverteilug auf Ω = {1,..., 6} 2. Ereigisse, die ur Aussage über de erste Wurf mache, sid automatisch uabhägig vo Ereigisse, die ur Aussage über de zweite Wurf mache. (2) Umgekehrt: Das Hitereiaderausführe vo Experimete die uabhägig sei solle, ka modelliert werde durch (Ω 1, P 1 ) ud (Ω 2, P 2 ) mit Ω = Ω 2 Ω 2 ud P[{(ω 1, ω 2 )}] = P 1 [{ω 1 }] P 2 [{ω 2 }]. (3) Seie A, B Ω disjukt, da ist P[A B] = P[ ] = 0 ud es gilt
13 (a) Sid A ud B uabhägig, da ist STOCHASTIK A 13 0 = P[A B] = P[A] P[B] P[A] = 0 oder P[B] = 0 (b) Im Allgemeie gilt uabhägig disjukt!! (4) Eie Teilmege A Ω ka uabhägig vo sich selbst sei, de aus P[A] = P[A A] = P[A] P[A] folgt P[A] {0, 1} ud A = Ω beziehugsweise A =. (5) Es gilt A, B uabhägig A, B c uabhägig A c, B c uabhägig, de zum Beispiel ist P[A B c ] = P[A] P[A B] = P[A] P[A] P[B] = P[A] (1 P[B]) = P[A] P[B c ]. Beispiel 5.5. Uabhägigkeit ka auch vorliege, we die Art wie A realisiert wird, vo B abhägt. Werfe wir zum Beispiel zwei faire Würfel ud bezeiche A das Ereigis, dass die Augesumme gerade ist ud B das Ereigis, dass der zweite Wurf eie gerade Zahl ist. Da ist Ω = {1,..., 6} 2 ud Da ist P[A] = 1 2 = P[B] ud A = {ω Ω ω 1 + ω 2 {2, 4,..., 12}}, B = {ω Ω ω 2 {2, 4, 6}}. P[A B] = P[{(2, 2), (4, 2), (6, 2), (2, 4),...}] = 1 = P[A] P[B]. 4 Falls die Würfel icht fair sid, so gilt im Allgemeie P[A B] = P[A] P[B]. Sei q die Wahrscheilichkeit, dass wir im erste Wurf eie gerade Zahl werfe ud sei q auch die Wahrscheilichkeit, im zweite Wurf eie gerade Zahl zu bekomme, wobei die Würfe uabhägig seie. Es gilt P[A] = q 2 + (1 q) 2 P[B] = q Sid A, B Ω uabhägig, da gilt P[A B] = q 2. P[A B] = P[A] P[B] q 2 = (q 2 + (1 q) 2 ) q q = 0 oder q = q 2 + (1 q) 2 q = 0 oder q = 1 oder q = 1 2.
14 14 PROF. DR. BARBARA GENTZ 5.1. Uabhägigkeit vo mehrere Ereigisse. Defiitio 5.6. Sei (Ω, P) ei Wahrscheilichkeitsraum ud A i Ω für i I ud eie beliebige Idexmege I. Die Ereigisse {A i } i I heiße (stochastisch) uabhägig (bezüglich P), falls gilt: Für alle J I edlich mit J ist P[ i J A i ] = P[A i ]. i J Bemerkug 5.7. (1) I = 2 direkte Verallgemeierug der Uabhägigkeit zweier Ereigisse (2) Dreimaliger Müzwurf: Da ist Ω = {0, 1} 3, P[{ω}] = 1 Ω für alle ω Ω ud für alle 1 i 3 ist Es ist zu überprüfe, ob A i = {ω = (ω 1, ω 2, ω 3 ) Ω ω i = 1}. P[A 1 A 2 ] = P[A 1 ] P[A 2 ] P[A 1 A 3 ] = P[A 1 ] P[A 3 ] P[A 2 A 3 ] = P[A 2 ] P[A 3 ] P[A 1 A 2 A 3 ] = P[A 1 ] P[A 2 ] P[A 3 ] gilt. (3) Im Modell Ω = {0, 1}, P[{ω}] = 1 Ω für alle ω Ω sid isgesamt 2 (+1) Idetitäte zu überprüfe. (4) paarweise Uabhägigkeit Uabhägigkeit!! Beispiel 5.8. Zweimal würfel. Sei also Ω = {1,..., 6} 2, P[{ω}] = 1 Ω für alle ω Ω ud seie A = {ω Ω ω 1 = 1} B = {ω Ω ω 2 = 1} C = {ω Ω ω 1 + ω 2 = 7}. Da sid A, B, C paarweise uabhägig, also gilt P[X Y ] = P[X] P[Y ] für alle X, Y {A, B, B}, aber es ist (5) Beachte, dass P[A B C] = 0 1 = P[A] P[B] P[C] 63 P [ i I A i ] = P[A i ] Uabhägigkeit i I
