Moderne Methoden der Datenverarbeitung in der Physik I
|
|
- Heini Klein
- vor 6 Jahren
- Abrufe
Transkript
1 Moderne Methoden der Datenverarbeitung in der Physik I Prof. Dr. Stefan Schael / Dr. Thomas Kirn I. Physikalisches Institut MAPLE II, Krypthographie Wahrscheinlichkeit Zufallszahlen, Wahrscheinlichkeitsdichten, Zentraler Grenzwertsatz Fehlerfortpflanzung Maximum Likelihood, Stichproben, Mittelwert & Varianz DV in der Physik, WS 007, 1
2 Wiederholung: Gleichförmig verteilte Zufallszahlen Generator n j+1 = (a n j + c) mod m z.b. c=0, m= und a = 4069 gibt eine Periode von (m-1) 10 9 Aufwendigere Algorithmen erlauben Perioden von Dazu werden zwei Folgen von Zufallszahlen mit je einem Generator erzeugt und durch Kombination (+,-) eine neue Zufallszahl generiert. DV in der Physik, WS 007,
3 Wiederholung: Gaußverteilte Zufallszahlen Ein einfacher, aber nur angenähert richtiger Zufallszahlengenerator für normalverteilte Zufallszahlen (Mittelwert 0.0, Standardabweichung 1.0) basiert auf dem Zentralen Grenzwert Satz: z i = 1 u j j =1 6 Die u j sind gleichverteilte Zufallszahlen zwischen 0 und 1. Normalverteilte Zufallszahlen mit Mittelwert µ und Standardabweichung σ erhält man aus der standardisierten, normalverteilten Zufallszahl z i durch x i = µ + σz i f(x) = DV in der Physik, WS 007, 1 πσ e (x -µ ) - σ 3
4 Wiederholung: Zweidimensionale Verteilungen I Die Definition der Mittelwerte und Varianzen sind nahe liegende Verallgemeinerungen des eindimensionalen Falls: x = E[ x] = xf( x, y) dxdy = xf ( x) dx y = E[ y] = yf( x, y) dxdy = yf ( y) dy V[ x] = ( x x ) f( x, y) dxdy = σ x V[ y] = ( y y ) f( x, y) dxdy = σ y Die Kovarianz zwischen x und y ist definiert als: Cxy (, ) = ( x x)( y y) f( xydxdy, ) Wir nennen zwei Variablen unkorreliert wenn C(x,y)=0 y x Zwei unkorrelierte Zufallsvariablen sind im allgemeinen nicht unabhängig! unabhängig unkorreliert aber nicht unkorreliert unabhängig DV in der Physik, WS 007, 4
5 Wiederholung: Kovarianz und Korrelation Es erweist sich häufig als bequem, anstelle der Kovarianz den Korrelationskoeffizienten zu benutzen: ρ( xy, ) = Cxy (, ) σ σ Der Korrelationskoefizient gibt ein Maß für die Abhängigkeit der Variablen x und y voneinander. Es gilt: -1.0 ρ(x,y) 1.0 x y a) ρ = b) ρ = c) ρ = 0 DV in der Physik, WS 007, 5
6 Messung gleichverteilter und Gaußverteilter Größen Sensor-Cassy Interface 4-fach galvanisch getrennt: Eingang A (I,U) Eingang B (U) Relais R Spannungsquelle S (0 16V) DV in der Physik, WS 007, 6
7 Messung gleichverteilter und Gaußverteilter Größen 5 analoge Eingänge analoge Spannungseingänge A und B: 1 Auflösung: 1 Bit ( = 4096) Messbereiche: ± 0,3/1/3/10/30/100 V Digitalisierung: ± 0,15 mv/ / 48,8mV Eingangswiderstand: 1 MΩ Abtastrate: max Werte/s (= Werte/s pro Eingang) Anzahl Messwerte: max (= 16000/ Eingang) DV in der Physik, WS 007, 7
8 Messung gleichverteilter und Gaußverteilter Größen Eingang A: 1 analoger Stromeingang : Messbereiche: ± 0,1/0,3/1/3 A Digitalisierung: ± 0,05 ma/ / 1,5 ma Eingangswiderstand: < 0,5 Ω DV in der Physik, WS 007, 8
9 Messung des Luftdrucks und der Temperatur DV in der Physik, WS 007, 9
10 Messung des Luftdrucks 1 <x>= n σ = n i=1 σ <x> = n n i=1 i x (x - < x >) σ i n-1 < p >= V p p = 977.3hPa 7.9( hpa) σ =.8hPa DV in der Physik, WS 007, 10
