Grundbegrie der Wahrscheinlichkeitsrechnung
|
|
- Julian Kurzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Die Benutzung dieser Materialien ist auf Herbst 2017 beschränkt. Diese Hilfsmaterialien sind nur für unseren Studenten gemeint, dürfen also nicht weiterverteilt werden. Grundbegrie der Wahrscheinlichkeitsrechnung 1. Vorlesung am 04. September [1.A] Spielen mit zwei Würfeln [1.B] Die Modelle der Wahrscheinlichkeit [1.C] Fünf Modelle für zwei Würfeln [1.D] Die Kolmogorov'sche Axiome [1.E] Folgerungen von den Axiomen [2.A] Bedingte Wahrscheinlichkeit [2.B] Unabhängige Ereignisse [1.A] Spielen mit zwei Würfeln Wir werden die folgenden Fragen untersuchen. In der ersten Frage werfen wir mit einem Würfel, zweimal nacheinander. Wir beobachten die Summe der geworfenen Augenzahlen. Unsere erste Frage ist: Was ist die Wahrscheinlichkeit, dass diese Summe gröÿer als 8 ist? Das richtige Ergebnis ist leicht zu nden: Ein Doppelwurf bedeutet 6 6 = 36 verschiedene Möglichkeiten. Die Wahrscheinlichkeit aller einzelnen Fälle ist der gleiche: 1/36. Die Summe ist mehr als 8, wenn die Summe entweder 9, 10, 11 oder 12 ist. Wir können die Summe 12 als Summe mit zwei 6-er Würfe erreichen: 12 = Die Summe 11 ist auf zwei Arten erhältlich: 12 = = Die Summe 10 kann auf drei verschiedenen Arten erreicht werden:12 = 6+4 = 5+5 = 4+6 Die 9 als Summe kommt auf vier Arten vor: 9 = = = = Sie ergeben insgesammt =10 verschiedene Möglichkeiten. Also, für den Doppelwurf ist die Wahrscheinlichkeit, dass die Summe der Augenzahlen gröÿer als 8 ist, beträgt 10/36 28%. Damit haben wir die Frage beantwortet.
2 Das Problem ist zwar gelöst, wir sind aber nicht sicher, ob unsere Denkweise richtig war. Darum haben wir 5 neue Fragen. Frage 1. Warum haben wir die Möglichkeit zweimal 5 nur einmal gezählt und die Möglichkeit einmal 5 und einmal 6 zweimal gezählt? Unsere Lösung ist gut, die ausführliche Erklärung folgt später. Frage 2. Wie ändert sich das Ergebnis, falls wir statt einen Würfel zweimal zu werfen, zwei Würfel gleichzeitig, aber nur einmal werfen? Eigentlich ist diese Frage nicht eindeutig. Darum muss erst die nächste Frage geklärt werden. Frage 3. Ist es wichtig, wenn wir zwei Würfel werfen, ob die zwei Würfel unterscheidbar sind? Die zwei Würfel wissen nicht, ob wir sie unterscheiden können oder nicht. Das heisst, dass die Wahrscheinlichkeit davon nicht abhängen kann, ob wir zwischen den beiden Würfeln unterscheiden wollen oder nicht. Frage 4. Ist das Verhalten der Würfe zufällig, oder nicht? Kann es sein, dass dieses Verhalten tatsächlich deterministisch ist, aber ich es zufällig empnde, weil ich nicht genug Informationen habe? Diese Frage hat eine weitreichende Literatur. Kurz zusammengefasst, es ist üblicherweise angenommen, dass für Würfeln das stohastische Modell geeignet ist. Frage 5. Welches Modell ist geeignet? Zum Beispiel, unserem Modell entspricht, dass die Wahrscheinlichkeit aller 36 möglichen Elementarereignisse die gleiche ist. Aber, wir werden bald noch 3 weitere Modelle aufbauen, welche auch geeinet sind. Alle dieser 4 Modelle basieren auf dem Konzept des Urzufallmodells. Zum Zerstreuen der Zweifel, bauen und benutzen wir sogenannte Wahrscheinlichkeitsmodelle. Mit solcher Modelle können wir alle Probleme ohne Zweifel exakt beschreiben und lösen.
