Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
|
|
- Elsa Baum
- vor 6 Jahren
- Abrufe
Transkript
1 TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4 Aufgabe T4. Für den Grundraum Ω {, } n aller Bitfolgen der Länge n möchte man entscheiden, ob eine konkrete Bitfolge (ω,..., ω n zufällig zustandegekommen ist, indem man die Gruppen von aufeinanderfolgenden Nullen und Einsen (sogenannte Runs betrachtet. Als Kenngröße betrachten wir die Anzahl der Runs R {k {,..., n} : ω k ω k } +. Wie groß ist die Wahrscheinlichkeit, dass bei einer zufälligen Bitfolge genau l {,..., n} Runs auftreten. Welche Verteilung versteckt sich hier? Wir definieren die Ereignisse A k : {ω Ω : ω k ω k } für k {,..., n}. Diese Ereignisse sind unabhängig und es gilt P(A k für alle k {,..., n}. Da es ( n l Möglichkeiten gibt, dass genau l der A k eintreten, erhalten wir für alle l {,..., n} P(R l P( {k {,..., n} : ω k ω k } l ( ( l ( n (l ( ( n n n. l l R ist also Binomial ( n, -verteilt, denn ( ( n n P(R l P(R l +. l Aufgabe T4. Aus einer Urne mit Kugeln der Aufschrift,..., N wird n mal gezogen und es sei X die höchste gezogene Nummer. Definieren Sie X als Zufallsvariable auf einem geeigneten Wahrscheinlichkeitsraum und bestimmen Sie ihre Verteilung, falls (i mit Zurücklegen (ii ohne Zurücklegen gezogen wird. Bei (i ist der Grundraum Ω {,..., N} n, F P(Ω und P die Gleichverteilung. Bei (ii ändert sich der Grundraum zu Ω {ω {,..., N} n ω i ω j für i j}. Die Zufallsvariable X ist in beiden Fällen die Abbildung X : Ω R, X(ω,..., ω n max i n ω i.
2 Die Verteilung von X wird dann eindeutig festgelegt durch die Wahrscheinlichkeiten P(X k P(X k P(X k P({ω Ω ω i k i} P({ω Ω ω i k i} Diese sind nur dann ungleich, falls k N gilt und in (ii zusätzlich n k. In der Situation von (i ist P({ω Ω ω i k i} {ω Ω ω i k i} Ω kn N n, so dass wir P(X k ( k N n ( k N n erhalten. Bei (ii ist P({ω Ω ω i k i} {ω Ω ω i k i} Ω ( k n ( N n, und damit P(X k (( ( k n k ( N. n n Aufgabe T4.3* (Zusatzaufgabe Sei X eine reelle Zufallsvariable auf einem Wahrscheinlichkeitsraum (Ω, F, P. Zeigen Sie, dass k, l R existieren, so dass P(X k sowie P(X l. Angenommen es gilt P(X k < für alle k R. Wir betrachten die Ereignisse A n : {ω Ω : X(ω n} für n Z. Dann ist (A n n Z eine absteigende Folge von Ereignissen (A n A n für alle n Z und es gilt Ω n Z A n. Mit der Stetigkeit des Wahrscheinlichkeitsmaßes P (Satz.6 erhalten wir ( P(Ω P n Z A n lim P(A n n }{{}, < was zu einem Widerspruch führt. Es existiert also ein k R, so dass P(X k. Angenommen es gilt P(X l < für alle l R. Analog zum ersten Teil gilt für B n : {ω Ω : X(ω n} ( P(Ω P n Z B n lim P(B n n }{{}, < was zu einem Widerspruch führt. Es existiert also ein l R, so dass P(X k.