11 Messung der Temperatur 1 <x>= n σ = n i=1 σ <x> = n n i=1 i x (x - < x >) σ i n-1 < T >= 3.05 V T T = 0.1 σ = C C 0 C DV in der Physik, WS 007, 11
12 Transformation von Variablen, -dim Wahrscheinlichkeitsdichten Der Impuls eines Teilchens ist: p = m*v Gemessen seien: m = (1.50 +/- 0.05) kg und v = (4.0 +/- 0.) m/s Was wären <p> und σ p? f(x) = 1 πσ e (x-µ) - σ m σ v σ = = << = = 0.05 m 1.5 v 4 DV in der Physik, WS 007, 1
13 Transformation von Mittelwert und Varianz: Fehlerfortpflanzung I die Zufallsvariable x 1 mit Mittelwerte µ 1 und Varianz V 1 sei entsprechend einer Wahrscheinlichkeitsdichte f(x 1 ) verteilt. Betrachten wir zunächst eine 1-dim. Funktion y(x 1 ). Was können wir über Mittelwert und Varianz von y sagen? Dazu entwickeln wir y in einer Taylorreihe um y(µ 1 ): y yx ( ) = y( µ ) + ( x µ ) +... In erster Ordnung gilt: da E[x 1 - µ 1 ]= x 1 x = µ 1 1 E[y(x 1 )] = y(µ 1 ) DV in der Physik, WS 007, 13
14 E Fehlerfortpflanzung II Was ist die Varianz von y(x 1 )? E[( y E[y]) ] = E[y ye[y]+ E[y] ] = E[y ] E[y] + E[y] = E[y ] E[y] [ y ( x1 )] E[( x µ )] = y E y( µ 1) + ( x1 µ 1) x 1 y y = y ( µ ) + y( µ ) E[( x µ )] + E ( x µ ) x1 x x=µ 1 x=µ y y ( µ ) V σ = x1 x = µ 1 1 y y x 1 x=µ 1 1 V 1 DV in der Physik, WS 007, 14
15 Beispiel I: p=m*v E[ y( x 1 )] = y(µ 1 ) σ y y x 1 x 1 = µ 1 V 1 = y x 1 x 1 = µ 1 σ x1 Der Impuls eines Teilchens ist: p = m*v Gemessen seien: m = (1.50 +/- 0.05) kg und v = (4.0 +/- 0.) m/s Was wären <p> und σ p (σ m /m << σ v /v)? < p >= m <v >= kg m = 6.0 kg m s s σ p = dp σ dv v = m σ v = 0.09 kg m s σ p = 0.3 kg m s p = (6.0 ± 0.3) kg m s DV in der Physik, WS 007, 15
16 Fehlerfortpflanzung III die Zufallsvariablen (x 1,x ) mit Mittelwerten (µ 1, µ ) und Varianz V seien entsprechend einer Wahrscheinlichkeitsdichte f(x 1,x ) verteilt. Betrachten wir zunächst eine 1-dim. Funktion y(x 1,x ). Was können wir über Mittelwert und Varianz von y sagen? Dazu entwickeln wir y in einer Taylorreihe um y(µ 1, µ ): y y y( x, x ) = y( µ, µ ) + ( x µ ) + ( x µ ) x1 x x= µ x= µ In erster Ordnung gilt: da E[x 1 - µ 1 ]=0 und E[x - µ ]=0 E[ y(x 1, x )] = y(µ 1,µ ) DV in der Physik, WS 007, 16
17 Fehlerfortpflanzung IV Was ist die Varianz von y(x 1,x )? E [( y E [ y]) ] = E [ y ye[ y] + E [ y] ] = E [ y ] E [ y] + E [ y] = E [ y ] E [ y] y y E y x x E y x x [ ( 1, )] ( µ 1, µ ) + ( 1 µ 1) + ( µ ) x1 x y y = y ( µ 1, µ ) + y( µ 1, µ ) E[( x1 µ 1)] + E[( x µ )] E[ ( xi µ i)] = 0 x1 x x= µ x= µ y E ( x µ ) x + 1 x= µ σ y y y y E ( x µ ) E[( x1 µ 1)( x µ )] x + x1 x x= µ x= µ y y y y = V + V + V x x x x x 1 x = µ = µ x= µ x= µ x= µ DV in der Physik, WS 007, 17
18 E[y(x 1,x )] = y(µ 1,µ ) σ y = y x 1 Beispiel II: p=m*v Der Impuls eines Teilchens ist: p = m*v Gemessen seien: m = (1.50 +/- 0.05) kg und v = (4.0 +/- 0.) m/s Was wären <p> und σ p? x=µ < p >=< m > <v >= kg m = 6.0 kg m s s σ p = dp σ dm m + dp σ dv v = v σ m + m σ v σ p = 0.36 kg m s p = (6.00 ± 0.36) kg m s σ x1 + y x x=µ σ x + y x 1 x=µ y x x=µ σ x1 x DV in der Physik, WS 007, 18
19 Messung von Strom und Spannung und Bestimmung des Ohmschen Widerstandes Messbereich: I A1 = -0.1A bis 0.1 A U B1 = -10V bis 10V I U_Cassy U DV in der Physik, WS 007, 19
20 Messung von Strom und Spannung und Bestimmung des Ohmschen Widerstandes < U >= V σ = V U 1 <x>= n σ = n i=1 σ <x> = n n i=1 i x (x - < x >) σ i n-1 DV in der Physik, WS 007, < I >= I A σ = A 0
