Musterlösung: 23. Oktober 2014, 16:42
|
|
- Bernhard Abel
- vor 6 Jahren
- Abrufe
Transkript
1 Audiotechnik II Digitale Audiotechnik:. Übung Prof. Dr. Stefan Weinzierl 3..4 Musterlösung: 3. Oktober 4, 6:4 Amplitudenstatistik analoger Signale a) Ein Signal (t) hat die durch die Abbildung gegebene Wahrscheinlichkeitsdichtefunktion (WDF bzw. PDF), die durch die Punkte P ( ), P ( a) und P 3 ( ) verläuft. Wählen Sie a so, dass die durch Gl. gegebene Voraussetzung erfüllt ist. Veranschaulichen Sie sich diese Voraussetzung. p X () a p X ()d () Zunächst wird die WDF durch zwei Geradengleichungen beschrieben: { a + a, für p X () a + a, für <. Dann kann a berechnet werden: p X () d! a (a + a) d + ( a + a) d ( + ) d + ( + ) d a ( [ + a ] ( + [ + ( ] ) ) + ) a Da das Integral die Fläche unter der WDF angibt, kann a auch einfach über den Flächeninhalt eines Dreiecks der Breite und der Höhe a berechnet werden. Die Normierung von Gl. besagt, dass zu jedem Zeitpunkt eine Amplitude auftreten muss.
2 b) Berechnen Sie das lineare und quadratische Mittel von (t), sowie dessen Varianz. Der lineare Mittelwert (auch Erwartungswert. Ordnung oder. Moment genannt) ergibt sich zu: E{X} p X () d µ (( + )) d + ( + ) d + (( + )) d ( + ) d [ ] + [ ] ( + ( ) 3 ) Der quadratische Mittelwert (auch Erwartungswert. Ordnung oder. Moment genannt) ergibt sich zu: E{X } p X () d ( ( + )) d + ( 3 + ) d + ( 4 3 ( ( + )) d ( 3 + ) d [ ] + [ ] 3 ) ( ) Es zeigt sich schnell, dass die Varianz in diesem Fall gleich dem quadratischen Mittelwert ist: E{ X µ X } µ X p X () d σ p X () d E{X } Es kann aber auch allgemein gezeigt werden, dass zunächst linearer und quadratischer Mittelwert berechnet werden können, um anschlieÿend die Varianz zu berechnen (Verschiebungssatz). E { X µ X } µ p X ()d p X ()d µ X p X ()d +µ X p X ()d } {{ } E{X } } {{ } µ X } {{ } E { X } µ X + µ X E { X } µ X c) Veranschaulichen Sie, warum Signale mit einer um gerade symmetrischen WDF immer mittelwertfrei seien müssen.
3 Ist ein Signal mittelwertfrei, hat es einen Mittelwert von. Der Mittelwert ist gegeben durch: E{X} p X ()d () Abb. veranschaulicht dies. Die gerade symmetrische Wahrscheinlichkeitsdichtefunktion p X () wird mit der ungerade symmetrischen Funktion y() multipliziert. Der Flächenanteil im Bereich y < erhält dadurch ein negatives Vorzeichen, und die Flächenanteile links und rechts der y-achse heben sich gegenseitig auf. Der linear Mittelwert ist also immer Null, wenn p X () gerade symmetrisch ist. y() p X () y() p X () + Abbildung : Erwartungswert bei gerade symmetrischer WDF 3
4 Amplitudenstatistik digitaler Audiosignale Lesen Sie die Audiodatei music.wav aus dem Downloadbereich in Matlab ein. a) Welche Abtastfrequenz, Wortbreite und Länge (in Sekunden) weist die Audiosequenz auf? Wie viele Kanäle? %% a) clear; % Abtastfrequenz und Wortbreite der Audiodatei bestimmen [y,fs,bits]wavread('music'); disp( size( y, ) ); length_y length(y)/fs; % --> Fs44 --> bits6 --> Kanalfile --> 6.56 Sekunden lang b) Plotten Sie die Amplituden der Samples bis 3 für den rechten und linken Kanal. %% b) figure; plot( y( :3, : ) ); % oder: plot( y ); lim( [ 3 ] ); legend( 'linker Kanal', 'rechter Kanal' ); ylabel( '[n]' ); label( 'n' ); grid on;.8 linker Kanal rechter Kanal.6.4. [n] n c) Wie groÿ ist die Maimalamplitude des Signales für rechten und linken Kanal in db FS (db full scale)? 4