3 [1.B] Die Modelle der Wahrscheinlichkeit Die Struktur für die Analyse eines Zufallsvorgangs ist einen Wahrscheinlichkeitsraum (Ω, A, P. Zu diesem stochastischen Modell gehört eine Menge Ω, deren Elemente die möglichen Ausgänge des Zufallsvorgangs umfassen. Die Menge Ω wird als Ereignisraum oder Merkmalsraum bezeichnet, die Elemente ω von Ω heiÿen Elementarereignisse oder Merkmale. Ereignisse werden als Teilmengen von Ω modelliert. Ein Teilmenge A von Ω ist ein Ereignis genau dann, wenn A ein Element vom Ereignissystem A ist. Die Elemente des Ereignissystems A sind die Ereignisse. Wird bei einem Zufallsvorgang ein ω Ω Elementarereignis beobachtet, und dieses ω ist ein Element vom Ereignis A, so ist das Ereignis A eingetreten. Jedes Elementarereignis ω Ω erzeugt eine einelementige Teilmenge {ω} Ω. Es ist auch möglich, dass ω als einelementige Menge nicht im Ereignissystem A enthalten ist. Das Ereignissystem A enthält nicht unbedingt alle Teilmengen vom Ereignisraum Ω. Der Zweck der aktuellen Modellierung entscheidet welche Teilmengen des Ereignisraumes in das Ereignissystem aufgenommen werden. Die Mengenfunktion P : A [0, 1] R des Wahrscheinlichkeitsraumes ordnet dem Ereignis A eine Wahrscheinlichkeit P (A zu. Die Wahrscheinlichkeit, dass ein Ereignis A während eines Zufallsvorgangs eintritt, ist P (A. Solch eine Abbildung heiÿt Wahrscheinlichkeitsmaÿ. Es besteht ein Unterschied zwischen dem Elementarereignis ω Ω und dem Ereignis {ω} A. Ein ω Ω selbst besitzt keine Wahrscheinlichkeit, sondern nur das Ereignis {ω} A kann eine haben. Nur zu Ereignissen, welche zum Ereignissystem A gehören, werden Wahrscheinlichkeiten zugeordnet.
4 [1.C] Fünf Modelle für zwei Würfeln Es gibt unendlich viele (Ω, A, P Modelle, die unser Problem beschreiben können. Diese Modelle unterscheiden sich von der praktischen Seite: das eine Modell ist einfach vorzubereiten, aber es ist schwer zu verwenden, ein anderes Modell ist kompliziert aufzubauen, aber es ist leicht anzuwenden, ein weiteres Modell enthält überüssige Teile. Est hängt von uns ab, welches Modell wir wählen. Schauen wir jetzt 5 verschiedene Modelle für den Fall der zwei Würfe vom Anfang der Vorlesung an! Erstes Modell Der Ereignisraum Ω 1 vom ersten Modell besteht aus 36 Elementarereignissen: Ω 1 = {1, 2, 3, 4, 5, 6} {1, 2, 3, 4, 5, 6} = {(1, 1, (1, 2, (1, 3, (1, 4, (1, 5, (1, 6, (2, 1, (2, 2,..., (3, 1,..., (6, 6} Das Ereignissystem A 1 ist als die Potenzmenge von Ω 1 gewählt: A 1 = { A A Ω 1 } Das Wahrscheinlichkeitsmaÿ P 1 basiert auf der Annahme, dass der Würfel faire (gerecht ist, und das Resultat eines Wurfes unabhängig vom Resultat der anderen Würfe ist. Gemäÿ dieser Annahmen: P 1 ({ω} = P 1 ({ω } für belibige zwei einelementigen Ereignisse P 1 ({ω} = 1/36 wegen der Mächtigkeit Ω 1 = 36 P 1 (A = A /36 für alle Ereignisse 10/36 ist die Wahrscheinlichkeit, dass die gesuchte Summe gröÿer als 8 ist, weil das entsprechende Ereignis ein 10-elementige Teilmenge der Menge Ω 1 ist. Zweites Modell Das vorige Modell is ein bisschen zu groÿ, das Ereignissystem A 1 hat 2 36 Ereignisse < 2 12 = Auf gleicher Weise, wie beim vorigen Modell, kann man ein viel kleines Modell bauen, welche nur 2 11 Ereignisse hat. Ω 2 = Ω 1