3 Hausaufgaben: Aufgabe H4. (i Seien (Ω i, F i für i {,, 3} Ereignisräume und seien X : (Ω, F (Ω, F und X : (Ω, F (Ω 3, F 3 Zufallsvariablen. Zeigen Sie, dass X X : (Ω, F (Ω 3, F 3 eine Zufallsvariable ist. (ii Seien X, Y reelle Zufallsvariablen auf einem Ereignisraum (Ω, F. Zeigen Sie: (a (X, Y : (Ω, F (R, B(R, ω (X(ω, Y (ω ist eine Zufallsvariable. (b X + Y, X Y und min{x, Y } sind reelle Zufallsvariablen. (c Y (sin X + (cos Xe X+Y ist eine reelle Zufallsvariable. Hinweis: Sie dürfen folgende Aussage verwenden: Eine Abbildung (Ω, F (R d, B(R d ist bereits dann eine Zufallsvariable, wenn X (A F für jede Menge A der Form A (, a ]... (, a d ] mit a,..., a d R gilt. (i Sei A F 3. Es reicht zu zeigen, dass (X X (A X (X (A F gilt. Da A F 3 und X eine Zufallsvariable bezüglich F und F 3 ist, folgt X (A F. Da aber auch X eine Zufallsvariable bezüglich F und F ist, folgt hieraus X (X (A F. (ii (a Seien a, b R. Laut Hinweis reicht es zu zeigen, dass (X, Y ((, a] (, b] F gilt. Nun ist aber (X, Y ((, a] (, b] { ω Ω : (X(ω, Y (ω (, a] (, b] } {ω Ω : X(ω (, a], Y (ω (, b]} X ((, a] Y ((, b] F, da X und Y Zufallsvariablen und (, a], (, b] B(R sind. (b Die Abbildungen ρ : R R, (x, y x + y, σ : R R, (x, y x y und τ : R R, (x, y min{x, y} sind stetig und daher nach Vorlesung Zufallsvariablen bezüglich B(R und B(R. Nun ist aber X +Y ρ (X, Y, X Y σ (X, Y und min(x + Y τ (X, Y. Nach (i und (ii(a folgt hieraus die Behauptung. (c Die Abbildung φ : R R, (x, y y(sin x + (cos xe x+y ist stetig und daher laut Vorlesung eine Zufallsvariable. Analog zu (a ist folglich auch Y (sin X + (cos Xe X+Y φ (X, Y eine Zufallsvariable. Anmerkung zum Hinweis: Allgemein gilt folgendes Messbarkeitskriterium für Zufallsvariablen: Seien (Ω, F und (Ω, F zwei Ereignisräume und werde F von einem Mengensystem E P(Ω erzeugt, d. h. es gelte F σ(e. Dann ist X : Ω Ω bereits dann eine Zufallsvariable, wenn die Bedingung X (A F für alle A E erfüllt ist.
4 Dies beweist man wie folgt: Das Mengensystem A {A Ω : X (A F } bildet eine σ-algebra, die E umfasst. Da nach Definition F die kleinste σ-algebra mit dieser Eigenschaft ist, folgt F A, woraus die Behauptung folgt. Zeigt man noch, dass das Mengensystem {(, a ]... (, a d ] : a,..., a d R} die Borel-σ-Algebra auf R d erzeugt, ist die Aussage des Hinweises gezeigt. Aufgabe H4. Sei (p n n N eine Folge in [, ] mit np n α für eine Konstante α >. Weiter sei (X n n N eine Folge von Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, F, P, wobei X n Binomial(n, p n -verteilt ist. Zeigen Sie, dass für jedes k N der Limes lim n P(X n k existiert und bestimmen Sie diesen. Sei k N. Dann ist ( n P(X n k p k k n( p n n k n (n... (n k + ( k! n (np n k np n n ( pn k k n ( ( ( n n n k + (np n... n k ( np n n. n n ( p n k k! n Nach Voraussetzung gilt np n α und somit lim n p n. Wir benutzen weiter die aus der Analysis bekannte Identität lim n ( + x nn n e x für x n x und erhalten lim P(X α αk n k e n k!. Aufgabe H4.3 Sei X eine reelle Zufallsvariable mit Wahrscheinlichkeitsdichte f(x c (+xe x [, (x, x R, mit einer Konstante c R. (i Bestimmen Sie die Konstante c. (ii Berechnen Sie die Verteilungsfunktion F von X. (iii Skizzieren Sie die Dichte f und die Verteilungsfunktion F. (iv Berechnen Sie die Wahrscheinlichkeiten P(X, P( X und P(X < 5. Veranschaulichen Sie diese Wahrscheinlichkeiten in Ihrer Skizze der Dichte f. (i Nach Bermerkung 3. gilt: f(x dx c ( + xe x [, (x dx R R lim a [ ce x ] a + lim a [ cxe x ] a Folglich muss c sein. ce x dx + ce x dx c + + c c cxe x dx