5 Fullscale bezieht sich auf ein voll ausgesteuerte.wav-file, welches einen Wertebereich von [, [ darstellen kann. Die lineare Amplitude muss also mit normiert werden, bevor der Logarithmus berechnet wird. Eine Amplitude von entspricht also db FS. %% c) % Maimalamplituden des rechten/linken Kanals in dbfs bestimmen dbfs_links *log(ma(abs(y(:,)))); %-->.778 dbfs dbfs_rechts*log(ma(abs(y(:,)))); %-->.4435 dbfs d) Wie lautet Gl. 3 für ein zeit- und wertediskretes Signal? p X ()d! (3) Das Integral wird zur Summe, die über die Wahrscheinlichkeiten der N diskreten Amplitudenstufen läuft. Die Fläche einer Amplitudenstufe ergibt sich durch Multiplikation mit der Stufenbreite. N! p X ( i ) i i e) Berechnen Sie eine WDF für die Amplituden innerhalb der Audiosequenz. Teilen Sie dafür den Amplitudenbereich in äquidistante Intervalle, berechnen Sie die Anzahl der Samples in diesen Intervallen und skalieren Sie die Verteilungsfunktion so, dass die Normierung nach Gl. 3 erfüllt ist. %% e) % WDFs der Amplituden beider Audiokanaele berechnen % normiere Flaeche der WDF auf % Absolute Haufigketen durch Auszaehlung der Amplitudenanzahl innerhalb % diskreter aequidistanter Intervalle??>Histogramm nbins; % Intervallanzahl [h, intervallmitten] hist(y,nbins); %??> zeigt Anzahl der Haeufigkeiten in den Intervallen % zwischen Ma und Min von y getrennt fuer linken und rechten Kanal; % Mittelung ueber rechten und linken Kanal h mean(h, ); % WDF durch Normierung der Flaeche des Histogramms auf : % Dazu dividiere Anzahl pro bin durch Gesamtanzahl der Samples UND % (!) Intervallbreite der Histogrammbalken intervallbreite ( ma(y(:)) + abs(min(y(:))) ) / nbins; wdf h / (sum(h * intervallbreite)); % Plot figure; plot(intervallmitten,wdf); title('wdf linker und rechter Kanal gemittelt') label('') ais([- 5]) ylabel( '$p_x()$', 'interpreter', 'late' ); grid on; 5
6 5 WDF linker und rechter Kanal gemittelt px() f ) Plotten Sie im Vergleich dazu die WDF für die Amplituden eines vollausgesteuerten Sinussignals und einer vollausgesteuerten weiÿen Rauschfolge. Erzeugen Sie hierfür ein Sekunde langes Sinussignal mit der Frequenz f khz und der Abtastfrequenz 44 Hz, sowie je eine weiÿe Rauschfolge mit normal- und gauÿverteilter Amplitude mit identischer Dauer und Abtastfrequenz wie der Sinus. Geben Sie zur Hörkontrolle alle Signale über die Audiokarte Ihres Rechners aus. Stellen Sie Ihre Hardware entsprechend leise, die Signale sind voll ausgesteuert! Matlab-Funktionen: wavread, plot, hist, ma, min, abs, rand, randn, soundsc %% f) %Plotte WDFs von Sinuston und weissem Rauschen (sec) nbins ; fs 44; n (:fs).'; % Spaltenvektor % khz Sinus f_sin ; sinus sin(n**pi*f_sin/fs); % gleichverteiltes Rauschen: sec bei fs44hz; noise_uni (rand(44,)-.5)*; % gaussverteiltes Rauschen noise_gauss randn(44,); % Absolute Haeufigkeiten [h_sin, sin_mitten] hist(sinus,nbins); [h_noise_uni, noise_uni_mitten] hist(noise_uni,nbins); [h_noise_gauss, noise_gauss_mitten] hist(noise_gauss,nbins); % Intervallbreite intervallbreite_sinus ( ma(sinus) + abs(min(sinus)) ) / nbins; intervallbreite_noise_uni ( ma(noise_uni) + abs(min(noise_uni )) ) / nbins; intervallbreite_noise_gauss ( ma(noise_gauss) + abs(min(noise_gauss)) ) / nbins; % WDF durch Normierung wdf_sinus h_sin / (sum(h_sin) * intervallbreite_sinus); wdf_noise_uni h_noise_uni / (sum(h_noise_uni) * intervallbreite_noise_uni); 6
7 wdf_noise_gauss h_noise_gauss / (sum(h_noise_gauss) * intervallbreite_noise_gauss); %Plots figure subplot(3,,) plot(sin_mitten,wdf_sinus); title('wdf Sinus') label(''), ais([- 4]) ylabel('$p_x()$', 'interpreter', 'late' ); subplot(3,,) plot(noise_uni_mitten,wdf_noise_uni) title('wdf weisses, gleichverteiltes Rauschen') label('') ais([- ]); ylabel('$p_x()$', 'interpreter', 'late' ); subplot(3,,3) plot(noise_gauss_mitten,wdf_noise_gauss) title('wdf weisses, normalverteiltes Rauschen') label('') ais([-.5]); ylabel('$p_x()$', 'interpreter', 'late' ); %% Audiowiedergabe soundsc(noise_uni, fs); soundsc(noise_gauss, fs); soundsc(sinus, fs); 4 WDF Sinus px() WDF Sek. weisses, gleichverteiltes Rauschen px() WDF Sek. weisses, normalverteiltes Rauschen.4 px()
1 Autokorrelation, Leistung und Wahrscheinlichkeitsdichtefunktion eines Sinussignals
Audiotechnik II Digitale Audiotechnik: 2. utorium Prof. Dr. Stefan Weinzierl 5. November 213 Musterlösung: 5. November 213, 18:25 1 Autokorrelation, Leistung und Wahrscheinlichkeitsdichtefunktion eines
MehrKommunikationstechnik II Wintersemester 08/09
Kommunikationstechnik II Wintersemester 8/9 Prof. Dr. Stefan Weinzierl Musterlösung: 8. Aufgabenblatt Lösung in der Rechenübung am 9.1.9 1. Aufgabe: Fehlererkennung/-korrektur Audio Symbole mit einer Länge
MehrMusterlösung: 11. Dezember 2014, 10:43. Informationstheorie und Entropiekodierung
Audiotechnik II Digitale Audiotechnik: 8. Übung Prof. Dr. Stefan Weinzierl 11.12.2014 Musterlösung: 11. Dezember 2014, 10:43 Informationstheorie und Entropiekodierung Bei der Entropiekodierung werden die
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrKommunikationstechnik II Wintersemester 07/08
Kommunikationstechnik II Wintersemester 07/08 Prof. Dr. Stefan Weinzierl Musterlösung: 2. Aufgabenblatt 1. Aufgabe: Abtastung a) Simulieren Sie mit Matlab zwei Cosinussignale der Länge 1 s mit den Frequenzen
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
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
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
MehrBachelor BEE Statistik Übung: Blatt 1 Ostfalia - Hochschule für angewandte Wissenschaften Fakultät Versorgungstechnik Aufgabe (1.1): Gegeben sei die folgende Messreihe: Nr. ph-werte 1-10 6.4 6.3 6.7 6.5
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
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
Mehr0 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
MehrTaylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe
Kapitel 9 Taylorreihen Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 1 / 25 Lernziele Taylorreihe und MacLaurinreihe Beispiele Alternative Schreibweisen Approimation der Veränderung einer
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
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
MehrSpezielle Eigenschaften der Binomialverteilung
Spezielle Eigenschaften der Binomialverteilung Wir unterscheiden: 1) die Wahrscheinlichkeitsfunktion einer diskreten Variablen 2) die Verteilungsfunktion einer diskreten Variablen. 1) Die Wahrscheinlichkeitsfunktion
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrApproximation der Binomialverteilung durch die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 4.0.007 Approimation der Binomialverteilung durch die Normalverteilung Histogramme von Binomialverteilungen sind für nicht zu kleine n glockenförmig. Mit größer
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
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
MehrTechnische Universität Ilmenau Ilmenau, Fakultät EI FG Elektronische Messtechnik. zum S e m i n a r Elektrische Messtechnik
Technische niversität Ilmenau Ilmenau,.9.9 Fakultät EI FG Elektronische Messtechnik zum S e m i n a r Elektrische Messtechnik . AFGABE a) Definieren Sie eine komplexe Zahl anhand ihrer beiden Schreibweisen,
MehrPraktikum: Digitale Signalverarbeitung (ET215) Test 1
PROFESSOR DR.-ING. MARTIN WERNER M.W. Fachbereich Elektrotechnik und Informationstechnik Hochschule Fulda Praktikum: Digitale Signalverarbeitung (ET215) Test 1 Erklärung Mit meiner Unterschrift erkläre
MehrElektrische Messtechnik, Labor Sommersemester 2014
Institut für Elektrische Messtechnik und Messsignalverarbeitung Elektrische Messtechnik, Labor Sommersemester 2014 Rechnerunterstützte Erfassung und Analyse von Messdaten Übungsleiter: Dipl.-Ing. GALLIEN
MehrStatistische Kenngrößen. Histogramm. Grundlagen zur statistischen Signalverarbeitung. Statistische Beschreibung von Audio
8.3.6 Statistische Kenngrößen Grundlagen zur statistischen Signalverarbeitung Dr. Detlev Marpe Fraunhofer Institut für achrichtentechnik HHI Histogramm Wahrscheinlichkeitsdichteverteilung Mittelwert µ
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,
MehrErwartungswert, 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
MehrMesstechnik. Gedächnisprotokoll Klausur März 2012
Messtechnik Gedächnisprotokoll Klausur 2010 24. März 2012 Basierend auf den Aufgabenstellungen von: https://docs.freitagsrunde.org/klausuren/grundlagen_der_messtechnik/gdm_2010.txt Dokument erstellt von:
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
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
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr4. Übung für Übungsgruppen Musterlösung
Grundlagenveranstaltung Systemtheorie WS 6/7 (H.S. Stiehl, AB Kognitive Systeme, FB Informatik der Universität Hamburg). Übung für Übungsgruppen Musterlösung (N. Stein, Institut für Angewandte Physik,
MehrA) Zufallszahlen, Wahrscheinlichkeitsverteilungen, Mittelwert und Standardabweichung
Tag 6: Zufallszahlen Stand: 8.9.2011 ACHTUNG: Ich hatte vergessen, die aktuelle Version des Skripts als pdf und doc hochzuladen. Falls Sie das Skript am Samstag runtergeladen haben, laden Sie die aktuelle
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrSelbsteinschätzungstest Auswertung und Lösung
Selbsteinschätzungstest Auswertung und Lösung Abgaben: 46 / 587 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: Durchschnitt: 7 Frage (Diese Frage haben ca. 0% nicht beantwortet.) Welcher Vektor
Mehr2. Eigenschaften digitaler Nachrichtensignale
FH OOW / Fachb. Technik / Studiengang Elektrotechnik u. Automatisierungstechnik Seite 2-2. Eigenschaften digitaler Nachrichtensignale 2. Abgrenzung zu analogen Signalen Bild 2.- Einteilung der Signale
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.
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 ]
MehrDemokurs. Modul Grundlagen der Wirtschaftsmathematik Grundlagen der Statistik
Demokurs Modul 31101 Grundlagen der Wirtschaftsmathematik und Statistik Kurs 40601 Grundlagen der Statistik 13. Juli 2010 KE 1 2.4 Schiefe und Wölbung einer Verteilung Seite: 53 2.4 Schiefe und Wölbung
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
MehrÜbung 3: Einfache Graphiken und Näherungen durch Regression
Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 5. Erwartungswert E und Varianz V Literatur Kapitel 5 * Storrer: (37.9)-(37.12), (38.4), (40.6)-(40.9), (41.2) * Stahel: Kapitel 5 und 6 (nur
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrDatenverarbeitung in der Geophysik. Digitalisierung, Diskretisierung
Datenverarbeitung in der Geophysik Digitalisierung, Diskretisierung Seismische Zeitreihen -> Seismogramme Samplingrate, Taktfrequenz Nyquistfrequenz zeitliche, räumliche Frequenzen Binäre Zahlendarstellung
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
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
MehrHeute. Die Binomialverteilung. Poissonverteilung. Approximation der Binomialverteilung durch die Normalverteilung
Heute Die Binomialverteilung Poissonverteilung Approximation der Binomialverteilung durch die Normalverteilung Arbeiten mit Wahrscheinlichkeitsverteilungen Die Binomialverteilung Man werfe eine Münze n
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrMarcus Hudec. Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Statistik 2 für SoziologInnen 1 Normalverteilung
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrStochastik Klasse 10 Zufallszahlen
Thema Grit Moschkau Stochastik Klasse 10 Zufallszahlen Sek I Sek II ClassPad TI-Nspire CAS. Schlagworte: Urnenmodell, Histogramm, absolute und relative Häufigkeit, Zufallsexperiment, Wahrscheinlichkeit,
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
MehrKapitel 1. Grundlagen der Statistik. 1.1 Wahrscheinlichkeit Definition über die Häufigkeit Kombinatorische Definition
Kapitel 1 Grundlagen der Statistik 1.1 Wahrscheinlichkeit Grundlegend für statistische Analysen, das heißt der Behandlung von Vorgängen mit zufälligem, unvorhersagbarem Ausgang, ist der Begriff der Wahrscheinlichkeit.
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrDas Histogramm ist glockenförmig. Es würde bei mehr als vier Fehlerquellen sich der Glockenform noch besser annähern.
10. Stetige Zufallsvariable, Normalverteilung 55 Die in den folgenden Beispielen dargestellten Verteilungen haben ungefähr Glockenform. Sie können durch die sogenannte Normalverteilung oder Gaussverteilung
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
Mehr1.3 Digitale Audiosignale
Seite 22 von 86 Abb. 1.2.12 - Wirkung der Schallverzögerung Effekte sind: Delay, Echo, Reverb, Flanger und Chorus Hört man ein akustisches Signal im Raum, dann werden die Signale von Wänden und anderen
MehrStandardnormalverteilung
Standardnormalverteilung 1720 erstmals von Abraham de Moivre beschrieben 1809 und 1816 grundlegende Arbeiten von Carl Friedrich Gauß 1870 von Adolphe Quetelet als "ideales" Histogramm verwendet alternative
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrWirkungsquantum Ein Physikprotokoll
Wirkungsquantum Ein Physikprotokoll Physik I für KEB, TFH Berlin 30. Juni 2006 Issa Kenaan 739039 Torben Zech 738845 Martin Henning 736150 Abdurrahman Namdar 739068 Inhaltsverzeichnis 1 Versuchsaufbau
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
Mehr3) Es soll ein aktives Butterworth-Tiefpassfilter mit folgenden Betriebsparametern entworfen werden: Grunddämpfung: Grenze des Durchlassbereiches:
Übungsblatt 4 1) Beim Praktikumsversuch 4 sollten Sie an das aufgebaute iefpassfilter eine Rechteckspannung mit einer Frequenz von 6 Hz anlegen: a) Skizzieren Sie grob den Verlauf der Ausgangsspannung
MehrTabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen
Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem
MehrTag 5: Suchen, Sortieren und Zufallszahlen
Tag 5: Suchen, Sortieren und Zufallszahlen Version vom 4.10.2012 A) Suchen und Sortieren Wissenschaftlichen Datenauswertung erfordert es häufig, Daten nach bestimmten Kriterien zu durchsuchen, um dann
MehrMathematik Name: Nr.4 K1 Punkte: /30 Note: Schnitt:
K Punkte: / Note: Schnitt: 9.5.6 Pflichtteil (etwa 4 min) Ohne Taschenrechner und ohne Formelsammlung (Dieser Teil muss mit den Lösungen abgegeben sein, ehe der GTR und die Formalsammlung verwendet werden
Mehr1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte. D. Horstmann: Oktober
1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte D. Horstmann: Oktober 2014 4 Graphische Darstellung von Daten und unterschiedliche Mittelwerte Eine Umfrage nach der Körpergröße
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 6
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 6 26. November 2012 Aufgabe 17 (4 Punkte): Sei X B(n, p) eine binomial verteilte Zufallsvariable, die ein Zufallseperiment mit n unabhängigen Wiederholungen
MehrMathematik LK13 Kursarbeit Musterlösung Aufgabe I:
Mathematik LK13 Kursarbeit 1 6.11.14 Musterlösung Aufgabe I: Analysis I 1. Spaß mit natürlichen Eponentialfunktionen Gegeben sind die Funktionen f ()=e ( + ) und g ( )=5 e Untersuchen Sie beide Funktionen
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrUrs Wyder, 4057 Basel Funktionen. f x x x x 2
Urs Wyder, 4057 Basel Urs.Wyder@edubs.ch Funktionen f 3 ( ) = + f ( ) = sin(4 ) Inhaltsverzeichnis DEFINITION DES FUNKTIONSBEGRIFFS...3. NOTATION...3. STETIGKEIT...3.3 ABSCHNITTSWEISE DEFINIERTE FUNKTIONEN...4
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrBerechnung von digitalen Signalen. Jonathan Harrington
Berechnung von digitalen Signalen Jonathan Harrington Analog Signale 1. Digitalisierung: Abtasten, Quantisierung Praat Digitale Zeitsignale 2. Anwendung von einem Fenster EMU-tkassp Zeitsignal-Aufteilung
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
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
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
MehrBeispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter)
Beispiel (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) 1 Ein Statistiker ist zu früh zu einer Verabredung gekommen und vertreibt sich nun die Zeit damit, daß er die Anzahl X der Stockwerke
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrÜbungsaufgaben. zahlen bis auf das 3. und 7. Element enthält. (e) Erstellen Sie einen Vektor. zahlen3, der ein Klon von
Kurzeinführung in R Prof. Dr. Andreas Behr 1. Erzeugen Sie folgende Vektoren: (a) a : {1, 3, 7} Übungsaufgaben (b) b : { Katja, Christoph, Gerald, Jurij } (c) d : {T RUE, T RUE, F ALSE} 2. Erzeugen Sie
MehrTipps und Tricks für die Abschlussprüfung
Tipps und Tricks für die Abschlussprüfung Rechentipps und Lösungsstrategien mit Beispielen zu allen Prüfungsthemen Mathematik Baden-Württemberg Mathematik-Verlag Vorwort: Sehr geehrte Schülerinnen und
MehrProbeklausur Statistik Lösungshinweise
Probeklausur Statistik Lösungshinweise Prüfungsdatum: Juni 015 Prüfer: Studiengang: IM und BW Aufgabe 1 18 Punkte 0 Studenten werden gefragt, wie viele Stunden sie durchschnittlich pro Tag ihr Smartphone
MehrWenn es sich um ein faires Spiel handeln soll, muss der Einsatz 1 betragen (2) Weniger als 3 mal Wappen ( ) 32 (3) Mindestens 1 mal Wappen ( )
R. Brinkmann http://brinkmann-du.de Seite 7.09.0 Lösungen Stochastik vermischt II Ergebnisse: E E E E4 E E6 Ergebnis Wenn es sich um ein faires Spiel handeln soll, muss der Einsatz betragen. Ergebnisse
MehrP n (k) f(k) = 1 σ 2π e ) 2. σ 2π
53 Allgemein gilt der folgende Satz. Satz 6.1 (Lokaler Grenzwertsatz von de Moivre und Laplace) Die Wahrscheinlichkeit P n (k) einer Binomialverteilung (mit der Erfolgswahrscheinlichkeit p im Einzelexperiment)
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
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
Mehr