21 Messung von Strom und Spannung und Bestimmung des Ohmschen Widerstandes < U >= V σ = V U < I >= I A σ = A V < R>=< U > / < I >= / = Ω A R R 1 U R = U + I = U + I σ σ σ σ σ U I I I σ = 0.065Ω R = ( ± 0.07)Ω R DV in der Physik, WS 007, 1
22 Mehrdimensionale Wahrscheinlichkeitsdichten DV in der Physik, WS 007,
23 Mehrdimensionale Wahrscheinlichkeitsdichten II DV in der Physik, WS 007, 3
24 Fehlerfortpflanzung I DV in der Physik, WS 007, 4
25 Fehlerfortpflanzung II DV in der Physik, WS 007, 5
26 Fehlerfortpflanzung III DV in der Physik, WS 007, 6
27 Verwendete Links bzw Maple-Programme und Dateien Seite 3: 1. Link (linker grüner Pfeil): Link (rechter grüner Pfeil): Seite 9: Verwendetes Programm Cassy-Lab zur Datenaufzeichnung: Seite 10: Maple-Programme: a) Praktikum.m b) Praktikum.mws c) druck+temp.mws verwendete Datei: P_t_1b.lab und T_t_7.lab Link: Seite 18: Maple-Programm: impuls.mws Seite 19: Verwendetes Programm Cassy-Lab zur Datenaufzeichnung: Maple-Programm: U_I_Mess.mws verwendete Datei: 100R_U_I_t_c.lab Seite 1: Maple-Programm: U_I_MC.mws DV in der Physik, WS 007, 7
Messinstrumente im physikalischen Praktikum I
Messinstrumente im physikalischen Praktikum I Dr. Th. Kirn I. Physikalisches Institut B Spannungsmessung Sensor Cassy Strommessung Sensor Cassy Prinzip Strommessung i i Messvorgang darf zu messenden Strom
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrMessinstrumente im physikalischen Grundpraktikum. Dr. Th. Kirn I. Physikalisches Institut B
Messinstrumente im physikalischen Grundpraktikum Dr. Th. Kirn I. Physikalisches Institut B Messinstrumente im physikalischen Grundpraktikum Strommessung Sensor Cassy Spannungsmessung Sensor Cassy Power
MehrMessinstrumente im physikalischen Grundpraktikum. Dr. Th. Kirn I. Physikalisches Institut B
Messinstrumente im physikalischen Grundpraktikum Dr. Th. Kirn I. Physikalisches Institut B Messinstrumente im physikalischen Grundpraktikum Strommessung Sensor Cassy Spannungsmessung Sensor Cassy Power
MehrMathematik 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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung SS 18: Woche vom
Übungsaufgaben 12. Übung SS 18: Woche vom 2. 7. 6. 7. 2018 Stochastik VI: Zufallsvektoren; Funktionen von ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY231) Herbstsemester 2015 Olaf Steinkamp 36-J-22 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrStatistische Methoden
Statistische Methoden Henning Gast (RWTH Aachen University) Grundpraktikum Physik, Oktober 2014 Henning Gast (RWTH Aachen University) Statistik 1 Inhalt 1 Wahrscheinlichkeit Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrComputer in der Wissenschaft
Dr. Michael O. Distler distler@uni-mainz.de Mainz, 8. Januar 2014 Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der kleinsten
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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 ]
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
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
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 26. Juni 2009 Stetige Verteilungen, & ZGS Wiederholung Stetige Zufallsvariable Definition Eigenschaften, Standardisierung Zusammenhang von Poisson-