5 (ii Die Verteilungsfunktion F von X ist an der Stelle x definitionsgemäß F (x P(X x ( [, (x [, (x f(y dy e y dy + ( [ e y ] x + [ ye y ] x [, (x ( e x xe x. (iii Skizze der Dichte f und der Verteilungsfunktion F : ( + ye y [, (y dy ye y dy e y dy F f (iv Die gesuchten Wahrscheinlichkeiten lassen sich mithilfe der Verteilungsfunktion berechnen: ( { P(X P } n < X lim P ( n < X n n N ( ( ( lim P X P X n n ( ( lim F ( F n n F ( F ( Im zweiten Schritten haben wir die Stetigkeit des Wahrscheinlichkeitsmaßes P ausgenutzt, vorletzten Schritt die Stetigkeit der Funktion F. Analog ist P(X sowie P(X 5 und daher P( X F ( F ( + P(X e e + e + e sowie 3 e e P(X < 5 F (5 P(X 5 e 5 5 e 5.
6 P(X P( X f P(X < Aufgabe H4.4 Das Bertrandsche Paradoxon: In einem Kreis mit Radius werde rein zufällig eine Sehne gezogen. Betrachten Sie dazu die Fälle: (i Der Sehnenmittelpunkt ist auf der Einheitskreisscheibe gleichverteilt. (ii Der Winkel, unter dem die Sehne vom Kreismittelpunkt erscheint, ist auf [, π] gleichverteilt. (iii Der Abstand der Sehne vom Kreismittelpunkt ist auf [, ] gleichverteilt. Präzisieren Sie jeweils den zugrundeliegenden Wahrscheinlichkeitsraum. Mit welcher Wahrscheinlichkeit ist die Sehne länger als die Seiten des einbeschriebenen gleichseitigen Dreiecks? Bezeichne weiter X den Abstand der zufälligen Sehne vom Kreismittelpunkt. Bestimmen Sie in allen drei Fällen die Verteilungsfunktion der Zufallsvariable X. Das Ereignis, dass die im Kreis gezogene Sehne länger ist als die Seiten des in den Kreis einbeschriebenen gleichseitigen Dreiecks, bezeichnen wir jeweils mit A. (i Wir wählen als Ergebnisraum Ω {x R : x }, als σ-algebra F B(Ω die Borel-σ-Algebra auf Ω und als Wahrscheinlichkeitsmaß P die Gleichverteilung. Das Ergebnis ω Ω soll den Mittelpunkt der Sehne beschreiben. Im so definierten Ergebnisraum lässt sich das Ereignis durch A {x Ω : x } beschreiben. Es folgt P(A λ (A λ (Ω π/4 π 4.
7 (ii Wir wählen Ω [, π], F B(Ω und die Gleichverteilung als Wahrscheinlichkeitsmaß P. Das Ergebnis ω Ω soll den Winkel beschreiben, unter dem die Sehne vom Kreismittelpunkt aus erscheint. Im so definierten Ereignisraum kann das betrachtete Ereignis beschrieben werden durch A [ π 3, π]. Es folgt P(A λ(a λ(ω π/3 π 3. (iii Wir wählen Ω [, ], F B(Ω und die Gleichverteilung als Wahrscheinlichkeitsmaß P. Das Ergebnis ω Ω soll den Abstand der Sehne vom Kreismittelpunkt beschreiben. Im so definierten Ereignisraum kann das betrachtete Ereignis beschrieben werden durch A [, ]. Es folgt P(A λ(a λ(ω /. Als nächstes bestimmen wir die Verteilungsfunktion der Zufallsvariable X in allen drei Fällen: (i Der Abstand der Sehne vom Mittelpunkt ist gegeben durch die Zufallsvariable X : Ω R, (x, y x + y. Für c [, ] ist die Verteilungsfunktion F (c P(X c P ({ (x, y R : x + y c } c π π c. Für c < gilt offenbar F (c und für c > ist F (c. (ii Der Abstand der Sehne vom Mittelpunkt ist gegeben durch die Zufallsvariable X : Ω R, x cos x. Für c [, ] ist ({ ( x } F (c P(X c P x R : cos c P([ arccos c, π] π arccos c π arcsin c. π Für c < gilt wieder F (c und für c > ist F (c. (iii Der Abstand der Sehne vom Mittelpunkt ist hier durch die Identität X : Ω R, x x gegeben. Für c [, ] ist die Verteilungsfunktion F (c P(X c P({x R : x c} c. Für c < gilt erneut F (c und für c > ist F (c.
Mengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrEinführung in die Stochastik
Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik
Einführung in die Wahrscheinlichkeitsrechnung und Statistik Jan Kallsen und Claudia Klüppelberg Zentrum Mathematik Technische Universität München WS 2005/06 Inhaltsverzeichnis Vorwort Vorbemerkungen i
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
MehrK2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte
K2 MATHEMATIK KLAUSUR 26.2.24 Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max 28 5 5 2 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 2 4 5 3 3 4 3 Punkte WT Ana A.a b A.c Summe P. (max 7 5
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Baden-Württemberg: Abitur 04 Pflichtteil www.mathe-aufgaben.com Hauptprüfung Abiturprüfung 04 (ohne CAS) Baden-Württemberg Pflichtteil Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrStatistik II - Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Christine Müller Technische Universität Dortmund
Statistik II - Elementare Wahrscheinlichkeitsrechnung Prof Dr Christine Müller Technische Universität Dortmund Sommersemester 2014 1 Literatur Henze, N (1997 Stochastik für Einsteiger Vieweg, Braunschweig
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, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSIÄ KARLSRUHE Institut für Anlysis HDoz. Dr. P. C. Kunstmnn Dipl.-Mth. M. Uhl Sommersemester 9 Höhere Mthemti II für die Fchrichtungen Eletroingenieurwesen, Physi und Geodäsie inlusive Komplexe Anlysis
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrBitte unbedingt beachten: a) Gewertet werden alle acht gestellten Aufgaben.
Mathematik I für Wirtschaftswissenschaftler Klausur für alle gemeldeten Fachrichtungen außer Immobilientechnik und Immobilienwirtschaft am 9..9, 9... Bitte unbedingt beachten: a) Gewertet werden alle acht
MehrWAHRSCHEINLICHKEITSTHEORIE I und II. Vorlesungsskript
WAHRSCHEINLICHKEITSTHEORIE I und II Wolfgang König TU Berlin und WIAS Berlin Vorlesungsskript SS 2005 und WS 2005/06 überarbeitet im WS 2008/09 kleine Korrekturen im März und Juli 2012 und im März 2013
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrSchleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015
ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 für Aufgabenpool 1 Analysis
MehrTheorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie
Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe
MehrStochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006
Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrEinführung in die Statistik für Biologen. Jörg Witte
Einführung in die Statistik für Biologen Jörg Witte 1997 Inhaltsverzeichnis 1 Endliche Wahrscheinlichkeitstheorie 3 1.1 Grundbegriffe........................ 3 1.2 Zufallsgrößen und Verteilungsfunktionen.........
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrDie Binomialverteilung
Fachseminar zur Stochastik Die Binomialverteilung 23.11.2015 Referenten: Carolin Labrzycki und Caroline Kemper Gliederung Einstieg Definition der Binomialverteilung Herleitung der Formel an einem Beispiel
MehrMathematik 1. Lösungsvorschläge zum 2. Übungsblatt
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
MehrMathematik I für Wirtschaftswissenschaftler Klausur am 08.06.2004, 15.45 17.45.
