5 Fehlerfortpflanzung
|
|
- Jasmin Kohl
- vor 6 Jahren
- Abrufe
Transkript
1 5 Fehlerfortpflanzung Diese Lektion folgt D.S. Sivia, Data Analysis: A Bayesian Tutorial, Oxford University Press, Chapter 3.6. Lernziele Lektion 5 Sie wissen, wie man Wahrscheinlichkeitsverteilungen von einer oder mehreren Variablen x auf eine oder mehrere Variablen y transformiert. Sie sind in der Lage solche Transformationen für ein- und zweidimensionale Wahrscheinlichkeitsverteilungen durchzuführen. Sie kennen die Näherungen, die zur Gauss schen Fehlerfortpflanzung führen und können entscheiden, ob ein gegebenes Problem mit dieser Näherung behandelt werden kann. 5.1 Die Fragestellung Beginnen wir mit einem Beispiel: bei der Messung des Halleffektes haben wir die Steigung R H der Hallgeraden und ihre Standardabweichung mit Hilfe der linearen Regression bestimmt. Wie gross sind nun die Elektronendichte n s = 1/eR H und ihre Standardabweichung? Im Allgemeinen führen häufig die Parameter des Modells für eine Messung nicht unmittelbar auf die physikalischen Grössen, die durch die Messung ermittelt werden sollen. Vielmehr müssen diese Grössen mit Hilfe von Messergebnissen gemäss einer Formel berechnet werden. Dabei stellt sich die Frage, wie sich die Posteriorverteilungen der Parameter, die wir bereits bestimmt haben, in die Verteilungen der physikalischen Grössen von Interesse transformieren. Insbesondere interessiert uns auch, wie sich die Standardabweichung dabei verändert. Diese Fragestellung lässt sich folgendermassen präzisieren: Fragestellung: Wir haben die Posteriorverteilung pdfx, y I) der Parameter x und y aus Messdaten bestimmt. Wie finden wir pdfz I), wobei z = hx, y)? 49
2 5. Erster Fall: nur ein Parameter Gegeben sei pdfx I) = fx), gesucht sei pdfz I) = gz), wobei z = hx) ist. Jedem Wert x entspricht ein korrespondierender Wert z = hx ). Betrachten wir ein kleines Intervall [x δx/, x + δx/], dann ist die Wahrscheinlichkeit, dass x in diesem Intervall liegt, gegeben durch probx δx/ x x + δx/ I) = x +δx/ x δx/ dx pdfx I) pdfx I)δx. Diese Wahrscheinlichkeit ist im linken Teil der Abb. 5 grau schraffiert dargestellt. Diesem Abbildung 5: Schematische Veranschaulichung der Koordinatentransformation. Grau schraffierte Flächen entsprechen einander und repräsentieren die gleiche Wahrscheinlichkeit. Intervall δx in x entspricht ein Intervall δz in z siehe Abb. 5, rechts). Entsprechend ist probz δz/ z z + δz/ I) pdfz I)δz. Wir fordern nun, dass diese beiden Wahrscheinlichkeiten im Grenzfall beliebig kleiner Intervalle δx und δz gleich sind, also Daraus folgt sofort pdfx I)δx = pdfz I)δz. 33) fx) = g[hx)] dhx) dx. Das ist ein einfaches Beispiel für eine Koordinatentransformation. 5
3 x;3,.1 inv z;3, x z 1 x Abbildung 6: Links: die Gammaverteilung mit Parametern α = 3 und β =. Rechts: die Inverse Gammaverteilung mit Parametern α = 3 und β = 1/β = 1/. Beispiel: Gegeben sei die Gammaverteilung siehe Abb. 6, links) Γx; α, β) = 1 Γα)β Wie lautet die Verteilung für z = 1/x z > )? Wir haben so dass fx)dx = 1 Γα)β gz) = 1 ) 1 α 1 e 1/βz Γα)β βz ) x α 1 e x/β für x >. β ) x α 1 e x/β dx = gz)dz, β 1 ) α+1 z = 1 β Γα) β e β/z, z }{{} invγz;α, β) mit β = 1/β siehe Abb. 6, rechts). Beachte, dass das Maximum der abgebildeten Gammaverteilung bei 4 ist, wohingegen das Maximum der inversen Gammaverteilung nicht bei 1/4, sondern bei 1/8 ist. Ähnlich verhält es sich mit dem Mittelwert: der Mittelwert der abgebildeten Gammaverteilung ist x = 6, wohingegen der Mittelwert der inversen Gammaverteilung bei z = 1/4 1/ x ist. 51
4 5.3 Zweiter Fall: M Parameter werden in M andere Parameter transformiert In diesem Fall lautet die Bedingung, die Gl. 33) entspricht pdfx1, x,..., xm )δx1 δx... δxm = pdfz1, z,..., zm )δ M Vol{zj }). Hier ist M Vol{zj }) das infinitesimale Volumenelement, das die Abbildung des Hyperkubus δx1... δxm ist. Man findet z1... zm ) pdfx1,..., xm ) = pdfz1,..., zm ) det. x1... xm ) {z } Determinante der Jacobi-Matrix Beispiel: Gegeben sei die zweidimensionale isotrope Normalverteilung siehe Abb. 7, links)4 1 x + y pdfx, y) = exp. πσ σ Wie lautet die Verteilung in Polarkoordinaten R, θ)?.15 pdfhx,yl pdfhrl.6.4. y - x R Abbildung 7: Links: zweidimensionale isotrope Normalverteilung. Rechts: Verteilungsfunktion fu r die Radiuskoordinate R in Polarkoordinaten. Wir haben x = R cos θ 4 und y = R sin θ. Diese Wahrscheinlichkeitsverteilung ko nnte zum Beispiel die Aufenthaltswahrscheinlichkeit eines Teilchens im Grundzustand eines zweidimensionalen quantenmechanischen harmonischen Oszillators beschreiben. 5
5 Die Determinante der Jacobi-Matrix ist dann ) x, y) det = cos θ R sin θ R, θ) R sin θ R cos θ = Rcos θ + sin θ) = R. Daher ergibt sich pdfr, θ) = pdfx, y) R = R ) πσ exp R σ. 5.4 Dritter Fall: Wir transformieren von M auf N < M Parameter Dieser Fall lässt sich folgendermassen lösen: 1. Transformiere zunächst von M auf M Parameter siehe oben).. Marginalisiere die überschüssigen Parameter. Beispiel: Wie oben sei pdfx, y) die isotrope zweidimensionale Normalverteilung für die kartesischen Koordinaten x, y), die im linken Teil der Abb. 7 gezeigt ist. Wie lautet die Verteilung für R? 1. Transformiere zunächst von x, y) auf R, θ) siehe oben). Das ergibt pdfr, θ) = R ) πσ exp R σ.. Marginalisiere θ: pdfr) = π dθ pdfr, θ) = R ) σ exp R σ. Diese Verteilung ist in Abb. 7 rechts dargestellt. Interessanterweise geht die Wahrscheinlichkeitsdichte für R linear gegen Null, obwohl die ursprüngliche Verteilung bei x, y) =, ) gerade ihr Maximum hatte. Hier zeigt sich der grosse Einfluss der Determinante der Jacobimatrix, die den Faktor R beisteuert, der die transformierte Verteilung gegen Null gehen lässt. 53
6 5.5 Eine mathematisch formale Prozedur Mit den obigen Beispielen haben wir die zentralen Elemente der Fehlerfortpflanzung kennen gelernt: Koordinatentransformation und Marginalisierung, oder eine Kombination der beiden. Mathematisch formal lässt sich das für die Transformation z = hx, y) folgendermassen ausdrücken: pdfz I) = dx dy pdfx, y, z I) = dx dy pdfx, y I)pdfz x, y, I) = dx dy pdfx, y I)δz hx, y)). 34) Diese Formel lässt sich leicht auf Verteilungen höherer Dimensionen verallgemeinern. 5 Gleichung 34) hat eine einfache anschauliche Deutung. Betrachten wir die Funktion hx, y) als Oberfläche über der zweidimensionalen Parameterebene x, y), dann selektiert die Deltafunktion bei gegebenem z eine bestimmte Höhenlinie dieser Oberfläche. Die Wahrscheinlichkeitsdichte für z ergibt sich als Integral von pdfx, y) entlang dieser Höhenlinie. Beispiel: Es sei z = x + y und pdfx, y I) = pdfx I)pdfy I) mit pdfx I) = fx) und pdfy I) = gy). Dann ist pdfz I) = dx dy pdfx, y I)δz x y) = dx dy fx)gy)δz x y) = dx fx)gz x) Die Verteilung für die Summe zweier Parameter ist demnach die Faltung der beiden Verteilungen der Parameter. Nehmen wir insbesondere an, dass fx) und gy) Normalverteilungen sind, dann ist fx) = N x; x, σ x ) und fy) = N y; y, σ y ) pdfz = x + y I) = N das heisst die Mittelwerte addieren sich gemäss ) z; x + y, σx + σy, z = x + y und die Fehler addieren sich quadratisch gemäss σ z = σ x + σ y. 5 Diese Formulierung ist in gewisser Weise verwandt mit dem Konzept der Zustandsdichte eines quantenmechanischen Systems. Dabei spielen x und y die Rolle von Wellenvektoren, und pdfx, y) repräsentiert die konstante Dichte von Zuständen im k-raum. Die z-koordinate entspricht der Energie, während hx, y) die Dispersionsrelation ist. 54
7 5.6 Eine nützliche Näherung: das Gauss sche Fehlerfortpflanzungsgesetz Betrachten wir Gl. 34) unter dem Aspekt, dass wir Mittelwert und Standardabweichung von z ausrechnen wollen. Sei also pdfx, y I) = fx, y) gegeben, mit einem scharfen Maximum bei x, y ). Zudem sei z = hx, y). Das scharfe Maximum erlaubt uns eine Entwicklung von ln fx, y) um x, y ), so dass in guter Näherung ln fx, y) ln fx, y ) 1 ) ) x x H. y y gilt. Die Matrix H ist die Hesse-Matrix der zweiten Ableitungen von ln fx, y), ausgewertet bei x, y ). In dieser Näherung ist fx, y) gaussförmig in zwei Dimensionen, so dass x = x und y = y, x x = σ x = Varx), y y = σ y = Vary), x x )y y ) = σ x σ y ρ = covx, y). Die Grösse covx, y) heisst Kovarianz der Parameter x und y. Ebenso entwickeln wir hx, y) hx, y ) + x x x ) + x,y y y y ). x,y 55
8 Damit ist z dz dx dx dx dy zfx, y)δz hx, y)) dy hx, y)fx, y) [ dy fx, y) hx, y ) + x x x ) + y y y ) hx, y ) [ z dx dy fx, y) hx, y ) + x x x ) + y y y ) h x, y ) + x x x ) + y y y ) + x x )y y ) x y z z z z σ x x + y σy + x Wir finden auf diese Weise das Gauss sche Fehlerfortpflanzungsgesetz σ z = σx x + x y covx, y) + y y covx, y). σy. Man sollte sich jedoch darüber im Klaren sein, dass wir einige Annahmen benötigt haben, um dieses Fehlerfortpflanzungsgesetz abzuleiten. Bei der praktischen Anwendung ist daher Vorsicht geboten. Wir demonstrieren das mit Hilfe der Gammaverteilung Γx; 3, ) und der Transformation z = hx) = 1/x, die uns oben auf die inverse Gammaverteilung geführt hat. Die folgende Tabelle gibt in der ersten Spalte den Mittelwert und die Standardabweichung der zuvor betrachteten Gammaverteilung an. Die zweite Spalte gibt die exakten Ergebnisse für die transformierte Verteilung. Die dritte Spalte gibt das Ergebnis wieder, das durch Anwendung der Gausschen Fehlerfortpflanzung erzielt würde. Letzteres liegt offensichtlich weit neben den exakten Ergebnissen, weil die zugrunde liegende Gammafunktion nicht gut durch eine Normalverteilung genähert werden kann. Γx; 3, ) invγz; 3, 1/) Gauss sche Näherung Mittelwert x 6 1/4 1/6 Standardabweichung σ x 1 1/4 1/36 ] ] 56
9 Dies ändert sich für grosse Werte von α. Zum Beispiel ist für α = 1 die Gauss sche Näherung schon recht gut brauchbar. Beispiele für die Anwendung der Gauss schen Fehlerfortpflanzung: 1. z = hx, y) = x ± y σ z = σ x + σ y siehe oben). z = hx, y) = xy σ z = y σ x + x y covx, y) + x σ y σ σx z covx, y) σ y = + + z x y x y 3. z = hx, y) = x y σ z = σ z z = σ x y σx x covx, y) + x σ y x y 3 covx, y) + x y y 4 σ y y 5.7 Aufgaben und Fragen zum tieferen Verständnis 1. Betrachten Sie die Normalverteilung N x, x, σ). Leiten Sie die Verteilung für z = e x ab. Vergleichen Sie das Ergebnis mit der log-normalverteilung.. Betrachten Sie die Normalverteilung N x,, 1). Leiten Sie die Verteilung für z = x. Achten Sie bei dieser Transformation darauf, dass die Abbildung von z nach x nicht eindeutig ist. Vergleichen Sie das Ergebnis mit der χ -Verteilung. 3. Betrachten Sie die Gammaverteilung Γx; α, β) für grosse Werte von α. Zeigen Sie, dass die Gammaverteilung in diesem Grenzfall gut durch eine Normalverteilung angenähert werden kann. Welche Konsequenzen hat das für die Anwendbarkeit der Gauss schen Fehlerfortpflanzung? 57
8. 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
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
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
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Mehr14.3 Berechnung gekrümmter Flächen
4.3 Berechnung gekrümmter Flächen Gekrümmte Flächen werden berechnet, indem sie als Graph einer Funktion zweier Veränderlicher aufgefasst werden. Fläche des Graphen einer Funktion zweier Veränderlicher
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
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrMathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder
DGL Schwingung Physikalische Felder Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder Johannes Wiedersich 23. April 2008 http://www.e13.physik.tu-muenchen.de/wiedersich/
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
Mehr1 Rechnen mit 2 2 Matrizen
1 Rechnen mit 2 2 Matrizen 11 Produkt Wir berechnen das allgemeine Produkt von A = Für das Produkt gilt AB = a11 a 12 a 21 a 22 a11 b 11 + a 12 b 21 a 11 b 12 + a 12 b 22 a 21 b 11 + a 22 b 21 a 21 b 12
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
MehrLösung zu den Testaufgaben zur Mathematik für Chemiker II (Analysis)
Universität D U I S B U R G E S S E N Campus Essen, Mathematik PD Dr. L. Strüngmann Informationen zur Veranstaltung unter: http://www.uni-due.de/algebra-logic/struengmann.shtml SS 7 Lösung zu den Testaufgaben
MehrÜbungsblatt 9. f(x) = e x, für 0 x
Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrTheoretische Physik I: Lösungen Blatt Michael Czopnik
Theoretische Physik I: Lösungen Blatt 2 15.10.2012 Michael Czopnik Aufgabe 1: Scheinkräfte Nutze Zylinderkoordinaten: x = r cos ϕ y = r sin ϕ z = z Zweimaliges differenzieren ergibt: ẍ = r cos ϕ 2ṙ ϕ sin
Mehrν und λ ausgedrückt in Energie E und Impuls p
phys4.011 Page 1 8.3 Die Schrödinger-Gleichung die grundlegende Gleichung der Quantenmechanik (in den bis jetzt diskutierten Fällen) eine Wellengleichung für Materiewellen (gilt aber auch allgemeiner)
MehrMathematische Methoden für Informatiker
Prof. Dr. www.math.tu-dresden.de/ baumann 8.12.2016 20. Vorlesung Differentialgleichungen n-ter Ordnung Lösung einer Differentialgleichung Veranschaulichung der Lösungsmenge Anfangswertprobleme Differentialgleichungen
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit f(x) = x sin( x + ) Aufgabe : ( VP) Berechnen Sie das Integral
MehrLösungsvorschläge zum 14. Übungsblatt.
Übung zur Analysis III WS / Lösungsvorschläge zum 4. Übungsblatt. Aufgabe 54 Sei a R\{}. Ziel ist die Berechnung des Reihenwertes k a + k. Definiere dazu f : [ π, π] R, x coshax. Wir entwickeln f in eine
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrDen folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde.
Kapitel 0 Stetige Zufallsvariablen und ihre Verteilungen Letzte Änderung: 7. Mai 2000, 20 Seiten Den folgenden speziellen Verteilungen liegt immer eine stetige Zufallsvariable X zugrunde. X: Ω R Die stetige
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrLösungen zu Übung(11) Erster Teil A E=
Lösungen zu Übung Erster Teil a Betrachten Sie die Matrix A = Die Eigenwerte sind λ = mit algebraischer Vielfachheitundλ =mitalgebraischervielfachheit,unddiematrix A E= hatrang, alsokerndimensionnur, somitistdereigenraumzuλ
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrKlassifikation von partiellen Differentialgleichungen
Kapitel 2 Klassifikation von partiellen Differentialgleichungen Die meisten partiellen Differentialgleichungen sind von 3 Grundtypen: elliptisch, hyperbolisch, parabolisch. Betrachte die allgemeine Dgl.
MehrKapitel 3. Koordinatensysteme
Kapitel 3 Koordinatensysteme Bisher haben wir uns bei der Beschreibung von Vektoren auf das kartesische Koordinatensystem konzentriert. Für viele physikalische Anwendungen sind aber kartesische Koordinaten
Mehr2. Lagrange-Gleichungen
2. Lagrange-Gleichungen Mit dem Prinzip der virtuellen Leistung lassen sich die Bewegungsgleichungen für komplexe Systeme einfach aufstellen. Aus dem Prinzip der virtuellen Leistung lassen sich die Lagrange-Gleichungen
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
Mehr2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n
2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n f ist in dem Fall ein Weg in R n. Das Bild f(t) des Weges wird als Kurve
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrKapitel 6. Variationsrechnung
Kapitel 6 Variationsrechnung Die vorangegangenen Kapitel waren der relativistischen Kinematik gewidmet, also der Beschreibung der Bewegung von Teilchen, deren Geschwindigkeit nicht vernachlässigbar klein
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
Mehr8 Stetige Zufallsvariablen
2 8 STETIGE ZUFALLSVARIABLEN 8 Stetige Zufallsvariablen 8. Definition von stetigen Zufallsvariablen Idee: Eine Zufallsvariable X heißt stetig, falls zu beliebigen Werten a < b aus dem Träger von X auch
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
MehrAufgabe Summe max. P Punkte
Klausur Theoretische Elektrotechnik TET Probeklausur xx.xx.206 Name Matr.-Nr. Vorname Note Aufgabe 2 3 4 5 6 7 Summe max. P. 5 0 5 5 5 5 5 00 Punkte Allgemeine Hinweise: Erlaubte Hilfsmittel: Taschenrechner,
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
MehrFunktionen lassen sich durch verschiedene Eigenschaften charakterisieren. Man nennt die Untersuchung von Funktionen auch Kurvendiskussion.
Tutorium Mathe 1 MT I Funktionen: Funktionen lassen sich durch verschiedene Eigenschaften charakterisieren Man nennt die Untersuchung von Funktionen auch Kurvendiskussion 1 Definitionsbereich/Wertebereich
MehrAbiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit x f(x) = (x + 5) e. Aufgabe : ( VP) Gegeben ist die Funktion
MehrIX Relativistische Mechanik
IX Relativistische Mechanik 34 Relativitätsprinzip Die bisher behandelte Newtonsche Mechanik gilt nur für Geschwindigkeiten, die klein gegenüber der Lichtgeschwindigkeit sind. Im Teil IX stellen wir die
Mehr3. Erhaltungsgrößen und die Newton schen Axiome
Übungen zur T1: Theoretische Mechanik, SoSe13 Prof. Dr. Dieter Lüst Theresienstr. 37, Zi. 45 Dr. James Gray James.Gray@physik.uni-muenchen.de 3. Erhaltungsgrößen und die Newton schen Axiome Übung 3.1:
Mehr12. Mehrfachintegrale
- 1-1. Mehrfachintegrale Flächen- und Volumenelemente Naive Gemüter sind geneigt, den Flächeninhalt dx dy (kartesische Koordinaten) in den neuen Koordinaten durch du dv anzugeben. Das ist i.a. falsch!
MehrÜbungen zu Funktionen mehrerer Veränderlicher. Lösungen zu Übung Betrachten Sie die durch. y 1 + x 2. z = gegebene Fläche.
Übungen zu Funktionen mehrerer Veränderlicher 5.1 Betrachten Sie die durch Lösungen zu Übung 5 gegebene Fläche. z = y 1 + x 2 (a) Zeichnen Sie die Höhenlinien in ein Koordinatensystem. (b) Veranschaulichen
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrKlassische Theoretische Physik I WS 2013/2014
Karlsruher Institut für Technologie www.tkm.kit.edu/lehre/ Klassische Theoretische Physik I WS 23/24 Prof. Dr. J. Schmalian Blatt 5 Dr. P. P. Orth Abgabe und Besprechung 29..23. Messung der Gravitationsbeschleunigung
MehrNumerische Integration
Numerische Integration home/lehre/vl-mhs-1/folien/uebung/num_integration/cover_sheet_5a.tex Seite 1 von 12. p.1/12 Inhaltsverzeichnis 1. Einführung 2. Newton-Cotes Formeln Rechteckformel Trapezformel Simpsonsche
MehrRotationskörper. Ronny Harbich. 1. August 2003 (geändert 24. Oktober 2007)
Rotationskörper Ronny Harbich 1. August 2003 geändert 24. Oktober 2007) Inhaltsverzeichnis 1 Einführung 3 2 Anschauliche Herleitung 4 2.1 Darstellungen................................. 4 2.2 Gleichungen
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrZahlen und Gleichungen
Kapitel 2 Zahlen und Gleichungen 21 Reelle Zahlen Die Menge R der reellen Zahlen setzt sich zusammen aus den rationalen und den irrationalen Zahlen Die Mengen der natürlichen Zahlen N, der ganzen Zahlen
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrWas ist Physik? Modell der Natur universell es war schon immer so
Was ist Physik? Modell der Natur universell es war schon immer so Kultur Aus was sind wir gemacht? Ursprung und Aufbau der Materie Von wo/was kommen wir? Ursprung und Aufbau von Raum und Zeit Wirtschaft
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
MehrFerienkurs Experimentalphysik 4
Ferienkurs Experimentalphysik 4 Vorlesung 5 Quantenstatistik Florian Lippert & Andreas Trautner 31.08.2012 Inhaltsverzeichnis 1 Quantenstatistik 1 1.1 Vorüberlegungen............................... 1 1.2
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
Mehrl p h (x) δw(x) dx für alle δw(x).
1.3 Potentielle Energie 5 In der modernen Statik benutzen wir statt dessen einen schwächeren Gleichheitsbegriff. Wir verlangen nur, dass die beiden Streckenlasten bei jeder virtuellen Verrückung dieselbe
MehrFlächenberechnung mittels Untersummen und Obersummen
Flächenberechnung mittels Untersummen und Obersummen Ac Einstieg: Fläche unter einer Normalparabel mit f(x) = x 2 Wir approximieren durch Rechtecksflächen, wobei zunächst senkrecht zur x-achse 10 Streifen
MehrF7: Statistik und Radioaktivität
Grundpraktikum F7: Statistik und Radioaktivität Autor: Partner: Versuchsdatum: Versuchsplatz: Abgabedatum: Inhaltsverzeichnis 1 Physikalische Grundlagen und Aufgabenstellung 2 2 Messwerte und Auswertung
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
MehrNormalverteilung und Dichtefunktionen
Normalverteilung und Dichtefunktionen Ac Einführung der Normalverteilung als Approximationsfunktion der Binomialverteilung Da die Binomialverteilung für große n das Aussehen einer Glockenkurve besitzt
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrLösungen zum 5. Aufgabenblatt
SS 2012, Lineare Algebra 1 Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com
MehrMedizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung III Wichtige Verteilungen Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrKAPITEL 6. Nichtlineare Ausgleichsrechnung
KAPITEL 6 Nichtlineare Ausgleichsrechnung Beispiel 61 Gedämpfte Schwingung: u + b m u + D m u = 0, Lösungen haben die Form: u(t) = u 0 e δt sin(ω d t + ϕ 0 ) Modell einer gedämpften Schwingung y(t; x 1,
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)
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrUrs Wyder, 4057 Basel Funktionen. f x x x x 2
Urs Wyder, 4057 Basel Urs.Wyder@edubs.ch Funktionen f 3 ( ) = + f ( ) = sin(4 ) Inhaltsverzeichnis DEFINITION DES FUNKTIONSBEGRIFFS...3. NOTATION...3. STETIGKEIT...3.3 ABSCHNITTSWEISE DEFINIERTE FUNKTIONEN...4
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
MehrMathematik Name: Nr.4 K1 Punkte: /30 Note: Schnitt:
K Punkte: / Note: Schnitt: 9.5.6 Pflichtteil (etwa 4 min) Ohne Taschenrechner und ohne Formelsammlung (Dieser Teil muss mit den Lösungen abgegeben sein, ehe der GTR und die Formalsammlung verwendet werden
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)
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr. Erich Walter
MehrVorlesungsfolien Mathematik 3 WS 2010/11 UMIT. Einleitung
Vorlesungsfolien Mathematik 3 WS 2010/11 Dr. Leonhard Wieser UMIT Einleitung Begriff Vektoranalysis: Kombination aus Linearer Algebra/Vektorrechnung mit Differential- und Integralrechnung Inhaltsangabe:
Mehr1.4 Gradient, Divergenz und Rotation
.4 Gradient, Divergenz und Rotation 5.4 Gradient, Divergenz und Rotation Die Begriffe Gradient, Divergenz und Rotation erfordern die partiellen Ableitung aus Abschnitt.. sowie das Konzept des Differentialoperators.
Mehr+ 2 F2 (u) X 1 F1 (u)) Der Koeffizient der unteren Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert:
Tail Abhängigkeit Definition 12 Sei (X 1,X 2 ) T ein Zufallsvektor mit Randverteilungen F 1 und F 2. Der Koeffizient der oberen Tail-Abhängigkeit von (X 1,X 2 ) T wird folgendermaßen definiert: λ U (X
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 4
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 4 Hausaufgaben Aufgabe 4. Gegeben sei die Funktion f : D R mit f(x) :=
MehrBegriffe aus der Informatik Nachrichten
Begriffe aus der Informatik Nachrichten Gerhard Goos definiert in Vorlesungen über Informatik, Band 1, 1995 Springer-Verlag Berlin Heidelberg: Die Darstellung einer Mitteilung durch die zeitliche Veränderung
Mehr