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b 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 ist
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 13: Woche vom
Übungsaufgaben 11. Übung SS 13: Woche vom 24. 6. 13-28. 6. 2013 Stochastik V: ZG Momente von ZG; Grenzverteilungssätze Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrModellierung von Unsicherheit in Systemen
Modellierung von Unsicherheit in Systemen Motivation Systeme Zeitdiskrete, lineare und nicht-lineare Systeme, Beispiele Wahrscheinlichkeiten Zufallsvariablen, Wahrscheinlichkeitsdichten, mehrdimensionale
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
PHY3 Herbstsemester 04 Olaf Steinkamp Physik-Institut der Universität Zürich Winterthurerstrasse 90 CH-8057 Zürich olafs@physik.uzh.ch Büro: 36-J- Tel.: 044-635.57.63 Vorlesungsprogramm Einführung, Messunsicherheiten,
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^2],{x,0,10}] 76
4. Normalverteilung Gauß'sche Glockenkurve: P(a X b) = b 1 x 1 a e dx 1 0.8 0.6 0.4 0. 4 6 8 10 Mathematica: u=5;s=1;plot[exp[-0.5((x-u)/s)^],{x,0,10}] 76 Zentraler Grenzwertsatz: Es sei X 1, X,... eine
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrVorlesung 7b. Kovarianz und Korrelation
Vorlesung 7b 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 ist
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrMehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
MehrInstitut für Statistik der LMU. FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER
Institut für Statistik der LMU FORMELSAMMLUNG 2003 zur STOCHASTIK FÜR BIOINFORMATIKER 2003 2003 Inhaltsverzeichnis 1 Elementare Wahrscheinlichkeitsrechnung 1 1.1 Die Axiome von Kolmogorov...........................
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrSind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0
Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am
MehrWahrscheinlichkeiten. Verteilungen
Wahrscheinlichkeiten. Verteilungen 2 2.1 Wahrscheinlichkeitsrechnung Das Ergebnis eines mit Zufälligkeit behafteten Versuchs nennen wir ein Ereignis. Beim Wurf einer Münze sind zwei Ereignisse möglich.
MehrRechnernutzung in der Physik
Rechnernutzung in der Physik Teil 3 Statistische Methoden in der Datenanalyse Roger Wolf 15. Dezember 215 INSTITUTE OF EXPERIMENTAL PARTICLE PHYSICS (IEKP) PHYSICS FACULTY KIT University of the State of
Mehr3.5.2 Mehrere Funktionen von einem Satz von Zufallszahlen
3.5. NICHT-LINEARE FUNKTIONEN VON ZUFALLSVARIABLEN 43 3.5. Mehrere Funktionen von einem Satz von Zufallszahlen Wir betrachten jetzt den allgemeineren Fall, dass m Funktionen g (g 1,...,g m ) von den gleichen
MehrStatistische Methoden der Datenanalyse. Übung IV
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung IV 9..203, 20..203 Anwesenheitsaufgaben Aufgabe 2 Zufallsgenerator
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrStochastik. Frank Eckert und. Thomas Huppertz Letzte Änderung:
Stochastik getext von Frank Eckert Frank.Eckert@post.rwth-aachen.de und Thomas Huppertz thuppert@fh-niederrhein.de Letzte Änderung: 4.Juli.2000 INHALTSVERZEICHNIS Inhaltsverzeichnis Kombinatorische Grundformeln
MehrWird der zeitliche Verlauf einer stochastischen Last mehrfach gemessen, so ergeben sich unterschiedliche zeitliche Verläufe.