Mathematik I für Wirtschaftswissenschaftler Klausur am 8.6.4, 5.45 7.45. Bitte unbedingt beachten: a) Gewertet werden alle acht gestellten Aufgaben. b) Lösungswege und Begründungen sind anzugeben. Die
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrSchleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015
ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 Inhaltsverzeichnis Vorbemerkungen
MehrEinführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar
Einführung in die Stochastik für Informatiker Sommersemester 2000 Prof. Mathar getext von René Wörzberger rene@woerzberger.de Bilder Thorsten Uthke Review Diego Biurrun diego@pool.informatik.rwth-aachen.de
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschftsmthemtik für Interntionl Mngement (BA) und Betriebswirtschft (BA) Wintersemester 2013/14 Stefn Etschberger Hochschule Augsburg Mthemtik: Gliederung 1 Aussgenlogik 2 Linere Algebr 3 Linere
MehrMATHEMATISCHER FITNESSTEST - LÖSUNGEN. (2) Welche Menge stellt die schraerte Fläche dar?
MATHEMATISCHER FITNESSTEST - LÖSUNGEN DR. ROGER ROBYR Die Aufgaben sollten alle ohne Unterlagen und ohne programmierbare oder graphikfähige Rechner gelöst werden können. Lösung. ) Gegeben sind die Mengen
MehrLogo-Aufgaben mit Verbindung zur Mathematik
Logo-Aufgaben mit Verbindung zur Mathematik Student: Dozent: Prof. Juraj Hromkovic Datum: 13.06.007 Logo-Kenntnisse Für die Lösung der Aufgaben werden folge Logo-Befehle benötigt: Arithmetik: +, -, *,
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
Mehr( ) als den Punkt mit der gleichen x-koordinate wie A und der
ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der
MehrBei dieser Vorlesungsmitschrift handelt es sich um kein offizielles Skript!
Diskrete Stochastik für Informatiker WS003/04 Diskrete Stochastik für die Informatik Bei dieser Vorlesungsmitschrift handelt es sich um kein offizielles Skript! Bei Fragen, Anmerkungen oder Fehlern bitte
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
MehrCoupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler
Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder
MehrTechnische Mechanik 1
Ergänzungsübungen mit Lösungen zur Vorlesung Aufgabe 1: Geben Sie die Koordinaten der Kraftvektoren im angegebenen Koordinatensystem an. Gegeben sind: F 1, F, F, F 4 und die Winkel in den Skizzen. Aufgabe
MehrMini-Skript Wahrscheinlichkeitstheorie und Statistik
Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................
MehrGegeben ist die Funktion f durch. Ihr Schaubild sei K.
Aufgabe I 1 Gegeben ist die Funktion f durch. Ihr Schaubild sei K. a) Geben Sie die maximale Definitionsmenge D f an. Untersuchen Sie K auf gemeinsame Punkte mit der x-achse. Bestimmen Sie die Intervalle,
Mehr1. Übungsblatt zur Statistik II - Elementare Wahrscheinlichkeitsrechnung
. Übungsblatt zur Abgabe 6. Kalenderwoche Aufgabe (8 Punkte): A, B und C seien Teilmengen eines Ergebnisraumes Ω. Man gebe möglichst kurze mengenalgebraische Ausdrücke für das Ereignis an, dass von den
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrFür die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt.
PARAMETERFUNKTIONEN Zwei Beispiele: gsave currentpoint translate 21 4 div setlin 1 1 x = 2t 2 1 y = t < t
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
Mehr6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Beispiel 1 Zufallsexperiment 1,2,3,4,5,6 Elementarereignis
1 6.1 Grundlagen der Wahrscheinlichkeitsrechnung 6.1.1 Definitionen und Beispiele Spiele aus dem Alltagsleben: Würfel, Münzen, Karten,... u.s.w. sind gut geeignet die Grundlagen der Wahrscheinlichkeitsrechnung
MehrMusteraufgaben für das Fach Mathematik
Musteraufgaben für das Fach Mathematik zur Vorbereitung der Einführung länderübergreifender gemeinsamer Aufgabenteile in den Abiturprüfungen ab dem Schuljahr 013/14 Impressum Das vorliegende Material wurde
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
MehrGaußsche Prozesse - ein funktionalanalytischer Zugang
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Gaußsche Prozesse - ein funktionalanalytischer Zugang Bachelorarbeit in Wirtschaftsmathematik vorgelegt von Clemens Kraus am 31. Mai
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrEinführung in die. Wahrscheinlichkeitstheorie und Statistik
Institut für Mathematische Stochastik Einführung in die Wahrscheinlichkeitstheorie und Statistik (Kurzskript zur Vorlesung Wintersemester 2014/15 von Prof. Dr. Norbert Gaffke Inhaltsverzeichnis 1 Wahrscheinlichkeitsräume
MehrSangaku - Probleme. Aufgaben aus der japanischen Tempelgeometrie. ein Beitrag von Ingmar Rubin, Berlin. Abbildung 1: Ein typisches Sangaku-Problem
A B O B B G F C C N C L K Sangaku - Probleme Aufgaben aus der japanischen Tempelgeometrie ein Beitrag von Ingmar Rubin, Berlin Abbildung 1: Ein typisches Sangaku-Problem Zusammenfassung Der Beitrag beschäftigt
MehrKlausur zu Physik1 für B_WIng(v201)
M. Anders Wedel, den 13.08.07 Klausur zu Physik1 ür B_WIng(v201) Klausurdatum: 16.2.07, 14:00, Bearbeitungszeit: 90 Minuten Achtung! Es ird nur geertet, as Sie au diesen Blättern oder angeheteten Leerseiten
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
MehrBeispielaufgaben zum Pflichtteil im Abitur Mathematik ab 2014
Beispielaufgaben zum Pflichtteil im Abitur Mathematik ab 04 Schwerpunkt: grundlegendes Anforderungsniveau 0 Inhaltsverzeichnis Inhaltsverzeichnis Seite Vorbemerkungen... Aufgabenvariationen und Ergänzungen
MehrVorlesung. Komplexe Zahlen
Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrAufgaben des MSG-Zirkels 10b Schuljahr 2007/2008
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK WS 11/12 Einführung in die Informatik II Übungsblatt 2 Univ.-Prof. Dr. Andrey Rybalchenko, M.Sc. Ruslán Ledesma Garza 8.11.2011 Dieses Blatt behandelt
MehrSeminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen
Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
MehrWeitere Aufgaben Mathematik (BLF, Abitur) Hinweise und Beispiele zu hilfsmittelfreien Aufgaben
Weitere Aufgaben Mathematik (BLF, Abitur) Hinweise und Beispiele zu hilfsmittelfreien Aufgaben Aufgabe C Gegeben ist eine Funktion f durch f ( ) = + 3. Gesucht sind lineare Funktionen, deren Graphen zum
MehrGrundlagen. Wozu Wahrscheinlichkeitsrechnung? Definition und Begriff der Wahrscheinlichkeit. Berechnung von Laplace-Wahrscheinlichkeiten
Teil 2: Wahrscheinlichkeitsrechnung 326 Grundlagen Wozu Wahrscheinlichkeitsrechnung? Definition und egriff der Wahrscheinlichkeit erechnung von Laplace-Wahrscheinlichkeiten Rechnen mit einfachem Mengenkalkül
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
MehrProbestudium der Physik: Mathematische Grundlagen
Probestudium der Physik: Mathematische Grundlagen Ludger Santen 1. Februar 2013 Fachrichtung Theoretische Physik, Universität des Saarlandes, Saarbrücken 1 Einführung Die Mathematik ist die Sprache der
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
Mehr1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.
1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Zahlreiche Vorgänge in der Natur werden durch stochastische Prozesse bestimmt. Beispiele: Diffusion Spin-Spin-Wechselwirkung (Magnetisierung eines Ferromagneten, Ising-Modell)
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrBeispielaufgaben. für einen hilfsmittelfreien Prüfungsteil in der. schriftlichen Abiturprüfung Mathematik. grundlegendes Niveau
Beispielaufgaben für einen hilfsmittelfreien Prüfungsteil in der schriftlichen Abiturprüfung Mathematik grundlegendes Niveau Freie und Hansestadt Hamburg Behörde für Schule und Berufsbildung Impressum
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
Mehr