Allpass-Transformation
|
|
- Katrin Flater
- vor 6 Jahren
- Abrufe
Transkript
1 Grundidee: Allpass-Transformation Entwurf eines IIR-Filters H p (z) mit bekanntem Verfahren Abbildung des Frequenzgangs durch Transformation der Frequenzvariablen Transformation durch Substitution ζ = f(z) in H p (ζ) Bedingung: Einheitskreis muss auf sich selbst abgebildet werden! f(e j )! = f(z) muss der Übertragungsfunktion eines Allpasses entsprechen Neue Übertragungsfunktion: H(z) = H p (f(z)) bzw. H(e j ) = H p (e jg() ) mit g() = arg ( f(e j ) )
2 Allpass-Transformation Realisierungsmöglichkeit: Ersetzen jedes Verzögerungselements z durch einen stabilen Allpass A(z) = f(z) g() = arg ( A(e j ) ) Achtung: In der Regel bei rekursiven Systemen nicht direkt anwendbar wegen verzögerungsfreier Schleifen! Neue Übertragungsfunktion muss berechnet und realisiert werden
3 Allpass-Transformation - Beispiel-Filter H p (z) = z z b H p(e j ) = b b cos mit b =, 9: Hp
4 Allpass-Transformation - Beispiel-Allpässe ) A (z) = z g () = π + 9 H p H H
5 Allpass-Transformation - Beispiel-Allpässe ) Allpass. Ordnung: A (z) = az + z a a sin g () = + arctan a cos mit a < X(z) a z Y (z) a 5
6 Allpass-Transformation - Beispiel-Allpässe g() Verzerrung der Frequenzachse für verschiedene Werte von a 6
7 Allpass-Transformation - Beispiel H Resultierende Frequenzgänge 7
8 Allpass-Transformation - Beispiel ) Allpass. Ordnung: A (z) = ρ z ρ cos ϕz + z ρ cos ϕz + ρ mit ρ < 7 6 ϕ = π/ g()
9 Allpass-Transformation - Beispiel g () = + arctan 7 6 ρ sin ϕ sin ρ sin ρ cos ϕ cos + ρ cos ϕ = π/ g()
10 Allpass-Transformation - Beispiel ϕ = π/ H
11 Allpass-Transformation - Beispiel ϕ = π/ H
12 Allpass-Transformation - Beispiel 4) Allpass. Ordnung: A 4 (z) = ρ z ρ cos ϕz + z ρ cos ϕz + ρ mit ρ < 4 ϕ = π/ g4()
13 Allpass-Transformation - Beispiel g 4 () = π + + arctan 4 ρ sin ϕ sin ρ sin ρ cos ϕ cos + ρ cos ϕ = π/ g4()
14 Allpass-Transformation - Beispiel ϕ = π/ H
15 Allpass-Transformation - Beispiel ϕ = π/ H
16 Allpass-Transformation - Beispiel Butterworth.8.6 Hp Betragsfrequenzgang Butterworthfilter Ordnung 8 6
17 Allpass-Transformation - Beispiel Butterworth.8 ϕ = π/ H Betragsfrequenzgang resultierender Bandpass 7
18 Allpass-Transformation - Beispiel Butterworth.8 ϕ = π/ H Betragsfrequenzgang resultierender Bandpass 8
19 Allpass-Transformation Tiefpass-Bandpass-Transformation mit Allpass. Ordnung: Vorgaben aus Toleranzschema: Eckfrequenzen Übergangsbereichsbreiten max. Abweichung im Durchlassbereich Sperrdämpfung(en) Wahl geeigneter Parameter ρ, ϕ, c Übertragung in Toleranzschema für Tiefpass-Entwurf 9
20 Zeitdiskrete Systeme bei stochastischer Anregung Stochastische Prozesse (Zufallsprozesse) - Formale Definition: Ein stochastischer Prozess x besteht aus einer Menge indizierter Zufallsvariablen {x n }. Er wird charakterisiert durch die Menge der zugehörigen Verteilungsfunktionen, die im allgemeinen vom Index n abhängen können: P xn (u, n) = P (x n < u). Alternativ können auch die Verteilungsdichtefunktionen angegeben werden: p xn (u, n) = P x n (u, n) u Zufallssignale: n ist der Zeitindex und ein Signal, dessen Abtastwerte x(n) durch die entsprechenden Verteilungsfunktionen charakterisiert sind, heißt Realisierung des stochastischen Prozesses x
21 Verbundverteilungen Stochastische Prozesse Abhängigkeiten zwischen zwei oder mehreren Zufallsvariablen lassen sich mit Verbundverteilungen analysieren. Beispiel für Verbundverteilung zweier Zufallsvariablen x n und x m : P xn,x m (u, n, v, m) = P (x n < u, x m < v) Verbundverteilungsdichte: p xn,x m (u, n, v, m) = P xn,x m (u, n, v, m) u v Verbundverteilung zweier Zufallsvariablen aus verschiedenen Prozessen x und y: P xn,y m (u, n, v, m) = P (x n < u, y m < v)
22 Statistische Unabhängigkeit Stochastische Prozesse Zwei Zufallsvariablen sind statistisch unabhängig, wenn gilt P xn,y m (u, n, v, m) = P xn (u, n) P ym (v, m) bzw. p xn,y m (u, n, v, m) = p xn (u, n) p ym (v, m) Stationarität Ein Prozess x ist stationär, wenn alle Verteilungsfunktionen unabhängig von einer Verschiebung sind, z.b. P xn+k (u, n + k) = P xn (u, n) P xn+k,x m+k (u, n + k, v, m + k) = P xn,y m (u, n, v, m)
23 Stochastische Prozesse Momente (Ensemble-)Mittelwert: m xn = E[x n ] = u p xn (u, n)du Quadratischer Mittelwert: E[x n] = u p xn (u, n)du Varianz: σ x n = E[(x n m xn ) ] = E[x n] m x n Höhere Momente: E[x k n] = u k p xn (u, n)du Verbundmomente: E[x k ny l m] = u k v l p xn,y m (u, n, v, m)dudv
24 Stochastische Prozesse Wichtige Verbundmomente Autokorrelation: φ xx (n, m) = E[x n x m ] (bzw. E[x n x m] für kompl. x) für stationären Prozess: φ xx (m n) = E[x n x m ] Autokovarianz: γ xx (n, m) = E[(x n m xn )(x m m xm )] für stationären Prozess: γ xx (m n) = E[(x n m xn )(x m m xm )] Kreuzkorrelation: φ xy (n, m) = E[x n y m ] für stationären Prozess: φ xy (m n) = E[x n y m ] Kreuzkovarianz: γ xy (n, m) = E[(x n m xn )(y m m ym )] für stationären Prozess: γ xy (m n) = E[(x n m xn )(y m m ym )] 4
Verzerrungsfreies System
Verzerrungsfreies System x(n) y(n) n n x(n) h(n) y(n) y(n) A 0 x(n a) A 0 x(n) (n a) h(n) A 0 (n a) H(z) A 0 z a Digitale Signalverarbeitung Liedtke 8.1.1 Erzeugung einer linearen Phase bei beliebigem
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrVorteile digitaler Filter
Digitale Filter Vorteile digitaler Filter DF haben Eigenschaften, die mit analogen Filtern nicht realisiert werden können (z.b. lineare Phase). DF sind unabhängig von der Betriebsumgebung (z.b. Temperatur)
MehrElektronik Prof. Dr.-Ing. Heinz Schmidt-Walter
6. Aktive Filter Filterschaltungen sind Schaltungen mit einer frequenzabhängigen Übertragungsfunktion. Man unterscheidet zwischen Tief, Hoch und Bandpässen sowie Sperrfiltern. Diesen Filtern ist gemeinsam,
MehrEinführung in die digitale Signalverarbeitung WS11/12
Einführung in die digitale Signalverarbeitung WS11/12 Prof. Dr. Stefan Weinzierl Musterlösung 11. Aufgabenblatt 1. IIR-Filter 1.1 Laden Sie in Matlab eine Audiodatei mit Sampling-Frequenz von fs = 44100
MehrSignale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale
Signale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
MehrDynamische Lasten. 1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Allgemeine zeitabhängige Lasten 2.2 Periodische Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
MehrSignale und Systeme II
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Signale und Systeme II Lösung zur Modulklausur SS 201 Prüfer: Prof. Dr.-Ing. Gerhard Schmidt
MehrDer Tiefpass Betreuer: Daniel Triebs
Der Tiefpass Betreuer: Daniel Triebs 1 Gliederung Definiton: Filter Ideale Tiefpass Tiefpass 1.Ordnung Frequenzgänge Grundarten des Filters Filterentwurf Tiefpass 2.Ordnung 2 Definition: Filter 3 Filter
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrSSYLB2 SS06 Daniel Schrenk, Andreas Unterweger Übung 8. Laborprotokoll SSY. Diskrete Systeme II: Stabilitätsbetrachtungen und Systemantwort
SSYLB SS6 Daniel Schrenk, Andreas Unterweger Übung 8 Laborprotokoll SSY Diskrete Systeme II: Stabilitätsbetrachtungen und Systemantwort Daniel Schrenk, Andreas Unterweger, ITS 4 SSYLB SS6 Daniel Schrenk,
MehrNachrichtentechnik [NAT] Kapitel 6: Analoge Filter. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 6: Analoge Filter Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 6 Analoge Filter 3 6. Motivation..................................
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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(Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!)
Teil 1: Fragen und Kurzaufgaben (Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!) Frage 1 (6 Punkte) Es wird ein analoges
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
Mehrfilter Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015
1 Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015 2 Beschreibung Übertragungsfunktion H(z), H(ω) Differenzengleichung y[n] Impulsantwort h[n]: Finite Infinite Impulse Response (FIR) Impulse Response
MehrVersuch 5: Filterentwurf
Ziele In diesem Versuch lernen Sie den Entwurf digitaler Filter, ausgehend von der Festlegung eines Toleranzschemas für den Verlauf der spektralen Charakteristik des Filters, kennen. Es können Filtercharakteristiken
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrGrundlagen der Videotechnik. Redundanz
Grundlagen der Videotechnik Redundanz Redundanz beruht auf: - statistischen Abhängigkeiten im Signal, - Information, die vorher schon gesendet wurde - generell eine Art Gedächtnis im Signal Beispiel: Ein
MehrFilterentwurf. Patrick Seiler. Präsentation im Rahmen des Projektlabors der TU Berlin im Sommersemester 2009
Filterentwurf Patrick Seiler Präsentation im Rahmen des Projektlabors der TU Berlin im Sommersemester 2009 7. Mai 2009 1 Gliederung 1. Was sind Filter? 2. Grundlagen: Charakteristika/Kenngrößen 3. Filterentwurf
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie Teil B - Zeitdiskrete Signale und Systeme Übungsaufgaben Manfred Strohrmann Urban Brunner Inhalt Übungsaufgaben - Signalabtastung und Rekonstruktion...
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrTontechnik 2. Digitale Filter. Digitale Filter. Zuordnung diskrete digitale Signale neue diskrete digitale Signale
Tontechnik 2 Digitale Filter Audiovisuelle Medien HdM Stuttgart Digitale Filter Zuordnung diskrete digitale Signale neue diskrete digitale Signale lineares, zeitinvariantes, diskretes System (LTD-System)
Mehr7. Filter. Aufgabe von Filtern
. Filter Aufgabe von Filtern Amplitude Sperren einer Frequenz oder eines Frequenzbereichs Durchlassen einer Frequenz oder eines Frequenzbereichs möglichst kleine Phasenänderung Phase Phasenverschiebung
MehrSeminar Digitale Signalverarbeitung Thema: Digitale Filter
Seminar Digitale Signalverarbeitung Thema: Digitale Filter Autor: Daniel Arnold Universität Koblenz-Landau, August 2005 Inhaltsverzeichnis i 1 Einführung 1.1 Allgemeine Informationen Digitale Filter sind
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrMesstechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen:
Messtechnik Gedächnisprotokoll Klausur 2012 24. März 2012 Dokument erstellt von: mailto:snooozer@gmx.de Aufgaben Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Index k 1 2 3 4 5
MehrÜbung 7: Methode der kleinsten Quadrate
ZHAW, DSV2, 2007, Rumc, 1/8 Übung 7: Methode der kleinsten Quadrate Aufgabe 1: Lineare Annäherung im Skalarprodukt-Raum. Finden Sie für den Vektor y = [2 2 2] T eine Linearkombination y e der Vektoren
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrInhaltsverzeichnis Determinierte Signale in linearen zeitinvarianten Systemen Fourier-Transformation
Inhaltsverzeichnis 1. Determinierte Signale in linearen zeitinvarianten Systemen 1 1.1 Elementarsignale... 1 1.2 ZumBegriffdesSystems... 5 1.3 LinearezeitinvarianteSysteme... 6 1.4 DasFaltungsintegral...
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrEAH Jena Prüfungsaufgaben Prof. Giesecke FB ET/IT Filterentwurf WS 12/13
FB ET/IT Filterentwurf WS 2/3 Name, Vorname: Matr.-Nr.: Zugelassene Hilfsmittel: beliebiger Taschenrechner eine selbsterstellte Formelsammlung ein mathematisches Formelwerk Wichtige Hinweise: Ausführungen,
MehrErgänzung zu komplexe Zahlen
Juli 2015 Übersicht 1 Ortskurven 2 Wechselstromkreis mit ohmschem und kapazitivem Widerstand (Parallelschaltung) i(t) u(t) R C Bei festen Werten für den ohmschen Widerstand R und die Kapazität C ergibt
MehrIm Frequenzbereich beschreiben wir das Verhalten von Systemen mit dem Komplexen Frequenzgang: G (jω)
4 Systeme im Frequenzbereich (jω) 4.1 Allgemeines Im Frequenzbereich beschreiben wir das Verhalten von Systemen mit dem Komplexen Frequenzgang: G (jω) 1 4.2 Berechnung des Frequenzgangs Beispiel: RL-Filter
MehrGeometrie. 1 Vektorielle analytische Geometrie der Ebene, Kegelschnitte
Geometrie Geometrie W. Kuhlisch Brückenkurs 206. Vektorrechnung und analytische Geometrie der Ebene, Kegelschnitte 2. Vektorrechnung und analytische Geometrie des Raumes, Anwendungen in der Geometrie,
MehrAufgabe 3. Signal Processing and Speech Communication Lab. Graz University of Technology
Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 3 Senden Sie die Hausübung bis spätestens 15.06.2015 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1
MehrAnaloge und digitale Filter
Technische Universität Ilmenau Fakultät Elektrotechnik und Informationstechnik FG Nachrichtentechnik Übungsaufgaben zur Lehrveranstaltung Analoge und digitale Filter Filter. Ordnung. Betrachtet wird ein
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
Mehr3.3.1 Digitale Filter
Leseprobe Digitale Signalverarbeitung Abschnitt aus Algorithmische Bausteine 3.3.1 Digitale Filter In den folgenden Abschnitten sollen die digitalen Filter im Gegensatz zum Abschnitt Grundlagen der DSV
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrIntegration über allgemeine Integrationsbereiche.
Integration über allgemeine Integrationsbereiche. efinition: Sei R n eine kompakte und messbare Menge. Man nennt Z = { 1,..., m } eine allgemeine Zerlegung von, falls die Mengen k kompakt, messbar und
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrRealisierung digitaler Filter FHTW-Berlin Prof. Dr. F. Hoppe 1
Realisierung digitaler Filter FHTW-Berlin Prof. Dr. F. Hoppe System zur digitalen Signalverarbeitung: Signal- Quelle AAF ADC DAC RCF DSP Po rt Po rt Signal- Ziel Das Bild zeigt ein allgemeines System zur
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
Mehr19. Frequenzgangkorrektur am Operationsverstärker
9. Frequenzgangkorrektur am Operationsverstärker Aufgabe: Die Wirkung komplexer Koppelfaktoren auf den Frequenzgang eines Verstärkers ist zu untersuchen. Gegeben: Eine Schaltung für einen nichtinvertierenden
MehrSV1: Aktive RC-Filter
Signal and Information Processing Laboratory Institut für Signal- und Informationsverarbeitung. September 6 Fachpraktikum Signalverarbeitung SV: Aktive RC-Filter Einführung In diesem Versuch wird ein aktives
MehrMultiplikation und Division in Polarform
Multiplikation und Division in Polarform 1-E1 1-E Multiplikation und Division in Polarform: Mathematisches Rüstzeug n m b b = b n+m bn bm = bn m ( b n )m = b n m Additionstheoreme: cos 1 = cos 1 cos sin
Mehrmit 0 < a < b um die z-achse entsteht.
Übungen (Aufg. u. Lösungen) zu Mathem. u. Lin. Alg. II SS 6 Blatt 8 13.6.6 Aufgabe 38: Berechnen Sie das Volumen des Volltorus, der durch Rotation der reisscheibe { (x, y, z) R 3 y, (x b) + z a } mit
MehrHöhere Mathematik für Naturwissenschaftler Studienjahr 2016/17
1/37 0. Organisatorisches 2/37 Übung Höhere Mathematik für Naturwissenschaftler Studienjahr 2016/17 Dr. Udo Lorz TU Bergakademie Freiberg Fakultät für Mathematik und Informatik Links zur Vorlesung Website
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
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
Mehr(s + 3) 1.5. w(t) = σ(t) W (s) = 1 s. G 1 (s)g 2 (s) 1 + G 1 (s)g 2 (s)g 3 (s)g 4 (s) = Y (s) Y (s) W (s)g 1 (s) Y (s)g 1 (s)g 3 (s)g 4 (s)
Aufgabe : LAPLACE-Transformation Die Laplace-Transformierte der Sprungantwort ist: Y (s) = 0.5 s + (s + 3).5 (s + 4) Die Sprungantwort ist die Reaktion auf den Einheitssprung: w(t) = σ(t) W (s) = s Die
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrÜbungen zur Stochastik, Blatt Nr. 1
Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
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:
Mehr+ z -1 z z -1 + z -1 + z -1 + z -1 + z -1
Formelsammlung Systemtheorie II 06.02.12 C.Pieper (keine Gewähr auf Richtigkeit! Korrekturen an christoph.pieper@rwth-aachen.de) Regelungsnormalform steuerbar Existiert nur für erreichbare Systeme (->
MehrAufgaben zu Kapitel 5
Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5. Geben Sie zu folgenden komplexen Zahlen die Polarkoordinatendarstellung an z i z + i z 3 + 3i). r 5 ϕ 5 4 3 π bzw. r 6 3 ϕ 6 4 5
MehrAufgabe 1 Transiente Vorgänge
Aufgabe 1 Transiente Vorgänge S 2 i 1 i S 1 i 2 U 0 u C C L U 0 = 2 kv C = 500 pf Zum Zeitpunkt t 0 = 0 s wird der Schalter S 1 geschlossen, S 2 bleibt weiterhin in der eingezeichneten Position (Aufgabe
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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrVorkurs Mathematik Übungen zu Komplexen Zahlen
Vorkurs Mathematik Übungen zu Komplexen Zahlen Komplexe Zahlen Koordinatenwechsel Aufgabe. Zeichnen Sie die folgende Zahlen zunächst in ein (kartesisches) Koordinatensystem. Bestimmen Sie dann die Polarkoordinaten
MehrLaplace-Transformation
Laplace-Transformation Gegeben: Funktion mit beschränktem Wachstum: x(t) Ke ct t [, ) Definition: Laplace-Transformation: X(s) = e st x(t) dt = L{x(t)} s C Re(s) >c Definition: Inverse Laplace-Transformation:
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
MehrÜbungsaufgaben zu Kapitel 7 und 8
Hochschule für Technik und Wirtschaft Dresden Sommersemester 016 Fakultät Informatik/Mathematik Prof. Dr.. Jung Übungsaufgaben zu Kapitel 7 und 8 Aufgabe 1: Für die rennweite einer einfachen, bikonvexen
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
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:
Mehr2.6 Der komplexe Logarithmus und allgemeine Potenzen
2.6 Der komplexe Logarithmus und allgemeine Potenzen Ziel: Umkehrung der komplexen Exponentialfunktion fz) = expz). Beachte: Die Exponentialfunktion expz) ist für alle z C erklärt, und es gilt Dexp) =
MehrVor- und Nachteile FIR- und IIR-Filter DSV 1, 2005/01, Rur, Filterentwurf, 1
Vor- und Nachteile FIR- und IIR-Filter DSV 1, 2005/01, Rur, Filterentwurf, 1 FIR-Filter sind nichtrekursive LTD-Systeme werden meistens in Transversalstruktur (Direktform 1) realisiert + linearer Phasengang
MehrÜbungsaufgaben Analoge und digitale Filter EI/DSV/Dr. Metz Arbeitsstand: /adf.doc
Übungsaufgaben Analoge und digitale Filter EI/DSV/Dr Metz Arbeitsstand: 537 /adfdoc Seminarthema Kettenbruch Partialbruchentwicklung als Verfahren zur Schaltungsanalyse und - synthese Aufgabe Gegeben sind
Mehr1. Differentialgleichung der Filter zweiter Ordnung
Prof. Dr.-Ing. F. Keller abor Elektronik 3 Filter zweiter Ordnung Info v.doc Hochschule Karlsruhe Info-Blatt: Filter zweiter Ordnung Seite /6. Differentialgleichung der Filter zweiter Ordnung Ein- und
MehrLösungen zur Klausur Funktionentheorie I SS 2005
Universität Karlsruhe 29 September 25 Mathematisches Institut I Prof Dr M von Renteln Dr C Kaiser Aufgabe en zur Klausur Funktionentheorie I SS 25 Sei S die Möbiustransformation, die durch S(z) = i i z
MehrSignale und Systeme. A1 A2 A3 Summe
Signale und Systeme - Prof. Dr.-Ing. Thomas Sikora - Name:............................... Vorname:.......................... Matr.Nr:.............................. Ergebnis im Web mit verkürzter Matr.Nr?
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
MehrGoniometrische Gleichungen
EL / GS - 3.8.5 - e_triggl.mcd Goniometrische Gleichungen Definition: Gleichungen, in denen die Variable als Argument von Winkelfunktionen vorkommen, nennt man "goniometrische Gleichungen". sweg: Mit Hilfe
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrKontrollfragen zum Skript Teil 1 beantwortet
Kontrollfragen zum Skript Teil 1 beantwortet Von J.S. Hussmann Fragen zu SW 1.1 Welche Vorteile hat die DSVB? Programmierbar Parametrierbar Reproduzierbar Wie heisst die Umwandlung eines Zeit-diskreten
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrA. Formelsammlung Aktive Filter
A. Formelsammlung Aktive Filter Tiefpass-Schaltungen Grundglied. Ordnung u ( gegeben G( s u ω Abgleich: ω + s ( gegeben ω ω ω π f ω ω π f Sallen-Key Tiefpass.Ordnung (Einfach-itkopplung, SK (Einsetzbar
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
Inhalt SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Einleitung 1. Einführung in das Modellieren von
Mehr