2. Stochastische Lasten Wird der zeitliche Verlauf einer stochastischen Last mehrfach gemessen, so ergeben sich unterschiedliche zeitliche Verläufe. Jede Messung liefert eine Realisierung des stochastischen
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrFORMELSAMMLUNG STATISTIK B
Somersemester 2012 FORMELSAMMLUNG STATISTIK B Prof. Kneip / Dr. Scheer / Dr. Arns Version vom April 2012 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 2 2 Diskrete Zufallsvariablen 5 3 Stetige Zufallsvariablen
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrExperimentalphysik E1!
Experimentalphysik E1! Prof. Joachim Rädler! Paul Koza (Vorlesungsbetreuung)! Alle Informationen zur Vorlesung unter :! http://www.physik.lmu.de/lehre/vorlesungen/index.html! Fehlerrechnung! Der freie
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) 0 KIT 06.01.2012 Universität des Fabian Landes Hoffmann Baden-Württemberg und nationales Forschungszentrum
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Mai 2011 3. Schätzung von Parametern Problemstellung: Aus fehlerbehafteten Messungen möglichst genaue Ergebnisse erarbeiten zusammen mit Aussagen
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
Mehr4.1 Stichproben, Verteilungen und Schätzwerte. N(t) = N 0 e λt, (4.1)
Kapitel 4 Stichproben und Schätzungen 4.1 Stichproben, Verteilungen und Schätzwerte Eine physikalische Messung ist eine endliche Stichprobe aus einer Grundgesamtheit, die endlich oder unendlich sein kann.
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrStochastik Musterlösung 7
ETH Zürich HS 216 RW, D-MATL, D-MAVT Prof. Dr. Martin Schweizer Koordinator Calypso Herrera Stochastik Musterlösung 7 1. a) Es sind folgende zwei Eigenschaften zu zeigen: f X,Y (x, y) für alle (x, y) R
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
Mehr1.8 Mehrdimensionale Zufallsvariablen
1.8 Mehrdimensionale Zufallsvariablen 1.8 Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Schnelldurchgang unter Bezug auf das
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
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrWahrscheinlichkeitsrechnung und Statistik
6. Vorlesung - 2018 Diskrete ZG eine diskrete ZG X wird vollständig durch ihre Wahrscheinlichkeitsverteilung beschrieben ( ) x1 x X 2... x i... = p 1 p 2... p i... P(X (a, b]) = und die Verteilungsfunktion
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
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrUnabhängigkeit von Zufallsvariablen
Unabhängigkeit von Zufallsvariablen Seminar Gegenbeispiele in der Wahrscheinlichkeitstheorie Pascal Beckedorf 12. November 2012 Pascal Beckedorf Unabhängigkeit von Zufallsvariablen 12. November 2012 1
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrMessinstrumente im physikalischen Grundpraktikum SS17 Dr. Th. Kirn I. Physikalisches Institut B
Messinstrumente im physikalischen Grundpraktikum SS17 Dr. Th. Kirn I. Physikalisches Institut B Messinstrumente im physikalischen Grundpraktikum Strommessung Sensor Cassy Spannungsmessung Sensor Cassy
MehrZufallsvariablen 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
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrCharakterisierung von 1D Daten
Charakterisierung von D Daten Mittelwert: µ, Schätzung m x = x i / n Varianz σ2, Schätzung: s2 = (s: Standardabweichung) Höhere Momente s 2 = ( x i m x ) 2 n ( ) Eine Normalverteilung ist mit Mittelwert
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 2. November 2009 Poisson-Verteilung Die Poisson-Verteilung ist gegeben durch: P(r) = µr e µ r! Der Mittelwert ist: r = µ Die Varianz ergibt sich aus
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr