Übung 11. Stochastische Signale Prof. Dr.-Ing. Georg Schmitz
|
|
- Linda Kirchner
- vor 5 Jahren
- Abrufe
Transkript
1 Übug Aufgabe : Ukorrelierte, statistisch uabhägige Prozesse Es sid zwei stochastische Prozesse gegebe mit X = cos(z ), Y = cos(z φ). Hierbei sei Z auf [ π, π] gleichverteiltes weißes Rausche mit E{Z } = 0.. Bestimme Sie die Kreuzmometfuktio r X,Y (, k) ud die Kreuzkovariazfuktio c X,Y (, k).. Überprüfe Sie, ob die Prozesse orthogoal bzw. ukorreliert sid i Abhägigkeit vo φ.. Sid die Prozesse bei geeigeter Wahl vo φ stochastisch uabhägig? Aufgabe : Statioarität Es wird zu jedem Zeitpukt Z ei fairer Würfel geworfe. Die gewürfelte Augezahle werde als stochastischer Prozess X aufgefasst (vergl. Abb. ).. Bestimme Sie de determiistische Ateil μ X () des Prozesses X.. Bestimme Sie die Autokovariazfuktio c X,X (, k) des Prozesses X.. Utersuche Sie de Prozess X auf: Statioarität i. w. S. Statioarität. Nu wird der faire Würfel ur ei eiziges Mal geworfe. Der stochastische Prozess Y sei dadurch gegebe, dass er für alle Zeite Z kostat das Würfelergebis aimmt (vergl. Abb. ).. Bestimme Sie de determiistische Ateil μ Y () des Prozesses Y.. Bestimme Sie die Autokovariazfuktio c Y,Y (, k) des Prozesses Y.. Utersuche Sie de Prozess Y auf: Statioarität i. w. S. Statioarität. Aufgabe : Komplexwertiger stochastischer Prozess Gegebe sei der stochastische Prozess Z(t) = (A k + jb k )e jω kt, der aus de erwartugswertfreie, reellwertige Prozesse A k ud B k gewoe wird. Es gelte c A,A (k, i) = c B,B (k, i) = σ k δ k,i. Zudem seie A k ud B k ukorrelierte stochastische Prozesse.. Bestimme Sie Real- ud Imagiärteil des Prozesses Z(t).
2 . Bestimme Sie de Erwartugswert vo Z(t).. Bestimme Sie die Autokovariazfuktio vo Z(t) Abb. Ausschitt aus vier Realisieruge des stochastische Prozesses X Abb. Ausschitt aus vier Realisieruge des stochastische Prozesses Y
3 Musterlösug Aufgabe. Für die Kreuzmometfuktio r X,Y (, k) gilt r X,Y (, k) = E{X Y k } = E{cos(Z )cos(z k φ)}. Im Fall k sid Z ud Z k wege der Defiitio vo weißem Rausche stochastisch uabhägig. I Folge desse gilt r X,Y (, k) = E{cos(Z )}E{cos(Z k φ)}, k. Mit der zeituabhägige Dichte des weiße Rausches ergebe sich die Erwartugswerte zu f z (z) = { π π z π, 0 sost, μ X () = E{X } = cos(z) f z (z)dz = π cos(z) dz = 0, μ Y () = E{Y } = cos(z φ) f z (z)dz = cos(z φ) dz = 0, π da die Itegratioe jeweils über eie vollstädige Periode eier siusförmige Fuktio erfolge. Damit ist r X,Y (, k) = 0, k. Im Fall π π π k ergibt sich uter Awedug des Additiostheorems die Kreuzmometfuktio r X,Y (, ) zu Dabei ist π cos(a)cos(b) = [cos(a + b) + cos(a b)] r X,Y (, ) = [E{cos(Z φ)} + cos(φ)]. E{cos(Z φ)} = cos(z φ) f z (z)dz = cos(z φ) dz = 0, π da wieder über zwei vollstädige Periode eier siusförmige Fuktio itegriert wird. Die Kreuzmometfuktio r X,Y (, ) ergibt sich damit zu r X,Y (, ) = cos(φ). π π
4 Isgesamt ka geschriebe werde r X,Y (, k) = cos(φ)δ,k, wobei δ,k das Kroecker-Delta mit δ,k = { = k, 0 k, ist. Die Kreuzkovariazfuktio lässt sich u leicht über de Zusammehag zu bestimme. Aufgabe. c X,Y (, k) = r X,Y (, k) μ X ()μ Y (k) c X,Y (, k) = r X,Y (, k) Zwei auf dem gleiche Wahrscheilichkeitsraum defiierte reellwertige stoch. Prozesse X(t) ud Y(t) heiße ukorreliert, we für beliebige Idizes t I X ud t I Y gilt r X,Y (t, t ) = E{X(t )Y(t )} = E{X(t )}E{Y(t )} = μ X (t )μ Y (t ). Im vorliegede zeitdiskrete Fall ist μ X ()μ Y (k) = 0. Die Kreuzmometfuktio r X,Y (, k) ka ur für = k vo ull verschiedee Werte aehme. Es gilt: r X,Y (, ) = cos(φ) = 0 φ = π + lπ, mit l Z. Die stoch. Prozesse X ud Y sid ukorreliert für de Fall φ = π + lπ, l Z. Zwei auf dem gleiche Wahrscheilichkeitsraum defiierte reellwertige stoch. Prozesse X(t) ud Y(t) heiße orthogoal, we für beliebige Idizes t I X ud t I Y gilt r X,Y (t, t ) = E{X(t )Y(t )} = 0. Wie zuvor ka die Kreuzmometfuktio r X,Y (, k) ur für = k vo ull verschiedee Werte aehme. Da sid die stoch. Prozesse X ud Y für de Fall φ = π + lπ, l Z orthogoal. Aufgabe. Zwei auf dem gleiche Wahrscheilichkeitsraum defiierte stoch. Prozesse X(t) ud Y(t) heiße stochastisch uabhägig, we für beliebige Zeite t,, t k I X ud t,, t j I Y gilt F X,Y (x,, x k ; y,, y j ; t,, t k ; t,, t j ) = F X (x,, x k ; t,, t k )F Y (y,, y j ; t,, t j ). (Die Idetität gilt auch für die etsprechede Dichtefuktioe, sofer sie existiere.) Isbesodere sid stoch. uabhägige Prozesse stets ukorreliert. Dies ist also eie otwedige Bedigug für stoch. Uabhägigkeit. Im vorliegede zeitdiskrete Fall sid X ud Y ur für φ = π + lπ ukorreliert. Da gilt aber Y = cos (Z π lπ) = si(z )( ) l.
5 Folglich ist X + Y = cos (Z ) + si (Z ) = stets erfüllt. Damit gilt der feste determiistische Zusammehag zwische X ud Y Y = ± X. Ist X bekat, so ka Y höchstes och zwei verschiedee, vo X abhägige Werte aehme. Damit sid die Prozesse X ud Y stochastisch abhägig. Aufgabe. Der determiistische Ateil μ X () des Prozesses X ergibt sich zu Aufgabe. μ X () = E X = kp{x = k} = k = =, = μ X. Für die Autokovariazfuktio c X,X (, k) gilt c X,X (, k) = r X,X (, k) μ X ()μ X (k) = r X,X (, k) μ X. Die Mometfuktio zweiter Ordug ist Im Fall k gilt Damit ist P{X = i, X k = j} = P{X = i} Im Fall = k gilt r X,X (, k) = E{X X k }. P{X k = j X = i} =P{X k =j} (stat. Uabhägigkeit) r X,X (, k) = E{X X k } = E{X }E{X k } = μ X, k. r X,X (, ) = E{X } = k P(X = k) = k Isgesamt ergibt sich also 0 k c XX (, k) = { 9 μ X = k } = δ,k, = k, wobei k, das Kroecker-Delta mit δ,k = { 0 k, ist. = P{X = i}p{x k = j} =. = 7 = 9 =,. Aufgabe. Da μ X () = μ X = cost. ud c X,X (, k) = c X,X (u) mit u = k gilt, ist der Prozess X i. w. S. statioär.
6 Da der Prozess X für alle Z idetisch verteilt ist ud X sowie X k für k stochastisch uabhägig sid (es hadelt sich um eie sog. iid-prozess (idepedet idetically distributed)) ist der Prozess X statioär. Jede beliebige Wahrscheilichkeitsverteilug ka aus der zeituabhägige Verteilugsfuktio P(X = k) = P(X = k) kostruiert werde. Diese sid da uabhägig vo der Wahl des Zeitullpuktes. Z. B. gilt wege der stoch. Uabhägigkeit vo X, X ud X P(X = l, X = k, X = m) = P(X = l)p(x = k)p(x = m). Wege der Zeituabhägigkeit vo P(X = k) = P(X = k) ist aber auch P(X +τ = l, X +τ = k, X +τ = m) = P(X = l)p(x = k)p(x = m). Dies erfüllt die Defiitio vo statioäre Zufallsprozesse. Aufgabe. Das Ergebis aus Teil gilt hier uverädert: μ Y () = μ X () = =, = μ Y. Aufgabe. Wie zuvor gilt für die Autokovariazfuktio c Y,Y (, k) c Y,Y (, k) = r Y,Y (, k) μ Y ()μ Y (k) = r Y,Y (, k) μ Y. Die Mometfuktio zweiter Ordug ist r YY (, k) = E{Y Y k }. Für alle, k Z gilt P{Y = i, Y k = j} = P{Y = i} P{Y k = j Y = i} = { für i = j, 0 für i j } = δ i,j. keie stat. Uabhägigkeit! ={ i=j 0 sost Damit ist ud somit Aufgabe. r Y,Y (, k) = E{Y Y k } = ijp{y = i, Y k = j} = i = 9 =, i= j= c Y,Y (, k) = 9 ( ) i= = = σ X (). Wie der Prozess X ist auch der Prozess Y statioär i. w. S. ud statioär. Die Begrüdug der Statioarität ist vom Prizip idetisch: Beliebige, vo der Wahl des Zeitullpuktes uabhägige Wahrscheilichkeitsverteiluge köe aus P(Y = k) = P(Y = k) kostruiert werde.
7 Aufgabe. Re{Z(t)} = Re { (A k + jb k )e jω kt} = Re{(A k + jb k )[cos(ω k t) jsi(ω k t)]} = [A k cos(ω k t) + B k si(ω k t)] Im{Z(t)} = [B k cos(ω k t) A k si(ω k t)] Aufgabe. E{Z(t)} = E { (A k + jb k )e jω kt} = (E{A k } + je{b k })e jω kt = 0 Aufgabe. c Z,Z (t + τ, t) = E{Z(t + τ)z (t)} E{Z(t + τ)} E{Z (t)} = E {( (A k + jb k )e jω k(t+τ) ) ( (A i jb i )e jω it)} =0 i= = E{(A i jb i )(A k + jb k )}e jω it e jω k(t+τ) i= = [E{A i A k } je{b i A k } + je{a i B k } + E{B i B k }]e jω it e jω k(t+τ) i= Nach de Agabe i der Aufgabestellug gilt:. A k, B k ukorreliert, d.h c A,B (k, i) = E{[A k μ A (k)][b i μ B (i)]} = E{A k B i } = E{B i A k } = 0 für alle k, i Z. c A,A (k, i) = E{[A k μ A (k)][a i μ A (i)]} = E{A k A i } = σ k δ k i. c B,B (k, i) = E{[B k μ B (k)][b i μ B (i)]} = E{B k B i } = σ k δ k i 7
8 Daraus folgt: c Z,Z (t + τ, t) = E{A i A k } i= =σ k δ k i j E{B i A k } =0 = σ k δ k i e jω it e jω k(t+τ) i= + j E{A i B k } = σ k e jωkt e jω k(t+τ) = σ k e jω kτ =0 + E{B i B k } =σ k δ k i e jω it e jω k(t+τ) 8
Eingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
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
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
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
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
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
Mehr+ a 3 cos (3ωt) + b 3 sin (3ωt)
Fourier-Reihe Wir gehe aus vo eier gegebee periodische Fuktio f (t). Die Fuktio hat die Fudametalperiode ( Schwigugsdauer ) ud damit die Grud-Kreisfrequez ω = π. Zeit t Periode Die Fuktio f (t) soll zerlegt
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrLineare Abbildungen und Matrizen
Kapitel 6 Lieare Abbilduge ud Matrize I diese Kapitel werde wir lieare Abbilduge ittels sogeater Matrize beschreibe. Das Matrizekalkül wurde i Wesetliche vo C.F. Gauß, J.J. Sylvester ud A. Cayley i 19.
