Diskrete Mathematik 1

Größe: px
Ab Seite anzeigen:

Download "Diskrete Mathematik 1"

Transkript

1 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof Dr Alexander May M Ritzenhofen, M Mansour Al Sawadi, A Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik WS 008/09 Blatt 4 / 03 Februar 009 AUFGABE : Sei a n die Anzahl der Wörter der Länge n aus den Buchstaben 0, und, in denen nie der Buchstabe 0 zweimal hintereinander vorkommt Bestimmen Sie a 00 Stellen Sie dazu die Erzeugende Funktion auf und bestimmen eine geschlossene Darstellung von a n Die Rekursionsgleichung, die die Anzahl der Wörter der Länge n oben gegebener Form beschreibt, sieht folgendermaßen aus: a n := a n + a n, n, wobei a 0 =, a = 3 Die Herleitung wurde in den Übungen besprochen) Verwenden der Rekursionsgleichung und der Anfangsbedingungen ergibt: a n x n + 3 a n x n = n a n x n + n = x a n x n + x a n x n + 3 n ) = x a n x n + x a n x n + 3 Einsetzen von Ax) = a nx n ergibt: Ax) = xax) x + x Ax) + 3 Ax) = x = px) qx)

2 Nun bestimmen wir die Nullstellen des Polynoms im Nenner Der einfachste Weg hierzu geht in diesem Fall über das reflektierte Polynom q R x) = x x Mit der pq-formel erhält man als Nullstellen x, = ± ) Daraus ergibt sich qx) = + 3)x) 3)x) Für die Partialbruchzerlegung ergibt sich daher der folgende Ansatz: x = A + 3)x + B 3)x Wir erweitern die Brüche auf der rechten Seite so, dass wir als Hauptnenner qx) erhalten Daraus ergibt sich die Gleichung: Einsetzen von x = 3+) ergibt Einsetzen von x = 3) ergibt = A 3)x) + B + 3)x) 3 + ) + = A 3) 3 + ) ) + 0B 3 + = A 3 A = ) + = 0A + + 3) 3) )B 3 = B 3 B = Einsetzen ergibt nun: x = )x )x = ) n x n ) n x n = ) n ) 3) n x n Also gilt und damit a n = ) n ) n a 00 = ) ) 00

3 Alternativ kann man auch die Nullstellen des eigentlichen Polynoms bestimmen Die Partialbruchzerlegung und die anschließende Umwandlung zu einer Reihe werden dadurch allerdings komplizierter Hier die Fortsetzung des Ansatzes aus der Mittwochsübung: Wir betrachten das Polynom qx) = x + x und erhalten mit der pq-formel als Nullstellen x, = ± 4 ) Daraus ergibt sich qx) = )+ 3 ) 3 ) Für die Partialbruchzerlegung ergibt sich daher der folgende Ansatz: ) x = A B Wir erweitern die Brüche auf der rechten Seite so, dass wir als Hauptnenner qx) erhalten Daraus ergibt sich die Gleichung: Einsetzen von x = + 3 ergibt Einsetzen von x = + 3 ergibt = A 3 3 ) + B + 3 ) = A 3) + 0B A = = 0A + B B = Einsetzen ergibt nun: x = Um die Ausdrücke wieder in Reihendarstellung umwandeln zu können, werden die Nenner auf eine Form gebracht, dass die Formel für unendliche geometrische Reihen qn = q angewendet werden kann: x = x x 3 = 3 + 3) 3) ) n ) ) + 3 x ) + 3) ) n ) ) 3 x = = 3 ) n x n ) n ) n 3 x n ) n ) x n

4 Also gilt und damit a n = a 00 = ) n ) n 3 ) ) AUFGABE 3: Berechnen Sie die Partialbruchzerlegung von 9 45x 4x + 5x x 3 Um die Partialbruchzerlegung von px) qx) := 9 45x 4x + 5x x 3 zu bestimmen, berechnen wir zunächst die Faktorisierung von qx) Man sieht, dass q) = 0 ist, so dass wir eine Nullstelle direkt finden können Diese spalten wir durch Polynomdivision ab: x 3 +5x 4x +) : x ) = x + 3x x 3 +x ) +3x 4x +) +3x 3x) x +) x +) 0 Die Nullstellen von x +3x = )x 3x+ ) bestimmen wir mit Hilfe der pq-formel und erhalten: x, = 3 4 ± 9 = 3 4 ± 4 Daraus ergibt sich: qx) = )x )x ) = x) x)

5 Nun wird die Partialbruchzerlegung durchgeführt 9 45x 4x + 5x x 3 = A x + B x) + C x) Wir erweitern die Brüche auf der rechten Seite so, dass wir als Hauptnenner qx) erhalten Daraus ergibt sich die Gleichung: Einsetzen von x = ergibt Einsetzen von x = ergibt 9 45x = A x) + B x) + C x) x) = A + 0B + 0C 4 A = = 0A B + 0C B = 0 Einsetzen von A und B in die Originalgleichung ergibt Also gilt: 9 45x = 3 x + 3x + C 3x + x ) C = 9 45x 4x + 5x x 3 = 3 x + x) AUFGABE 4: Ein Maildienstanbieter untersucht die Effizienz seiner Spam-Regeln: Er geht davon aus, dass 40% des Mailverkehrs unerwünschte Werb s sind Er weiß außerdem, dass sein Spamfilter Spam mit einer Wahrscheinlichkeit von 95% erkennt Leider klassifiziert der Filter auch 5% der erwünschten s als Spam Wie groß ist die Wahrscheinlichkeit, dass eine gelieferte Mail tatsächlich Spam ist, wenn der Spamfilter dies anzeigt? Seien S das Ereignis, dass eine Mail Spam ist, S das Ereignis, dass eine Mail kein Spam ist, E das Ereignis, dass eine Mail als Spam klassifiziert wird und Ē das Ereignis, dass eine Mail nicht als Spam klassifiziert wird Aus der Aufgabenstellung sind folgende Wahrscheinlichkeiten bekannt: P rs) = 5 P r S) = 3 5 P re S) = 9 0 P re S) = 0

6 Gesucht ist die Wahrscheinlichkeit P rs E) Dazu berechnen wir zunächst mit der Definition der bedingten Wahrscheinlichkeit: P re S) = P re S) P rs) = 9 50 P re S) = P re S) P r S) = 3 00 Daraus ergibt sich: P re) = P re S) + P re S) = = 4 00 Nach dem Satz von Bayes gilt daher insgesamt: P rs E) = P re S) P re) = = 38 4 Es sind also % der als Spam klassifizierten Mails tatsächlich Spam AUFGABE 5: Es wird mit einem Würfel geworfen a) Wie groß ist die erwartete Anzahl von Würfen, bis zum ersten Mal eine Zahl größer 4 geworfen wird? b) Wie groß ist die erwartete Augensumme aller Würfe nach k Würfen? Und wie groß die Varianz der Augensumme? a) X sei eine Zufallsvariable, die einen Wurf mit einem Würfel beschreibt Sie nimmt den Wert an, falls die geworfene Augenzahl echt größer als 4 ist, und den Wert 0 sonst Es gilt P rx = ) = und P rx = 0) = Der Erwartungswert von X ist 3 3 EX) = P rx = 0) 0 + P rx = ) = 3 Sei Y k eine Zufallsvariable, die k Würfe mit einem Würfel beschreibt, mit Y k = k i= X = kx Es ist EY k ) = EkX) = kex) = k 3 Gesucht ist der Wert k, so dass EY k ) gilt Also k k 3 Die erwartete 3 Anzahl an Würfen, bis ein Wert größer 4 geworfen wird, ist also 3 b) Sei nun Ω = {,, 3, 4, 5, } der betrachtete Wahrscheinlichkeitsraum und X eine Laplace-verteilte Zufallsvariable über Ω Sei Y k = k i= X eine Zufallsvariable, die die Augensumme nach k Würfen beschreibt

7 Dann gilt für die erwartete Augensumme: EY k ) = EkX) = kex) = k i= P rx = i) i) = k i= i) = k = 7k Um die Varianz zu bestimmen, bestimmen wir zunächst EYk ) Es ist EYk ) = Ek X ) = k EX ) = k i= P rx = i) i = k i= i) = 9k = 7k Daraus ergibt sich: V ary k ) = EY k ) EY k) = 9k 7k

Klausur: Diskrete Strukturen I

Klausur: Diskrete Strukturen I Universität Kassel Fachbereich 10/16 13.09.01 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie

Mehr

Klausur: Diskrete Strukturen I

Klausur: Diskrete Strukturen I Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie

Mehr

KAPITEL 5. Erwartungswert

KAPITEL 5. Erwartungswert KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar

Mehr

Klausur: Diskrete Strukturen I

Klausur: Diskrete Strukturen I Universität Kassel Fachbereich 0/ 5.03.0 Dr. Sebastian Petersen Klausur: Diskrete Strukturen I Aufgabe. (8 Punkte) a) Sei X = {0, }. Geben Sie die Potenzmenge P (X) (durch Auflisten ihrer Elemente) an.

Mehr

Invertieren von Potenzreihen

Invertieren von Potenzreihen Invertieren von Potenzreihen Sei E(x) die Erzeugende Funktion der Reihe, 0, 0, 0,.... E(x) ist neutrales Element der Multiplikation von Potenzreihen. Definition Inverses einer Potenzreihe Sei A(x), B(x)

Mehr

STOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück

STOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,

Mehr

MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)

MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben) Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt

Mehr

Partialbruchzerlegung

Partialbruchzerlegung Partialbruchzerlegung Beispiel: Partialbruchzerlegung Seien g(x) = x und f (x) = 1 x x 2. f R (x) = x 2 x 1 besitzt die beiden Nullstellen 1 2 ± 1 4 + 1, d.h. φ = 1+ 5 2 und φ = 1 5 2. Damit gilt f (x)

Mehr

Diskrete Mathematik 1

Diskrete Mathematik 1 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 008/09 Blatt

Mehr

Mathematik für Sicherheitsingenieure I B

Mathematik für Sicherheitsingenieure I B Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 3.3.8 Dr. T. Pawlaschyk Mathematik für Sicherheitsingenieure I B Aufgabe. (5+8+7 Punkte a Geben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist.

Mehr

Diskrete Strukturen I

Diskrete Strukturen I Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:

Mehr

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert

Mehr

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012 Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit KAPITEL 4 KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht

Mehr

Kapitel 19 Partialbruchzerlegung

Kapitel 19 Partialbruchzerlegung Kapitel 19 Partialbruchzerlegung Mathematischer Vorkurs TU Dortmund Seite 1 / 15 Zur Erinnerung wiederholen wir Definition 4.5 [part] Es sei n N 0 und a 0, a 1,..., a n R mit a n 0. Dann heißt die Funktion

Mehr

Diskrete Mathematik 1

Diskrete Mathematik 1 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt

Mehr

2 Rechentechniken. 2.1 Potenzen und Wurzeln. Übersicht

2 Rechentechniken. 2.1 Potenzen und Wurzeln. Übersicht 2 Rechentechniken Übersicht 2.1 Potenzen und Wurzeln.............................................. 7 2.2 Lösen linearer Gleichungssysteme..................................... 8 2.3 Polynome.........................................................

Mehr

Woche 2: Zufallsvariablen

Woche 2: Zufallsvariablen Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit

Mehr

htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT Hans-Peter Hafner WS 2016/2017

htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT Hans-Peter Hafner WS 2016/2017 htw saar 1 KAPITEL 4 BEDINGTE WAHRSCHEINLICHKEIT UND STOCHASTISCHE UNABHÄNGIGKEIT htw saar 2 Gliederung 25.01. Bedingte Wahrscheinlichkeit: Motivation und Definition Multiplikationssatz Stochastische Unabhängigkeit:

Mehr

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker

Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Unabhängigkeit Prof. Dr. Achim Klenke http://www.aklenke.de 6. Vorlesung: 02.12.2011 1/30 Inhalt 1 Wahrscheinlichkeit 2 2/30 Wahrscheinlichkeit

Mehr

Statistik für Ingenieure Vorlesung 3

Statistik für Ingenieure Vorlesung 3 Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind

Mehr

Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)

Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge

Mehr

3.3 Bedingte Wahrscheinlichkeit

3.3 Bedingte Wahrscheinlichkeit 28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit

Mehr

Übungen zur Vorlesung Mathematik I für Studierende der Chemie (WS 2015/2016) Institut für Chemie und Biochemie, FU Berlin Blatt

Übungen zur Vorlesung Mathematik I für Studierende der Chemie (WS 2015/2016) Institut für Chemie und Biochemie, FU Berlin Blatt Übungen zur Vorlesung Mathematik I für Studierende der Chemie (WS 05/06) Institut für Chemie und Biochemie, FU Berlin PD Dr. Dirk Andrae Blatt 9 06--6. Bestimmen Sie die Partialbruchzerlegung von (a) x(x

Mehr

2 Zufallsvariable und Verteilungsfunktionen

2 Zufallsvariable und Verteilungsfunktionen 8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung

Mehr

Zufallsvariablen rekapituliert

Zufallsvariablen rekapituliert Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 1 / 11 1 Einleitung 2 Zufallsvariablen 3 Linearität und Varianz

Mehr

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit

Mehr

Diplom Mathematiker Wolfgang Kinzner. 17. Oktober Technische Universität München. Die abc-formel. W. Kinzner. Problemstellung.

Diplom Mathematiker Wolfgang Kinzner. 17. Oktober Technische Universität München. Die abc-formel. W. Kinzner. Problemstellung. Diplom Mathematiker Wolfgang Kinzner Technische Universität München 17. Oktober 2013 1 / 9 Inhaltsverzeichnis 1 2 / 9 Inhaltsverzeichnis 1 2 2 / 9 Inhaltsverzeichnis 1 2 3 2 / 9 Inhaltsverzeichnis 1 2

Mehr

Woche 2: Zufallsvariablen

Woche 2: Zufallsvariablen Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit

Mehr

D-CHAB Grundlagen der Mathematik I (Analysis A) HS 2015 Theo Bühler

D-CHAB Grundlagen der Mathematik I (Analysis A) HS 2015 Theo Bühler D-CHAB Grundlagen der Mathematik I Analysis A) HS 015 Theo Bühler Lösung 3 1. Führe die folgenden Polynomdivisionen mit Rest durch. a) x 3 x 5x + 5) : x 3) Lösung. Also gilt oder x 3 x 5x +5) : x 3) x

Mehr

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, den 13.0.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,

Mehr

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)

Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 18. Januar 2012 ZÜ DS ZÜ XII

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Universität Duisburg-Essen Essen, 31.01.2011 Fakultät für Mathematik M. Winkler Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Bearbeitungszeit 90 min. Die Klausur gilt als bestanden, wenn

Mehr

Mathematik macht Freu(n)de im Wintersemester 2018/19

Mathematik macht Freu(n)de im Wintersemester 2018/19 Mathematik macht Freu(n)de im Wintersemester 08/9 Markus Fulmek 08 06 9 Im folgenden wird zunächst ein kombinatorischer Gedankengang entwickelt, der mit wenigen einfachen Definitionen (samt erläuternden

Mehr

2 Polynome und rationale Funktionen

2 Polynome und rationale Funktionen Gleichungen spielen auch in der Ingenieurmathematik eine große Rolle. Sie beschreiben zum Beispiel Bedingungen, unter denen Vorgänge ablaufen, Gleichgewichtszustände, Punktmengen. Gleichungen für eine

Mehr

Klausur,,Algorithmische Mathematik II

Klausur,,Algorithmische Mathematik II Institut für angewandte Mathematik Sommersemester 017 Andreas Eberle, Matthias Erbar / Behrend Heeren Klausur,,Algorithmische Mathematik II Musterlösung 1 (Unabhängige Zufallsvariablen) a) Wir bezeichnen

Mehr

2. Klausur zu,,algorithmische Mathematik II

2. Klausur zu,,algorithmische Mathematik II IAM/INS Sommersemester 2017 Andreas Eberle, André Uschmajew 2. Klausur zu,,algorithmische Mathematik II Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang: Wichtige Hinweise:

Mehr

Lösungsskizzen zur Präsenzübung 08

Lösungsskizzen zur Präsenzübung 08 Lösungsskizzen zur Präsenzübung 08 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 015/016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 016 von:

Mehr

Partialbruchzerlegung

Partialbruchzerlegung Partialbruchzerlegung Eine rationale Funktion r mit n verschiedenen Polstellen z j der Ordnung m j, r = p q, lässt sich in der Form r(z) = f (z) + n j=1 q(z) = c(z z 1) m1 (z z n ) mn r j (z), r j (z)

Mehr

Wiederholungsklausur DWT

Wiederholungsklausur DWT LÖSUNG Wiederholungsklausur DWT Sommersemester 2008 Hinweis: Alle Antworten sind zu begründen. Insbesondere sollte bei nicht-trivialen Umformungen kurz angegeben werden, weshalb diese Umformungen erlaubt

Mehr

Planungsblatt Mathematik für die 7A

Planungsblatt Mathematik für die 7A Planungsblatt Mathematik für die 7A Woche 30 (von 18.04 bis 22.04) Hausaufgaben 1 Donnerstag 21.04: Lerne/Erledige 9.21, 9.24, 9.25, 9.26, 9.27, 9.32 und 9.33. War schon auf dem Programm, aber studiere

Mehr

Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza)

Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza) SS 2013 Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ss/dwt/uebung/ 10. Mai 2013

Mehr

Klausur zu Analysis und Wahrscheinlichkeitsrechnung

Klausur zu Analysis und Wahrscheinlichkeitsrechnung 1 Klausur zu Analysis und Wahrscheinlichkeitsrechnung WS 016/17, 5.01.017 Prof. Dr. Hans-Jürgen Steens Name: Vorname: Matrikelnummer: Die Klausur besteht aus 3 Aufgaben. Es sind maximal 00 Punkte 11 +

Mehr

Zufallsvariablen rekapituliert

Zufallsvariablen rekapituliert Zufallsvariablen rekapituliert Wolfgang Konen TH Köln, Campus Gummersbach April 2016 Mai 2017 Wolfgang Konen (TH Köln) Zufallsvariablen April 2016 Mai 2017 1 / 12 1 Einleitung 2 Zufallsvariablen 3 Linearität

Mehr

Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2

Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2 Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 2 1. Für die

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert

Mehr

Berechnungen mit dem Horner-Schema

Berechnungen mit dem Horner-Schema Berechnungen mit dem Horner-Schema Das Hornerschema kann als Rechenhilfsmittel zur Berechnung von Funktionswerten von Polynomfunktionen, zur Faktorisieriung von Polynomen alternativ zur Polynomdivision

Mehr

Übungs-Blatt 7 Wahrscheinlichkeitsrechnung

Übungs-Blatt 7 Wahrscheinlichkeitsrechnung Übungs-Blatt Wahrscheinlichkeitsrechnung BMT Biostatistik Prof. Dr. B. Grabowski Zu Aufgabe ) Ein bestimmtes Bauteil wird auf seine Zuverlässigkeit untersucht. Die technische Prüfung erfolgt dabei so:

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19

Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19 Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert

Mehr

Statistik 1 Beispiele zum Üben

Statistik 1 Beispiele zum Üben Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen

Mehr

Aufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen

Aufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),

Mehr

Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2017

Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2017 Prof. Dr. Christoph Karg 10.7.2017 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2017 Name: Unterschrift: Klausurergebnis Aufgabe 1 (10 Punkte) Aufgabe

Mehr

Lösungshinweise zur Klausur. Mathematik für Informatiker III. (Dr. Frank Hoffmann) 18. Februar 2008

Lösungshinweise zur Klausur. Mathematik für Informatiker III. (Dr. Frank Hoffmann) 18. Februar 2008 Lösungshinweise zur Klausur Mathematik für Informatiker III (Dr. Frank Hoffmann) 8. Februar 8 Aufgabe Algebraisches I /6++ (a) Rechnen Sie zunächst nach, dass die Menge B = {,, von Vektoren eine Basis

Mehr

Unabhängigkeit von Zufallsvariablen

Unabhängigkeit von Zufallsvariablen Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1 TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/ Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge zu

Mehr

Ereignis E: ist ein oder sind mehrere Ergebnisse zusammen genommen. Bsp. E = {2; 4; 6}

Ereignis E: ist ein oder sind mehrere Ergebnisse zusammen genommen. Bsp. E = {2; 4; 6} Laplace-Experimente Begriffsklärung am Beispiel eines Laplace-Würfel mit Augenzahlen (AZ) 1-6: Ergebnis: ist jeder Ausgang eines Zufallsexperimentes heißt ein Ergebnis ω dieses Zufallsexperimentes. Die

Mehr

Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr)

Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr) SS 2011 Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ss/dwt/uebung/ 30. Juni 2011 ZÜ

Mehr

Kapitel 5 Stochastische Unabhängigkeit

Kapitel 5 Stochastische Unabhängigkeit Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand

Mehr

a) Bestimmen Sie die Gleichung des Kreises in der Form x 2 +y 2 +ax+by+c = 0 und zeigen Sie, dass der Punkte A( 3 7) auf dem Kreis liegt.

a) Bestimmen Sie die Gleichung des Kreises in der Form x 2 +y 2 +ax+by+c = 0 und zeigen Sie, dass der Punkte A( 3 7) auf dem Kreis liegt. ETH-Aufnahmeprüfung Herbst 215 Mathematik II (Geometrie/Statistik) Aufgabe 1 Gegeben ist der Kreis mit Mittelpunkt M( 5 2) und Radius r = 85. a) Bestimmen Sie die Gleichung des Kreises in der Form x 2

Mehr

Hauptprüfung Abiturprüfung 2016 (ohne CAS) Baden-Württemberg

Hauptprüfung Abiturprüfung 2016 (ohne CAS) Baden-Württemberg Hauptprüfung Abiturprüfung 26 (ohne CAS) Baden-Württemberg Wahlteil Analytische Geometrie / Stochastik Hilfsmittel: GTR und Formelsammlung allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com

Mehr

TU DORTMUND Sommersemester 2018

TU DORTMUND Sommersemester 2018 Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade

Mehr

Lösungen zur Klausur A Grundkurs Mathematik für Wirtschaftswissenschaft

Lösungen zur Klausur A Grundkurs Mathematik für Wirtschaftswissenschaft Lösungen zur Klausur A Grundkurs Mathematik für Wirtschaftswissenschaft Wintersemester 29/21 16.2.21 Aufgabe A.1. Betrachten Sie die Polynomfunktion p : R R, welche durch die Abbildungsvorschrift p(x)

Mehr

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung? Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben

Mehr

$Id: integral.tex,v /05/05 14:57:29 hk Exp hk $ ln(1 + t) 2 = ln 2 ln 3 + ln 2 = ln

$Id: integral.tex,v /05/05 14:57:29 hk Exp hk $ ln(1 + t) 2 = ln 2 ln 3 + ln 2 = ln $Id: integral.tex,v.5 2009/05/05 4:57:29 hk Exp hk $ 2 Integralrechnung 2.3 Die Integrationsregeln Wir wollen noch eine letzte kleine Anmerkung zur Substitutionsregel machen. Der letzte Schritt bei der

Mehr

Klausur zur Statistik

Klausur zur Statistik Klausur zur Statistik. Hinweis: Es können 94 Punkte erreicht werden. Zum Bestehen reichen 4 Punkte sicher aus.. Hinweis: Achten Sie darauf das Ihre Rechnungen nachvollziehbar sind und geben Sie alle Schritte

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5 4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit

Mehr

Zentralübung Diskrete Wahrscheinlichkeitstheorie

Zentralübung Diskrete Wahrscheinlichkeitstheorie Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer

Mehr

Aufgabe 1 Wir werfen einen fairen Würfel einmal und ordnen den Augenzahlen Zufallsgrössen X und Y wie folgt zu:

Aufgabe 1 Wir werfen einen fairen Würfel einmal und ordnen den Augenzahlen Zufallsgrössen X und Y wie folgt zu: Mathematik II für Naturwissenschaften Dr. Christine Zehrt 21.03.19 Übung 4 (für Pharma/Geo/Bio/Stat) Uni Basel Besprechung der Lösungen: 26./27. März 2019 in den Übungsstunden Die Geo-Übungsstunde von

Mehr

Abitur 2012 Mathematik Stochastik III

Abitur 2012 Mathematik Stochastik III Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 2012 Mathematik Stochastik III Für eine Quizshow sucht ein Fernsehsender Abiturientinnen und Abiturienten als Kandidaten. Jeder Bewerber gibt in einem

Mehr

Biostatistik, Sommer 2017

Biostatistik, Sommer 2017 1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes

Mehr

Lösungsblatt zu: Gebrochen rationale, Exponential- und Logarithmus Funktionen

Lösungsblatt zu: Gebrochen rationale, Exponential- und Logarithmus Funktionen Lösungsblatt zu: Gebrochen rationale, Exponential- und Logarithmus Funktionen Das hast du schon gelernt: Aufgabe : a) Definitionsbereich TIPP: Definitionsbereich Nenner darf nicht Null werden x 0 x

Mehr

SS 2017 Torsten Schreiber

SS 2017 Torsten Schreiber 173 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Wird die Anordnung von unterschiedlichen Objekten eines Experiments untersucht, so handelt es sich um eine. Möchte man die Anzahl der möglichen

Mehr

Lösungsskizzen zur Präsenzübung 09

Lösungsskizzen zur Präsenzübung 09 Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:

Mehr

Teil A hilfsmittelfreier Teil

Teil A hilfsmittelfreier Teil Klassenarbeit GYM Klasse 0 Seite Datum: Thema: Name: Zeit: Erreichte Punkte: Note: Hilfsmittel: keine Teil A hilfsmittelfreier Teil Aufgabe : (4 Punkte) Entscheide, ob das Zufallsexperiment eine Bernoulli-Kette

Mehr

15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!

15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg! 15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................

Mehr

Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,

Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A

Mehr

7 Unabhängigkeit von Ereignissen; bedingte Wahrscheinlichkeit

7 Unabhängigkeit von Ereignissen; bedingte Wahrscheinlichkeit Übungsmaterial 7 Unabhängigkeit von reignissen; bedingte Wahrscheinlichkeit 7. Unabhängigkeit von reignissen Wir betrachten folgendes Beispiel: Zwei unterscheidbare Münzen werden geworfen. Man betrachtet

Mehr

Arbeitsblatt Gleichungen höheren Grades

Arbeitsblatt Gleichungen höheren Grades Mathematik-Service Dr. Fritsch www.math-service.de Tel. 061/776 Arbeitsblatt Gleichungen höheren Grades 1. Lösen Sie folgenden quadratischen Gleichungen mittels quadratischer Ergänzung! (a) x x + = 0 (b)

Mehr

Eindimensionale Zufallsvariablen

Eindimensionale Zufallsvariablen Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert

Mehr

Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie

Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1

Mehr

Vorkurs Mathematik 2016

Vorkurs Mathematik 2016 Vorkurs Mathematik 2016 Natürliche Zahlen Der grundlegende Zahlenbereich ist die Menge der natürlichen Zahlen N = {1, 2, 3,...}. In vielen Fällen ist es sinnvoll die Zahl 0 mit einzubeziehen: N 0 = N [

Mehr

Die Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten

Die Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 008/09 Blatt

Mehr

Statistik I für Betriebswirte Vorlesung 3

Statistik I für Betriebswirte Vorlesung 3 Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.

Mehr

Mathematik für Naturwissenschaften, Teil 2

Mathematik für Naturwissenschaften, Teil 2 Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die

Mehr

Sabrina Kallus, Eva Lotte Reinartz, André Salé

Sabrina Kallus, Eva Lotte Reinartz, André Salé Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften

Mehr

Übungsscheinklausur,

Übungsscheinklausur, Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...

Mehr

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck

Mehr

$Id: integral.tex,v /05/05 13:36:42 hk Exp $

$Id: integral.tex,v /05/05 13:36:42 hk Exp $ $Id: integral.tex,v.5 07/05/05 3:36:4 hk Exp $ Integralrechnung.4 Integration rationaler Funktionen In diesem Abschnitt wollen wir die Integration rationaler Funktionen diskutieren. Es wird sich herausstellen

Mehr

Lösen von Bruchgleichungen

Lösen von Bruchgleichungen Lösen von Bruchgleichungen Eine Bruchgleichung ist eine Gleichung wie diese hier: 3 3 6 1 2 4 = + 1 2 + 6 Ein Leitfaden zum Lösen von Gleichungen besagt: Eine Bruchgleichung löst man, indem man die Gleichung

Mehr

Brüche, Polynome, Terme

Brüche, Polynome, Terme KAPITEL 1 Brüche, Polynome, Terme 1.1 Zahlen............................. 1 1. Lineare Gleichung....................... 3 1.3 Quadratische Gleichung................... 6 1.4 Polynomdivision........................

Mehr

Stochastik Aufgaben zum Üben: Teil 2

Stochastik Aufgaben zum Üben: Teil 2 Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2

Mehr