5 Der Ereignisraum ist derselbe geblieben, jetzt werden aber nicht alle Teilmengen in das Ereignissystem A 2 aufgenommen. Sicherlich brauchen wir das gefragte Ereignis, gekennzeichnet mit F 8. { } F 8 = (x, y (x, y Ω 2 und 8 < x + y Weil die Wahrscheinlichkeit von F 8 von den einelementigen Teilmengen abgeleitet werden kann, brauchen wir auch die folgenden 10 einelementigen Ereignisse: E ω = {ω} für jede elemente ω von F 8 Schlieÿlich, weil das Ereignissystem eine boolesche Algebra sein soll, benutzen wir das folgende Ereignissystem A 2 : A 2 = { T T F 8 } { T (Ω 2 \ F 8 T F 8 } A 2 = = 2 11 Das Wahrscheinlichkeitsmaÿ P 2 ist ähnlich zu P 1 : P 2 (A = P 1 (A für jede A A 2 A 1 So ist es nicht überraschend, dass wir dasselbe Ergebnis bekommen, wie beim ersten Modell: P 2 (F 8 = 10/36. Drittes Modell Dieses Modell enthält nicht, welche von den beiden Würfen zum Beispiel 5 und welcher 4 wurde. Enthalten (im Modell ist nur, dass wir einmal 4 und einmal 5 geworfen haben. { } Ω 3 = [x, y] x y und x, y {1, 2, 3, 4, 5, 6} Ω 3 = 21 A 3 = { A A Ω 3 } A 3 = 2 21 Bei diesem Modell, ist das Wahrscheinlichkeitsmaÿ P 3 kompliezierter: P 3 ({[x, x]} = 1/36 x {1, 2, 3, 4, 5, 6} P 3 ({[x, y]} = 2/36 x < y und x, y {1, 2, 3, 4, 5, 6} ( ({ } P 3 G 8 = P 3 [x, y] [x, y] Ω 3 und 8 < x + y = { } P 3 ([x, y] [x, y] Ω3 und 8 < x + y = P 3 ([3, 6]+ P 3 ([4, 5]+ P 3 ([4, 6]+ P 3 ([5, 5]+ P 3 ([5, 6]+ P 3 ([6, 6] = 2/36 + 2/36 + 2/36 + 1/36 + 2/36 + 1/36 = 10/36
6 Viertes Modell Immerhin... uns interessiert eigentlich nur die Augenzahlsumme. Deshalb ist ein 11-elementiges Ω 4 genügend. Ω 4 = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} Ω 4 = 11 A 4 = { A A Ω 4 } A 4 = 2 11 In diesem Fall ist aber das Wahrscheinlichkeitsmaÿ P 4 noch komplizierter. P 4 ({2} = 1/36 P 4 ({3} = 2/36 P 4 ({4} = 3/36. P 4 ({7} = 6/36 P 4 ({8} = 5/36. P 4 ({12} = 1/36 ({ } P 4 (H 8 = P 4 x x Ω 4 und 8 < x = { } P 4 ({x} x Ω 4 und 8 < x = P 4 ({9} + P 4 ({10} + P 4 ({11} + P 4 ({12} = 4/36 + 3/36 + 2/36 + 1/36 = 10/36 Fünftes Modell = Fleiÿarbeit 1.1 Dieses Modell ist ein verrücktes Modell, es enthält überüssige Teile. Nehmen wir an, dass die Wahrscheinlichkeit, dass ein Wurf nicht auf dem Tisch bleibt, ist 1/100. Lass uns vom ersten Modell herauskommen! Erweiteren wir dieses Modell mit einer überüssigen Information: die Zahl der Würfe, bei welchem der Würfel nicht auf dem Tisch bleibt. Diese Zahl kann 0, 1 oder 2 sein. Schreiben Sie auf, wie (Ω 5, A 5, P 5 aussieht. Geben Sie die alle Elemente vom Ereignis an, bei welchen die Summe der Augenzahlen gröÿer als 8 ist. Überprüfen Sie, dass dieses Modell ebenfalls das Ergebnis 10/36 ergibt.
7 [1.D] Die Kolmogorov'sche Axiome Andrei Nikolajewitsch Kolmogorow war ein sowjetischer Mathematiker. Sein Familienname Kolmogorov hat drei verschiedenen Schreibweisen: Kolmogoro Kolmogorow Kolmogorov... damals hat er seinen Namen auf dieser Weise benutzt... nach der akademischen Rechtschreibung... so wird sein Name im Alltag geschrieben Er war einer der bedeutendsten Mathematiker des 20. Jahrhunderts. Er wurde im Jahre 1903 geboren, und starb im Jahre 1987, in Moskau. Seine bekannteste mathematische Leistung war die Axiomatisierung der Wahrscheinlichkeitstheorie. In den Jahren zwischen 1931 und 1933 hat Kolmogorow gelegt. die maÿtheoretische Fundierung der modernen Wahrscheinlichkeitstheorie Die Urquelle der modernen Wahrscheinlichkeitstheorie wurde in deutscher Sprache geschrieben. Die von Kolmogorow aufgestellten sechs Axiome führen zum Begri des Wahrscheinlichkeitsfeldes als Triplett (Ω, A, P. Dieses Modell besteht aus einer, in heutiger Sprechweise, Mengenalgebra A über einer beliebigen nichtleeren Menge Ω, und aus einem auf A denierten Wahrscheinlichkeitsmaÿ P. Die Mengenalgebra A ist eine boolesche Algebra von ausgewählten Teilmengen der Ω enthält das sicheres Ereignis Ω, und das unmögliches Ereignis, die Nullmenge ist auch eine σ-algebra, das heiÿt, dass die Vereinigung von abzählbar vielen ihrer Teilmengen auch in der Mengenalgebra enthalten ist Das Wahrscheinlichkeitsmaÿ P ist eine Abbildung von A nach [0, 1] R erfüllt P (Ω = 1 ist additiv, das heiÿt, dass P (A B = P (A + P (B für Ereignisse, welche disjunkt sind ist auch σ-additiv, das heiÿt, dass das Wahrscheinlichkeitsmaÿ nicht nur für zwei, sondern auch für abzählbar viele Teilmengen additiv ist. Zeichen + und wird in der Fachliteratur oft anstelle von beziehungsweise verwendet. Zum Beispiel: P (A + B = P (A ( + P (B für Ereignisse die disjunkt sind, oder für mehrere Ereignisse: P i=0 A i = i=0 P (A i.