15 STOCHASTIK A 15 Beispiel 5.9. Dreimaliger Müzwurf. Sei dazu Ω = {0, 1} 3, P[{ω}] = 1 Ω für alle ω Ω mit Dabei ist A = {ω Ω ω 1 + ω 2 + ω 3 2} B = {ω Ω ω 1 = 1} C = {ω Ω ω 1 = ω 2 }. P[A B C] = P[{(1, 1, 1)}] = 1 8 P[A] P[B] P[C] = = 1 8 aber P[A B] = P[(1, 1, 1), (1, 1, 0), (1, 0, 1)] = = P[A] P[B]. 4 Satz Sei (Ω, P) ei Wahrscheilichkeitsraum ud I eie Idexmege, da gelte folgede Aussage: (1) Jede Teilfamilie uabhägiger Ereigisse ist wieder uabhägig. Weiter ist eie Familie vo Ereigisse geau da uabhägig, we jede edliche Teilfamilie uabhägig ist. (2) Sei {A i } i I eie Familie uabhägiger Ereigisse ud B ei Ereigis mit P[B] = {0, 1}. Da ist auch {A i } i I B uabhägig. (3) Sid A, B, C Ω uabhägige Ereigisse, da sid auch A, B C uabhägig. (4) Sei {A i } i I eie uabhägige Familie vo Ereigisse, da ist die Familie {B i } i I mit B i {A i, A c i,, Ω} für alle i I ebefalls uabhägig. (5) Ist I edlich, so ist die Familie vo Ereigisse {A i } i I geau da uabhägig, we für alle Familie {B i } i I mit B i {A i, A c i } gilt: i I P[B i ] = P [ B i ]. i I Beweis. (1) Ergibt sich umittelbar aus Defiitio 5.6. (2) Falls P[B] = 0, so gilt für J I beliebig P [ i J A i B] P[B] = 0 = P[A i ] P[B]. i J Falls P[B] = 1, da gilt für alle C Ω P[C B] = P[C] + P[B] P[B C] P[B C] = P[C].
16 16 PROF. DR. BARBARA GENTZ Also folgt (3) Es gilt P [ i J A i B] = P [ i J A i ] = i J P[A (B C)] = P[(A B) (A C)] P[A i ] = P[A i ] P[B]. i J = P[A B] + P[A C] P[(A B) (A C)] = P[A] P[B] + P[A] P[C] P[A] P[B] P[C] = P[A] (P[B] + P[C] P[B] P[C]) = P[A] P[B C]. Allgemeier gilt auch: Ist I abzählbar ud edlich, {A i } i I eie uabhägige Familie vo Ereigisse ud {I j } k j=1 mit k N eie Partitio vo I, da ist auch k A i i I j uabhägig. (4) Es geügt (wege (2)), B i {A, A c } zu prüfe. 1. Schritt: Der Fall B i = A i für alle i I ist klar. 2. Schritt: Es existiere i, j I mit B j = A c j ud B i = A i für alle i I {j} ud ohe Eischräkug sei 1 J ud j = 1. Da gilt j=1 P B j = P j J A j j J {i} = P A j j J {i} = P A j j J {i} A 1 A j j J {i} = P A j P j J {i} A j j J {i} = P[Ω] j J {i} P[A j ] P[A 1 ] j J {i} P[A j ] = (P[Ω] P[A 1 ]) P[A j ] j J {i} = P[A c 1] P[A j ]. j J {i} Iteratio dieses Argumets liefert die Behauptug.
17 STOCHASTIK A 17 (5) ist klar wege (4). Die Umkehrug leite wir exemplarisch für de Fall = 4 ud J = {1, 2, 4} her. Zu zeige ist i diesem Fall P A i = P[A i ]. i {1,2,4} i {1,2,4} Wir wisse bereits, dass P[A 1 A 2 A 3 A 4 ] = P[A 1 ] P[A 2 ] P[A 3 ] P[A 4 ] (5.1) P[A 1 A 2 A c 3 A 4 ] = P[A 1 ] P[A 2 ] P[A c 3] P[A 4 ] (5.2) gilt. Additio vo (5.1) ud (5.2) ergibt soda P[A 1 A 2 (A 3 A c 3) A 4 ] = P[A 1 ] P[A 2 ] P[A 4 ] (P[A 3 ] + P[A c 3]), woraus durch Iteratio sofort die Behauptug folgt. 6. Produktexperimete Gegebe sei eie Familie ((Ω, P i )) vo edliche, diskrete Wahrscheilichkeitsräume. Der zugehörige Produktraum (Ω, P) ist defiiert als Ω = Ω 1 Ω 2 Ω = {ω = (ω 1,..., ω ) ω i Ω i, i {1,..., }} mit Ω = Ω i ud P[{ω}] = P i [{ω 1 }]. (6.1) Beispiel 6.1 (Müzwurf ud Würfel). Sei Ω 1 = {W, Z}, Ω 2 = {1,..., 6} ud Ω = Ω 1 Ω 2, da ist P[{ω}] = P 1 [{ω 1 }] P 2 [{ω 2 }] = 1 12 Bemerkug 6.2. (1) Die Fuktio P i (6.1) ist ei Wahrscheilichkeitsmaß auf Ω. Beweis. Die Nicht-Negativität ud die Additivität sid klar. Zur Normiertheit gilt P[{ω}] = ω Ω ω 1 Ω 1 ω 2 Ω 2 ω Ω P i [{ω i }] = P[{ω 1 }] P[{ω 2 }]... P[{ω }] ω 1 Ω 1 ω 2 Ω 2 ω Ω = 1. (2) Gegebe sei eie Familie vo Ereigisse {A i } mit A i Ω i für alle 1 i. Da folgt aus P[A j ] = P[Ω 1 Ω j 1 A j Ω j+1 Ω ] = P 1 [Ω 1 ]... P j 1 [Ω j 1 ] P j [A j ] P j+1 [Ω j+1 ]... P [Ω ] = P j [A j ]
18 18 PROF. DR. BARBARA GENTZ die Idetität P[A 1 A 2 A ] = P i [A i ]. Beispiel 6.3 (-fache Produktexperimete). Sei ( Ω, P) ei Wahrscheilichkeitsraum, da gilt Ω 1 = = Ω = Ω P 1 = = P = P ud ( Ω, P ) = (Ω, P ). { Ω 1 Ω = Ω P 1 P = P (3) Sei (Ω, P) das Produktexperimet zu ((Ω, P)), da schreibe wir (Ω, P) = (Ω i, P i ). (4) Spezialfall zum -fache Produktexperimet: (Ω, P) ist ei Beroulli Experimet, das heißt Ω = {0, 1} ud P[1] = p [0, 1]. Wir betrachte de -fache Produktraum zu (Ω = {0, 1}, P), das heißt (Ω, P) = (Ω, P ). Wie groß ist die Wahrscheilichkeit für geau 0 k Eise im Experimet (Ω, P )? P [{ω Ω ω 1 + ω ω = k}] = P [{ω}] ω Ω i ω i =k = ω Ω i ω i =k P[{ω i }] = P[1] i ω i (1 P[1]) i ω i ω Ω i ω i =k = p k (1 p) k ω Ω i ω i =k = p k (1 p) k 1 ω Ω i ω i =k = ( k ) pk (1 p) k Defiitio 6.4 (Biomialverteilug). Sei (Ω, P) ei Wahrscheilichkeitsraum. Wir ee P auf Ω = {0,..., } die Biomialverteilug zu de Parameter ud p, falls für alle k Ω gilt P[k] = ( k ) pk (1 p) k.
19 STOCHASTIK A 19 Literatur [Mee03] Roaldus W. Meester, A atural itroductio to probability theory, Birkhäuser, Basel [u.a.], 2003 (eg).
7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrBeispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge
1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege
MehrAngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
MehrStochastik: Binomialverteilung Stochastik Bernoulli-Experimente, binomialverteilte Zufallsvariablen Gymnasium ab Klasse 10
Stochastik Beroulli-Experimete, biomialverteilte Zufallsvariable Gymasium ab Klasse 0 Alexader Schwarz www.mathe-aufgabe.com November 203 Hiweis: Für die Aufgabe darf der GTR beutzt werde. Aufgabe : Ei
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
MehrZählterme (Seite 1) Aufgabe: Wie viele Nummernschilder kann es theoretisch im Raum Dresden geben? Wann müsste die 4.Ziffer eingeführt werden?
Bemerkug: I Mathematik sollte ma keie Fahrpläe verwede, i der Stochastik erst recht icht. Zitat vo S.L. Das Baumdiagramm ist aber fast immer ei geeigetes Hilfsmittel. Produktregel Aufgabe: Wie viele Nummerschilder
MehrEinführung in die Wahrscheinlichkeitstheorie
Eiführug i die Wahrscheilichkeitstheorie Nikolai Nowaczyk http://math.iko.de/ Lars Wallebor http://math.wallebor.et/ 06.-08. Mai 2011 Ihaltsverzeichis 1 Mege, Abbilduge,
Mehr15.4 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
MehrDer Additionssatz und der Multiplikationssatz für Wahrscheinlichkeiten
Der Additiossatz ud der Multiplikatiossatz für Wahrscheilichkeite Die Wahrscheilichkeitsrechug befasst sich mit Ereigisse, die eitrete köe, aber icht eitrete müsse. Die Wahrscheilichkeit eies Ereigisses
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
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
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
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
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
MehrElementare Wahrscheinlichkeitstheorie und Statistik
Elemetare Wahrscheilichkeitstheorie ud Statistik Kurzfassug: Defiitioe ud Sätze Beweise ud Beispiele werde i der Vorlesug behadelt Ihaltsverzeichis Vorlesug SS 2003 für Bio-Iformatiker ud Lehramtskadidate
Mehr8. Der Wahrscheinlichkeitsbegriff
8. Der Wahrscheilichkeitsbegriff M.5 Wahrscheilichkeitsbegriff (ca. 0 Std.) Die Etwicklug eies abstrakte Wahrscheilichkeitsbegriffs erlaubt es de Schüler, verschiedee bereits aus de vorhergehede Jahrgagsstufe
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
Mehr1.3 Funktionen. Seien M und N Mengen. f : M N x M : 1 y N : y = f(x) nennt man Funktion oder Abbildung. Beachte: Zuordnung ist eindeutig.
1.3 Fuktioe Seie M ud N Mege f : M N x M : 1 y N : y fx et ma Fuktio oder Abbildug. Beachte: Zuordug ist eideutig. Bezeichuge: M : Defiitiosbereich N : Bildbereich Zielmege vo f Der Graph eier Fuktio:
Mehr1 Vollständige Induktion
1 Vollstädige Idutio 1.1 Idutiosbeweise Das Beweisprizip der vollstädige Idutio ist eies der wichtigste Hilfsmittel der Mathemati icht ur der Aalysis. Es fidet Verwedug bei pratische alle Aussage, die
MehrStochastik. Eine Vorlesung für das Lehramtsstudium. Franz Hofbauer
Stochastik Eie Vorlesug für das Lehramtsstudium Fraz Hofbauer SS 01 Vorwort Der Begriff Wahrscheilichkeit wird üblicherweise mit Häufigkeit assoziiert. Was oft eitritt, hat hohe Wahrscheilichkeit, was
MehrDritter Zirkelbrief: Ungleichungen
Matheschülerzirkel Uiversität Augsburg Schuljahr 014/015 Dritter Zirkelbrief: Ugleichuge Ihaltsverzeichis 1 Grudlage vo Ugleichuge 1 Löse vo Ugleichuge 3 3 Mittel 4 4 Mittelugleichuge 5 5 Umordugsugleichug
MehrStochastik für Wirtschaftswissenschaftler
Vorlesugsskript Stochastik für Wirtschaftswisseschaftler Dr. Katharia Best Witersemester 200/20 Ihaltsverzeichis Eileitug 5. Der Begriff Stochastik......................................... 5.2 Geschichtliche
MehrEinführung des Wahrscheinlichkeitsraumes
II Eiführug des Wahrscheilichkeitsraumes Relative Häufigkeit. Defiitioe V: 30-maliges Werfe eies Würfels A : Azahl der Augezahl bei 30 Würfe Ai A beim i-te Versuch Bi : Summe der Azahle der Augezahl vom.
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrFür die Vorlesung von Prof. Schmitz
Agewadte Mathematik Skript Für die Vorlesug vo Prof. Schmitz Vo Michael Barth www.little-thigs.de Dak a Patrick Bader 1 Table of Cotets 6. Graphe ud Bäume... 3 6.1 Graphe...3 6.1.1 Grudlegede e...3 6.1.2
MehrAufgabe G 1.1. [Vollständige Induktion, Teleskopsumme] n k 3 = n N : k(k + 1) = 1 1
Istitut für Aalysis ud Algebra Mathematik I für Studierede der E-Techik Prof Dr Volker Bach WiSe 06/7 M Sc Birgit Komader M Sc Christoph Brauer Theme: Groe Übug - Lösuge Vollstädige Iduktio - Teleskopsumme
MehrMathematik für Maschinenbauer, Bauingenieure und Umwelttechniker III. R. Verfürth
Mathematik für Maschiebauer, Bauigeieure ud Umwelttechiker III Vorlesugsskriptum WS 001/0 - WS 00/03 überarbeitet September 008 R. Verfürth Fakultät für Mathematik, Ruhr-Uiversität Bochum Ihaltsverzeichis
MehrErfolg im Mathe-Abi 2013
Gruber I Neuma Erfolg im Mathe-Abi 2013 Vorabdruck Wahlteil Stochastik für das Abitur ab 2013 zum Übugsbuch für de Wahlteil Bade-Württemberg mit Tipps ud Lösuge Vorwort Vorwort Erfolg vo Afag a...ist das
MehrEinführung in die Wahrscheinlichkeitstheorie
WS 2014/15 Eiführug i die Wahrscheilichkeitstheorie Prof. Dr. Nia Gatert 7. Februar 2015 Ihaltsverzeichis 0 Eileitug 3 1 Diskrete Wahrscheilichkeitsräume 4 1.1 Grudbegriffe..................................
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrVorlesung. "Mathematik und Statistik" WS 2006 / Teil II. Statistik und Stochastik
Vorlesug "Mathematik ud Statistik" WS 006 / 007 Teil II Statistik ud Stochastik Oktober 006 Dozet: Dr. Norbert Marxer Skript Statistik ud Stochastik 0. Ihaltsverzeichis 0. Ihaltsverzeichis.... Eileitug...
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathemati PROF DRDR JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathemati für Iformatier I Witersemester 2003/2004 Aufgabeblatt 8 12 Dezember
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
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrVerteilungsfunktionen
Verteilugsfuktioe Wie sid zufällige Fehler verteilt? Wie sid Messwerte verteilt? Fehler Messwerte Verteilugsfuktioe: Maxwell-Boltza Feri-Dirac Bose-Eistei Placksche Verteilug Frage ist stets, wie groß
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
MehrA Ω, Element des Ereignisraumes
ue biostatisti: grudlegedes zur wahrscheilicheit ud ombiatori 1/6 WAHRSCHEINLICHKEIT / EINIGE BEGRIFFE Ereigisraum Ω Elemetarereigis A: Ω ist die Mege aller mögliche Elemetarereigisse A Ω, Elemet des Ereigisraumes
MehrZusammenfassung: Gleichungen und Ungleichungen
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Eperte 8 Polyomgleichuge ud -ugleichuge
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
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
Mehr1 Aussagenlogik und vollständige Induktion
Dr. Siegfried Echterhoff Aalysis 1 Vorlesug WS 08 09 1 Aussagelogi ud vollstädige Idutio Die Mathemati basiert auf eier Reihe vo Axiome, d.h. auf mathematische Aussage, die als (offesichtlich? wahr ageomme
MehrA D A E B D D E D E D C C D E
ie Kombiatori beschäftigt sich mit der Zusammestellug vo lemete eier Mege. s werde 2 Kugel ohe Zurüclege aus zwei Ure gezoge. ie erste Ure ethält 3 Kugel ; ; ud die zweite Ure 2 Kugel ;. ie erste Kugel
MehrFolgen und Reihen. 23. Mai 2002
Folge ud Reihe Reé Müller 23. Mai 2002 Ihaltsverzeichis 1 Folge 2 1.1 Defiitio ud Darstellug eier reelle Zahlefolge.................. 2 1.1.1 Rekursive Defiitio eier Folge......................... 3 1.2
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
Mehr4. Die Menge der Primzahlen. Bertrands Postulat
O. Forster: Eiführug i die Zahletheorie 4. Die Mege der Primzahle. Bertrads Postulat 4.1. Satz (Euklid. Es gibt uedlich viele Primzahle. Beweis. Wir zeige, dass es zu jeder edliche Mege p 1, p 2,..., p
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
MehrAufgrund der Körperaxiome ist jedoch
Hiweise: Der Doppelstrich // steht für eie Kommetarzeile. Tipp- ud Rechtschreibfehler köe trotz mehrfacher Kotrolle icht hudertprozetig vermiede werde. Die selbst erstellte Lösugsasätze orietiere sich
MehrWahrscheinlichkeitsrechnung
Kapitel 7 Wahrscheilichkeitsrechug 7. Kombiatorik Def. 7..:a) Für eie beliebige atürliche Zahl m bezeichet ma das Produkt aus de Zahle vo bis m mit m Fakultät: m! := 2 3 m, 0! :=. b) Für zwei beliebige
MehrMusterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
MehrKapitel 2. Zahlenbereiche
Kapitel 2. Zahlebereiche 2.1. Natürliche Zahle Die Mege N {1, 2, 3,... } der atürliche Zahle wird formal durch die Peao Axiome defiiert: (A1) 1 N (A2) N ( + 1) N (A3) m ( + 1) (m + 1) (A4) N ( + 1) 1 (A5)
MehrStochastik für Physiker: Aufgaben und Lösungsvorschläge
Stochastik für Physiker: Aufgabe ud Lösugsvorschläge Simo Stützer Stad: 4. Februar 9 Aufgabe : Vergleiche Sie die Wahrscheilichkeit, beim Spiel mit eiem Würfel i 4 Würfe midestes eimal 6 zu würfel, mit
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
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
Mehr1 Lösungen zu Analysis 1/ 12.Übung
Lösuge ausgewählter Beispiele zu Aalysis I, G. Bergauer, Seite Lösuge zu Aalysis / 2.Übug. Eileitug Gleichmäßige Kovergez ist eie starke Eigeschaft eier Fuktioefolge. Formuliert ma sie für Netze, statt
MehrKonzepte und diskrete Wahrscheinlichkeitstheorie
Elemetare Wahrscheilichkeitstheorie SS12 Uwe Rösler Kapitel 1 Kozepte ud diskrete Wahrscheilichkeitstheorie 1.1 Eiführug ud Motivatio Wahrscheilichkeite werde im tägliche Sprachgebrauch verwedet ud ituitiv
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrKlassifizierung der Verteilungen. Streuung der diskreten Verteilung
Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug
MehrErfolg im Mathe-Abi 2015
Gruber I Neuma Erfolg im Mathe-Abi 2015 Übugsbuch für de Wahlteil Bade-Württemberg mit Tipps ud Lösuge Ihaltsverzeichis Ihaltsverzeichis Aalysis 1 Tuel... 2 Widkraftalage... 7 3 Testzug... 8 4 Abkühlug...
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
MehrAufgabenbereich Analysis: Lösungen
a) Schittpukte x-achse: N( ) e x (- x) -,5x (da e x für alle x IR) x Schittpukt y-achse: P( ) f()e (-,5) Asymptote: Aufgabebereich Aalysis: Lösuge für x gilt: f(x) Die x-achse ist für de Graphe für x eie
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
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
MehrLösungen zu Übungsblatt 2 Signale, Codes und Chiffren II Sommersemester 2009 Übung vom 26. Mai 2009
Uiversität Karlsruhe TH Istitut für Kryptographie ud Sicherheit Willi Geiselma Vorlesug Marius Hillebrad Übug Lösuge zu Übugsblatt 2 Sigale, Codes ud Chiffre II Sommersemester 2009 Übug vom 26. Mai 2009
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrProf. S. Krauter Kombinatorik. WS Blatt07.doc. (Quelle: M. Aigner; Diskrete Mathematik. Vieweg 1993.)
Prof. S. Krauter Kobiatorik. WS-05-06. Blatt07.doc (Quelle: M. Aiger; Diskrete Matheatik. Vieweg 1993.) 1. a) Bereche Sie i Pascal sche Zahledreieck die Sue der Bioialkoeffiziete lägs eier Diagoale, also
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug
MehrEinführung in die Stochastik
Eiführug i die Stochastik Erwi Bolthause HS 2008 Ihaltsverzeichis Diskrete Wahrscheilichkeitsräume 2.A Ahag: Was sid Wahrscheilichkeite wirklich?............ 0.B Ahag: Eiige historische Amerkuge..................
MehrWallis-Produkt, Gammafunktion und n-dimensionale Kugeln
Wallis-Produkt, Gammafuktio ud -dimesioale Kugel Thomas Peters Thomas Mathe-Seite www.mathe-seite.de 6. Oktober 3 Das Ziel dieses Artikels ist es, Formel für das Volume ud die Oberfläche vo -dimesioale
MehrLösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann
Lösugsskizze Mathematik für Iformatiker 5. Aufl. Kapitel 3 Peter Hartma Verstädisfrage. Ka ma ei Axiom beweise? Nei!. Ka ei Beweis eier Aussage richtig sei, we im Iduktiosschluss die Iduktiosaahme icht
MehrLösungen Mehrstufige Zufallsversuche I. Ausführliche Lösung
Lösuge Mehrstufige Zufallsversuche I e: A1 Aufgabe Eie Müze wird zweimal geworfe. Zeiche Sie das Baumdiagramm ud bestimme Sie die Wahrscheilichkeit für folgede Ereigisse: a) A: Geau eimal Wappe. b) B:
MehrWahrscheinlichkeit und Statistik
ETH Zürich HS 2015 Prof. Dr. P. Embrechts Wahrscheilichkeit ud Statistik D-INFK Lösuge Serie 2 Lösug 2-1. (a Wir bereche P [W c B] auf zwei Arte: (a Wir betrachte folgede Tabelle: Azahl W W c B 14 6 B
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrIndizieren Sie die folgenden Summen und Produkte gemäß der Vorgabe um und schreiben Sie sie einmal explizit aus: 5
FU Berli: WiSe 13-14 (Aalysis 1 - Lehr.) Übugsaufgabe Zettel 9 Aufgabe 37 Idiziere Sie die folgede Summe ud Produte gemäß der Vorgabe um ud schreibe Sie sie eimal explizit aus: 5 (a) + 1) 0( Lösug. Die
MehrGrundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung
MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2
MehrK. Felten: Internet Network infrastucture Fachhochschule Kiel, Fachbereich IuE
Defiitio ach DIN4004 Als Zuverlässigkeit ( reliability ) gilt die Fähigkeit eier Betrachtugseiheit ierhalb vorgegebeer Greze dejeige durch de Awedugszweck bedigte Aforderuge zu geüge, die a das Verhalte
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
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
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,
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrStochastik. Vorlesung aus dem Wintersemester 2010/11. Prof. Dr. Franz Merkl. Inhaltsverzeichnis
Vorlesug aus dem Witersemester 200/ Stochastik Prof. Dr. Fraz Merkl getext vo Viktor Klee & Floria Stecker Ihaltsverzeichis Wahrscheilichkeitstheorie 3. Wahrscheilichkeitsmodelle.................................