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
Mehr8. Gewöhnliche Differentialgleichungen (ODE)
8 Gewöhliche Differetialgleichuge (ODE) 81 Motivatio Eidimesioale (1d) Bewegug eies Teilches (Masse m, keie Reibug) im Potezial U() U() E klassisch: Ermittle die Bahkurve/Trajektorie (t) des Massepukts
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrParameterschätzung. Kapitel Schätzfunktionen
Kapitel 8 Parameterschätzug 8.1 Schätzfuktioe Def. 8.1.1: Es seie X 1,X,...,X uabhägige ZV, die alle die gleiche Verteilug besitze. θ sei ei ubekater Parameter dieser Verteilug. X 1,X,...,X ist als eie
MehrMathematik für die Physik II, Sommersemester 2018 Lösungen zu Serie 6
Mthemtik für die Physik II, Sommersemester 2018 Lösuge zu Serie 6 26 Utersuche die folgede Fuktioefolge uf puktweise beziehugsweise gleichmäßige Kovergez, d.h. bestimme jeweils ob diese vorliegt ud gebe
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrBerechnen Sie folgende Integrale durch Anwendung entsprechender Integrationsverfahren und vereinfachen Sie das Ergebnis. c) dx
Mathematik II für Elektrotechik, Medietechik ud Iformatik, SS 9.6.9 Aufgabe : Itegratiosverfahre ( Pukte a 7P., b 8P., c P. ) Bereche Sie folgede Itegrale durch Awedug etsprecheder Itegratiosverfahre ud
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
Mehr8. Übungsblatt Aufgaben mit Lösungen
8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium
MehrAnwendungen der Wahrscheinlichkeit II. Markovketten
Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem
MehrElection: Nachrichtenkomplexität. Mittlere Nachrichtenkomplexität (1) - Beispiel: Sei k = n = 4 - Über alle Permutationen mitteln (wieviele?
Electio: Nachrichtekompleität - Message-etictio-Prizip vo Chag ud Roberts 979 - war eier der erste verteilte Algorithme Mittlere Nachrichtekompleität () - Beispiel: Sei k = = - Über alle Permutatioe mittel
Mehr7.2 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
MehrSchwerpunkt 1 E Ma 1 Lubov Vassilevskaya
http://www.ewagilmour.com/wp-cotet/uploads/2010/05/forkkifespooegg.jpg Schwerpukt 1 E Der starre c Körper http://www.flickr.com/photos/iesca/3139536876/i/pool-streetlamps Abb. 1 1: Zur Defiitio eies starre
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
MehrAnhang A: Die Gamma-Funktion
O. Forster: Zetafuktio ud Riemasche Vermutug Ahag A: Die Gamma-Fuktio A.. Defiitio. Die Gamma-Fuktio ist für eie komplee Variable z mit Rez > durch das Euler-Itegral Γz := t z e t defiiert. Da mit := Rez
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
Mehrn=0 f(x) = log(1 + x) = n=1
Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
Mehr2. Zeitdiskrete Signale
Uiversity of Applied Sciece 2. Zeitdiskrete Sigale Defiitioe Elemetarsigale Impuls-Folge δ(): (Dirac-Folge, Delta-Folge, Eiheitsimpuls) δ ( ) : : MATLAB-Erzeugug: 5; ; (-:)'; d[zeros(++,)]; d(+); Prof.