8 [1.E] Folgerungen von den Axiomen Die trivialen Ereignisse Die A A Ereignisse für welche P (A = 0 oder P (A = 1 gilt, sind die trivialen Ereignisse. P (A = 0 oder P (A = 1 P (A (P (A 1 = 0 (P (A 2 = P (A Aus P (A = 0 folgt nicht, dass A =, und aus P (A = 1 folgt nicht, dass A = Ω. Zum Beispiel, wählen wir eine reelle Zahl ξ auf dem Intervall [0, 2π mit einer konstanten Wahrscheinlichkeitsdichte. Dann es ist nicht unmöglich, dass diese gewählte Zahl ξ eine ganze Zahl wird. Aber die Wahrscheinlichkeit von diesem Ereignis ist Null. Es ist nicht sicher, daÿ diese gewählte Zahl ξ is eine nicht ganze Zahl wird. Aber die Wahrscheinlichkeit dieses Ereignisses ist 1. Folgerung 1. Für die leere Menge A gilt P ( = 0. Das heiÿt: die Wahrschenlichkeit des unmöglichen Ereignisses ist gleich Null. Der Beweis ist ganz einfach: P (Ω = P ( Ω Folgerung 2. weil Ω = Ω = P (Ω + P ( weil Ω = 0 = P (..., genau, was wir beweisen wollten. P (A \ B = P (A P (A B gilt für jede zwei beliebige Ereignisse. ( P (A = P (A \ B (A B weil A = (A \ B (A B = P ( A \ B + P ( A B weil (A \ B (A B = P (A \ B = P (A P (A B nach Umstellung der Gleichung Folgerung 3. P (A B = P (A P (A B + P (B ( P (A B = P (A \ B B gilt für jede zwei beliebige Ereignisse. weil A B = (A \ B B = P ( A \ B + P ( B weil (A \ B B = = P (A P (A B + P (B wegen Folgerung 2. Folgerung 4. = Fleiÿarbeit 1.2 Finden Sie die Verallgemeinerung der dritten Folgerung für P (A B C.
Data 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
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
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:
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
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
MehrStatistik 1: Einführung
Seite Stat- Statistik : Einführung Die mathematische Disziplin der Stochastik, die die Teilgebiete Wahrscheinlichkeitstheorie und mathematische Statistik umfaßt, beschäftigt sich mit der Beobachtung, Aufzeichnung
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
Mehr15.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit
5.3 Bedingte Wahrscheinlichkeit und Unabhängigkeit Einführendes Beispiel ( Erhöhung der Sicherheit bei Flugreisen ) Die statistische Wahrscheinlichkeit, dass während eines Fluges ein Sprengsatz an Bord
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
MehrNotizen zu "Mathematische Grundlagen der Finanzwirtschaft"
Notizen zu "Mathematische Grundlagen der Finanzwirtschaft" PD Dr. habil. Thomas Kalmes Sommersemester 5 Version vom 5. Juli 5 Einleitung 2 Einleitung Ich kam zu der Überzeugung, dass mathematische Analysis
MehrMengensysteme, 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
Mehr6 Mehrstufige zufällige Vorgänge Lösungshinweise
6 Mehrstufige zufällige Vorgänge Lösungshinweise Aufgabe 6.: Begründen Sie, warum die stochastische Unabhängigkeit zweier Ereignisse bzw. zufälliger Vorgänge nur ein Modell der Realität darstellen kann.
MehrSkript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle
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.
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
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
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 1 Wahrscheinlichkeit Literatur Kapitel 1 * gelegentlich lesen: Statistik in Cartoons: Kapitel 1 und 2 (diese Fragen behandle ich in meiner Vlsg nicht) *
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
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrP X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1
Übungen zur Stochastik - Lösungen 1. Ein Glücksrad ist in 3 kongruente Segmente aufgeteilt. Jedes Segment wird mit genau einer Zahl beschriftet, zwei Segmente mit der Zahl 0 und ein Segment mit der Zahl
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
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
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
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrDer Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
MehrBedingte Wahrscheinlichkeit
Bedingte Wahrscheinlichkeit In einem Laden ist eine Alarmanlage eingebaut. Bei Einbruch gibt sie mit 99%-iger Wahrscheinlichkeit Alarm. Wenn in einer bestimmten Nacht kein Einbruch stattfindet, gibt sie
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrÜbungsaufgaben Wahrscheinlichkeit
Übungsaufgaben Wahrscheinlichkeit Aufgabe 1 (mdb500405): In einer Urne befinden sich gelbe (g), rote (r), blaue (b) und weiße (w) Kugel (s. Bild). Ohne Hinsehen sollen aus der Urne in einem Zug Kugeln
MehrLehrstuhl IV Stochastik & Analysis. Stochastik I. Wahrscheinlichkeitsrechnung. Skriptum nach einer Vorlesung von Hans-Peter Scheffler
Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik I Wahrscheinlichkeitsrechnung Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 8. November 00 Gesetzt
MehrAufgabe 2.1. Ergebnis, Ergebnismenge, Ereignis
Aufgabe 2. Ergebnis, Ergebnismenge, Ereignis Ergebnis und Ergebnismenge Vorgänge mit zufälligem Ergebnis, oft Zufallsexperiment genannt Bei der Beschreibung der Ergebnisse wird stets ein bestimmtes Merkmal
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
MehrMATHEMATIK UND VERSICHERUNGEN EINE ALLIANZ FÜRS LEBEN. Mitglied im DFG-Forschungszentrum Mathematik für Schlüsseltechnologien
MATHEMATIK UND VERSICHERUNGEN EINE ALLIANZ FÜRS LEBEN Teilnehmer: Thomas Benkert Sebastian Flach Wolfgang Schmidt Philip Wanninger Sebastian Schubert Gruppenleiter: Peggy Daume Graf-Münster-Gymnasium Graf-Münster-Gymnasium
MehrKnut Bartels / Hans Gerhard Strohe. Arbeitsblätter. zur Vorlesung im Wintersemester 2005/06. Statistik II Induktive Statistik
Knut Bartels / Hans Gerhard Strohe Arbeitsblätter zur Vorlesung im Wintersemester 2005/06 Induktive Statistik Dies ist kein Vorlesungsskript Wirtschafts- und Sozialwissenschaftliche Fakultät Lehrstuhl
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 +
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
MehrTheoretische Informatik
Theoretische Informatik für die Studiengänge Ingenieur-Informatik berufsbegleitendes Studium Lehramt Informatik (Sekundar- und Berufsschule) http://theo.cs.uni-magdeburg.de/lehre04s/ Lehrbeauftragter:
MehrSprechen wir über Zahlen (Karl-Heinz Wolff)
Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,
MehrStatistische Verfahren in der Computerlinguistik. Einführung in die Computerlinguistik Sommersemester 2009 Peter Kolb
Statistische Verfahren in der Computerlinguistik Einführung in die Computerlinguistik Sommersemester 2009 Peter Kolb Übersicht Statistische vs. symbolische Verfahren in der CL Statistik beschreibende Statistik
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
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrAufgabe 3: Übersetzen Sie die folgenden natürlich-sprachlichen Aussagen in die Sprache der
Aufgabe 1: Sind die folgenden Abbildungen jeweils injektiv, surjektiv und/oder bijektiv? (a) f 1 (x) = x, mit f 1 : R + R + (b) f (x) = x, mit f : R R (c) f 3 (x) = x, mit f 3 : R R (d) f 4 (x) = 3x, mit
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.
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
Mehr(für Grund- und Leistungskurse Mathematik) 26W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP
.RPELQDWRULN (für Grund- und Leistungsurse Mathemati) 6W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP Nach dem Studium dieses Sripts sollten folgende Begriffe beannt sein: n-menge, Kreuzprodut, n-tupel Zählprinzip
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
MehrDer vierseitige DNA-Würfel
Der vierseitige DN-Würfel enomische Datenanalyse 2. Kaitel In der letzten Vorlesung haben wir mit statistischen Untersuchungen an der humanen enomsequenz die Islands entdeckt. Normale enomsequenz meidet
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 5, Donnerstag, 20. November 2014 (Wie baut man eine Hash Map, Universelles Hashing)
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
Mehr3.8 Wahrscheinlichkeitsrechnung III
3.8 Wahrscheinlichkeitsrechnung III Inhaltsverzeichnis ufallsgrössen Der Erwartungswert 3 3 Die Binomialverteilung 6 4 Die kumulierte Binomialverteilung 8 4. Die Tabelle im Fundamentum (oder Formeln und
MehrProgrammiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrStatistik und Wahrscheinlichkeitsrechnung
Einführung Statistik und Wahrscheinlichkeitsrechnung Lukas Meier Teilweise basierend auf Vorlesungsunterlagen von Marloes Maathuis, Hansruedi Künsch, Peter Bühlmann und Markus Kalisch. Fehler und Anregungen
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrGibt es verschiedene Arten unendlich? Dieter Wolke
Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrStatistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.
1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses
MehrWarteschlangen. Vier Doppelstunden in der Carl-Bantzer-Schule Ziegenhain von Johannes Becker
Warteschlangen Vier Doppelstunden in der Carl-Bantzer-Schule Ziegenhain von Johannes Becker Inhaltsverzeichnis 1. Einleitung...1 2. Aufgaben...2 3. Simulation einer Warteschlange mit dem Würfel...2 4.
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrDas Kugel-Fächer-Modell - Arbeitsblätter rür den Unterricht
38 Das Kugel-Fächer-Modell - Arbeitsblätter rür den Unterricht Heinz Klaus Strick, Leverkusen In (Strick 1994) wurde dargestellt, wie Aufgaben vom Typ "Geburtstagsproblem", "Rosinenproblem", "Problem der
MehrHans Irtel. Entscheidungs- und testtheoretische Grundlagen der Psychologischen Diagnostik
Hans Irtel Entscheidungs- und testtheoretische Grundlagen der Psychologischen Diagnostik Universität Mannheim 1995 Vorwort Dieses Buch ist ein Kompendium grundlegender Konzepte der Test- und Entscheidungstheorie,
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
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
MehrVariationen Permutationen Kombinationen
Variationen Permutationen Kombinationen Mit diesen Rechenregeln lässt sich die Wahrscheinlichkeit bestimmter Ereigniskombinationen von gleichwahrscheinlichen Elementarereignissen ermitteln, und erleichtert
MehrEinführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS
Einführung in die schließende Statistik - Von der Wahrscheinlichkeit zur Hypothese mit Beispielen in R und SPSS Version 0.9 (7.5.204) Haiko Lüpsen Universität zu Köln Regionales Rechenzentrum (RRZK) Kontakt:
Mehr6.4 Bedeutungsaspekte ausgewählter Begriffe 6.4.1 Zahlbegriffe und Rechenoperationen
6.4 Bedeutungsaspekte ausgewählter Begriffe 6.4.1 Zahlbegriffe und Rechenoperationen a) Natürliche Zahl Entspricht Bedeutung des Wortes ZAHL beim Schüler bis Kl. 5 Bedeutungen entwickeln sich durch entsprechende
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrStefan Lucks Krypto und Mediensicherheit (2009) 4: Stromchiffren
4: Stromchiffren Zwei Grundbausteine der symmetrischen Kryptographie: Stromchiffren Verschlüsseln beliebig langer Klartexte, interner Zustand Blockchiffren Verschlüsseln von Blocks einer festen Größe,
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrReelle Zahlen. Mathematische Grundlagen Lernmodul 4. Stand: Oktober 2010
Mathematische Grundlagen Lernmodul 4 Reelle Zahlen Stand: Oktober 200 Autoren: Prof. Dr. Reinhold Hübl, Professor Fakultät für Technik, Wissenschaftliche Leitung ZeMath, E-Mail: huebl@dhbw-mannheim.de
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
Mehr13. Abzählen von Null- und Polstellen
13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.
MehrElementare statistische Methoden
Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel
MehrMathematik-Dossier. Die lineare Funktion
Name: Mathematik-Dossier Die lineare Funktion Inhalt: Lineare Funktion Lösen von Gleichungssystemen und schneiden von Geraden Verwendung: Dieses Dossier dient der Repetition und Festigung innerhalb der
Mehr5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56
5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten
MehrTrainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes
Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Aufgabe 1: Wetterbericht Im Mittel sagt der Wetterbericht für den kommenden Tag zu 60 % schönes und zu 40% schlechtes
MehrVersuch: Zufälliges Ziehen aus der Population
Wahrscheinlichkeit Ein Test diagnostiziert Kranke zu 99% richtig Gesunde zu 90% richtig 5% der Bevölkerung ist krank? Wie wahrscheinlich ist es, dass jemand krank ist, wenn der Test dies diagnostiziert?
MehrEinführung in die Stochastik. Dr. Lothar Schüler
Einführung in die Stochastik für Studierende der Informatik im Bachelorstudiengang TU Braunschweig SS 2007 Dr. Lothar Schüler Institut für Mathematische Stochastik Technische Universität Braunschweig Pockelsstr.
MehrMathematik I Internationales Wirtschaftsingenieurwesen
Mathematik I Internationales Wirtschaftsingenieurwesen Integralrechnung 03.12.08 Das unbestimmte Integral/Stammfunktion Das bestimmte Integral/Flächenberechnung Integral als Umkehrung der Ableitung Idee:
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
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.........
MehrVorlesung Theoretische Informatik
Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester
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
Mehr3 Quellencodierung. 3.1 Einleitung
Source coding is what Alice uses to save money on her telephone bills. It is usually used for data compression, in other words, to make messages shorter. John Gordon 3 Quellencodierung 3. Einleitung Im
Mehr3.7 Wahrscheinlichkeitsrechnung II
3.7 Wahrscheinlichkeitsrechnung II Inhaltsverzeichnis 1 bedingte Wahrscheinlichkeiten 2 2 unabhängige Ereignisse 5 3 mehrstufige Zufallsversuche 7 1 Wahrscheinlichkeitsrechnung II 28.02.2010 Theorie und
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.
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
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
MehrSchlussrechnung, Modellbildung und Interpolation
Schlussrechnung, Modellbildung und Interpolation Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 13, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 1 Einleitung Schlussrechnungen
MehrIm Original veränderbare Word-Dateien
Binärsystem Im Original veränderbare Word-Dateien Prinzipien der Datenverarbeitung Wie du weißt, führen wir normalerweise Berechnungen mit dem Dezimalsystem durch. Das Dezimalsystem verwendet die Grundzahl
Mehr5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko
1 5.Unsicherheit Bisher sind wir von vollständiger Planungssicherheit seitens der Entscheidungsträger ausgegangen. Dies trifft in vielen Fällen natürlich nicht den Kern eines Entscheidungsproblems.Wennz.B.eineEntscheidungfürdenKaufvonAktiengetroffen
MehrEinführung Statistik Weiterbildungs-Lehrgang 2015 2017. Markus Kalisch, Lukas Meier, Peter Bühlmann, Hansruedi Künsch und Alain Hauser
Einführung Statistik Weiterbildungs-Lehrgang 2015 2017 Markus Kalisch, Lukas Meier, Peter Bühlmann, Hansruedi Künsch und Alain Hauser April 2015 Inhaltsverzeichnis 1 Einführung (Stahel, Kap. 1) 1 1.1
MehrAbiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann
Abiturvorbereitung Mathematik -Dierentialrechnungc Max Hoffmann 1 Ganzrationale Funktionen Im Folgenden wollen wir uns mit ganzrationale Funktionen und der Untersuchung solcher beschäftigen. Dabei werden
Mehr1.) Wie viele verschiedene Anordnungen mit drei unterschiedlichen Buchstaben lassen sich aus acht verschiedenen Buchstaben bilden?
Aufgaben zur Kombinatorik, Nr. 1 1.) Wie viele verschiedene Anordnungen mit drei unterschiedlichen Buchstaben lassen sich aus acht verschiedenen Buchstaben bilden? 2.) Jemand hat 10 verschiedene Bonbons
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
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;.
MehrEinführung in die Wahrscheinlichkeitstheorie
Anton Bovier Einführung in die Wahrscheinlichkeitstheorie Vorlesung Winter 2012/13, Bonn 15. Februar 2013 Inhaltsverzeichnis 1 Wahrscheinlichkeit........................................ 1 1.1 Zufallsexperimente
MehrGrammatiken. Einführung
Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische
Mehr