Mehr= a n: Wurzelexponent x: Radikand oder Wurzelbasis a: Wurzelwert Bei der ersten Wurzel wird einfach das Wurzelzeichen weggelassen.
Wurzelgesetze Gesetzmäßigkeite Grudlage Das Wurzelziehe (oder Radiziere) ist die Umkehrug des Potezieres. Daher sid die Wurzelgesetze de Potezgesetze sehr ählich. Die Wurzel aus eier positive Zahl ergibt
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
MehrEinführung in die Stochastik
Prof. Dr. Has-Wolfgag He UNIVERSITÄT DORTMUND Fachbereich Mathematik Istitut für Etwicklug ud Erforschug des Mathematikuterrichts Eiführug i die Stochastik Skriptum zur Vorlesug im WS 00/003 Ihaltsverzeichis.
Mehr18 2 Zeichen, Zahlen & Induktion *
18 2 Zeiche, Zahle & Idutio * Ma macht sich z.b. sofort lar, dass das abgeschlossee Itervall [ 3, 4] die Eigeschafte if[ 3, 4] 3 mi[ 3, 4] ud sup[ 3, 4]4max[ 3, 4] besitzt, währed das offee Itervall 3,
Mehr4.3 Relationen [ Partee 27-30, 39-51, McCawley , Chierchia ]
4 Elemetare Megetheorie 43 Relatioe [ Partee 7-30, 39-5, McCawley 48-49, Chierchia 534-536 ] Relatioe köe als spezielle Mege verstade werde Hierfür muss zuächst der Begriff eies weitere megetheoretische
Mehr3 Das Pascalsche Dreieck
Goldeer Schitt Fiboacci Pascalsches Dreiec 3 Das Pascalsche Dreiec 3. Hocey, Taxifahre ud das Pascalsche Dreiec Was hat es mit dem Hoceyschläger auf sich? Wie viele Möglicheite hat ei Taxifahrer i New
MehrEinige wichtige Ungleichungen
Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe
MehrStochastik für Informatiker
Stochastik für Iformatiker Dr. D. Uhlig-Düvelmeyer - SS 008 Copyright c 008 Tobias Doerffel Diese private Mitschrifte der o.g. Vorlesug erhebe weder de Aspruch auf Vollstädigkeit och auf Fehlerfreiheit.
MehrEinführung in die Mathematik
Eiführug i die Mathematik Fraz Hofbauer Leo Summerer Eie Vorlesug für das Lehramtstudium Ihaltsverzeichis Kapitel 1. Mege ud Fuktioe 1 1. Mege 1 2. Die atürliche Zahle 3 3. Variable, Summe, Idices 4 4.
MehrGrundlagen der Mathematik (LPSI/LS-M1)
Fachbereich Mathematik Algebra ud Zahletheorie Christia Curilla Grudlage der Mathematik (LPSI/LS-M1) Übugsklausur WiSe 2010/11 - C. Curilla/S. Koch/S. Ziegehage Liebe Studierede, im Folgede fide Sie eiige
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
Mehr(gesprochen n über k ) sind für n k, n, k N0 wie folgt definiert: n n. (k + 1)!(n k 1)! (n + 1)!
Aufgabe.4 Die Verallgemeierug der biomische Formel für (x y ist der Biomische Lehrsatz: (x y x y, x, y R, N. (a Zeige Sie die Beziehug ( ( ( zwische de Biomialoeffiziete. (b Beweise Sie de Biomische Lehrsatz.
Mehr