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
MehrLösungen zum Übungsblatt 2
Fakultät für Luft- ud Raumfahrttechik Istitut für Mathematik ud Recherawedug Partielle Differetialgleichuge II (ME), Prof. Dr. J. Gwier Übug: N. Ovcharova, K. Dvorsky 6. Jauar bis 9. Februar 011 Lösuge
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrTeil II Zählstatistik
Teil II Zählstatistik. Aufgabestellug. Vergleiche Sie experimetelle Zählverteiluge mit statistische Modelle (POISSON-Verteilug ud Normalverteilug) 2. Theoretische Grudlage Stichworte zur Vorbereitug: Impulszahl,
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
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
MehrQuantenmechanik I. Musterlösung 12.
Quatemechaik I. Musterlösug 1. Herbst 011 Prof. Reato Reer Übug 1. Ster-Gerlach (19). Ei Strahl aus ugeladee Teilche mit Spi s = 1 läuft etlag der x-achse ud durchquert ei i z-richtug stark ihomogees Magetfeld.
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr8. Die Exponentialfunktion und die trigonometrischen Funktionen. 8.1 Definition der Exponentialfunktion
8. Die Expoetialfuktio ud die trigoometrische Fuktioe 8. Defiitio der Expoetialfuktio Fudametallemma: Für jede Folge w mit dem Grezwert w gilt: w lim + = k = 0 k w. k! Defiitio der Expoetialfuktio : k
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
Mehr3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst
für Iformatik Modellierug ud Verifikatio vo Software Prof. aa Dr. Ir. Joost-Pieter Katoe Datestrukture ud Algorithme SS5 Lösug - Übug 3 Christia Dehert, Friedrich Gretz, Bejami Kamiski, Thomas Ströder
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
Mehr2.3 Kontingenztafeln und Chi-Quadrat-Test
2.3 Kotigeztafel ud Chi-Quadrat-Test Die Voraussetzuge a die Date i diesem Kapitel sid dieselbe, wie im voragegagee Kapitel, ur dass die Stichprobe hier aus Realisieruge vo kategorielle Zufallsvariable
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
Mehr(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
MehrEreignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)
Kapitel 10 Statistik 10.1 Wahrscheilichkeit Das Ergebis eier Messug oder Beobachtug wird Ereigis geat. Ereigisse werde mit de Buchstabe A, B,...bezeichet. Die Messug eier kotiuierliche Variable x gibt
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrWahrscheinlichkeitstheorie Aufgabensammlung
rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrÜbung zur Vorlesung Einführung in die Algebra Prof. Dr. J. H. Bruinier Stephan Ehlen
Übug zur Vorlesug Eiführug i die Algebra Prof. Dr. J. H. Bruiier Stepha Ehle Sommersemester 2009 Lösugshiweise zu Übugsblatt 3 Aufgabe G3.1 Automorphisme vo Das ist im Prizip lieare Algebra: Sei f Aut(
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
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
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrBeispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.
8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 8.1 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12.075, p-wert: 0.0168 f χ
MehrAnalysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze
Gruppeübug Aalysis II für M, LaG ud Ph, WS7/8 Übug, Lösugsskizze G 4 (Zum warm werde). Begrüde die vo Physiker beliebte Näheruge si(x) x, cos(x) ud ta(x) x für kleie x R. Dies folgt direkt aus der Tayloretwicklug
MehrAllgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable
Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex
MehrKAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen
KAPITEL 8 Zahlereihe 8. Geometrische Reihe................................. 53 8.2 Kovergezkriterie................................. 54 8.3 Absolut kovergete Reihe............................ 64 Lerziele
Mehr3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst
Prof. aa Dr. Ir. Joost-Pieter Katoe Datestrukture ud Algorithme SS5 Tutoriumslösug - Übug 3 (Abgabe 3.05.05 Christia Dehert, Friedrich Gretz, Bejami Kamiski, Thomas Ströder Tutoraufgabe (Rekursiosgleichuge:
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
Mehr8. Die Exponentialfunktion und die trigonometrischen Funktionen
8. Die Expoetialfuktio ud die trigoometrische Fuktioe 8.1 Defiitio der Expoetialfuktio Fudametallemma: Für jede Folge w mit dem Grezwert w gilt: lim 1 w k 0 k w. k! Defiitio der Expoetialfuktio : k 2 3
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
MehrDeterminante und Resultante Azadeh Pasandi
Determiate ud Resultate 07.01.2009 Azadeh Pasadi Defiitio ud Grudeigeschafte: sei U, V, W ud Vektor-Raum über Körper F ud beachte eie Abbildug f ( u,v ) vo kartesische Produkt: f: U x V W Diese Abbildug
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrGliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
MehrKomplexe Zahlen. Gauss (1831) stellte eine strenge Theorie zur Begründung der komplexen Zahlen auf.
Komplexe Zahle Problem: x 2 + 1 = 0 ist i R icht lösbar. Zur Geschichte: Cardao 1501-1576: Auflösug quadratischer ud kubischer Gleichuge. Empfehlug: Reche z.b. mit 1 wie mit gewöhliche Zahle. Descartes
Mehr3. Anwendungen der Differentialrechnung
Talorsche Formel ud Mittelwertsatz 4 Aweduge der Differetialrechug Talorsche Formel ud Mittelwertsatz Die Gleichug der Tagete = f ( ( a die Kurve = f( im Pukt (, liefert eie grobe Näherug für die Fuktio
Mehr9. Übungsblatt Aufgaben mit Lösungen
9. Übugsblatt Aufgabe mit Lösuge Aufgabe 1: Gegebe sei die folgede Differetialgleichug 15u(x) + 3xu (x) + x u (x) = 8x 3, x > 0. (a) Gebe Sie ei reelles Fudametalsystem der zugehörige homogee Differetialgleichug
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
Mehr3. Taylorformel und Taylorreihen
Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I
MehrKomplexe Zahlen. Lernziele dieses Abschnitts sind:
KAPITEL 1 Komplexe Zahle Lerziele dieses Abschitts sid: (1) Aalytische ud geometrische Darstellug komplexer Zahle, () Grudrechearte fur komplexe Zahle, (3) Kojugatio ud Betrag komplexer Zahle, (4) Losug
Mehr5. Übungsblatt Aufgaben mit Lösungen
5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge
MehrHöhere Mathematik I für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz SS 5 7.9.5 Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zur Bachelor-Modulprüfug
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
MehrÜbungsaufgaben mit Lösungen zur Analysis und linearen Algebra
Übugsaufgabe mit Lösuge zur ud lieare Algebra Fuktioe mit eier uabhägige Variable, Folge ud Reihe ) Bilde Sie die. Ableitug der folgede Fuktioe: a) f (x) = (x 7 + 5x + 4) 0 = f (x) = 0(x 7 + 5x + 4) 9
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr A Müller-Rettkowski Dr T Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum
Mehr7 Markovketten und DNA-Sequenzen
7 MARKOVKETTEN UND DNA-SEQUENZEN 7 Markovkette ud DNA-Sequeze Hedrik Flasche 24.Mai 2012 7.1 Diskrete Markovkette Uter eier (zeitlich-)diskrete Markovkette versteht ma folgede Defiitio. (Diskrete Markovkette)
Mehr