Statistik und Wahrscheinlichkeitsrechnung
|
|
- Insa Kranz
- vor 5 Jahren
- Abrufe
Transkript
1 Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0
2 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do HCI G3 Übung 5 D Fnk & De Sancts (HPH G) Anders (HCI D) Krämer (HCI J4) Übung 6 Do alle Räume we üblch.03.0
3 Statstk und Wahrschenlchketsrechnung Inhalt Modellerung von Unscherheten Überscht Zufallsvarablen Egenschaften des Erwartungswertoperators Zufallsvektoren und Produktmomente bedngte Vertelungen und bedngte Momente Wahrschenlchketsvertelung für de Summe zweer Zufallsvarablen Wahrschenlchketsvertelung für Funktonen von Zufallsvarablen
4 Statstk und Wahrschenlchketsrechnung Modellerung von Unscherheten - Überscht Zufallsvarablen und deren Charakterstka REALITÄT MODELL UNSICHERHEIT DATEN / BEOBACHTUNGEN Zufallsvarablen
5 Zufallsvarablen Statstk und Wahrschenlchketsrechnung Egenschaften des Erwartungswertoperators Der Erwartungswertoperator ermöglcht de Berechnung des Erwartungswertes und der Varanz ener Zufallsvarablen. Wenn wr verstehen, we der Erwartungswertoperator funktonert, können wr den Erwartungswert und de Varanz von Funktonen von Zufallsvarablen berechnen. Des dent m Besonderen der Analyse von Modellen m Ingeneurwesen mt ener oder mehreren Zufallsvarablen. BEISPIEL: Berechnung der Gesamtdauer enes Bauvorhabens als Funkton der Dauer der enzelnen Bauabschntte
6 Zufallsvarablen Statstk und Wahrschenlchketsrechnung Egenschaften des Erwartungswertoperators Der Erwartungswertoperator bestzt folgende Egenschaften: abc=,, Konstante E[ c] = c E[ c ] = ce[ ] E[ a + b ] = a + be[ ] E[ g ( ) g ( )] E[ g ( )] E[ g ( )] + = g = ( ) Zufallsvarable. = Funkton
7 Zufallsvarablen Egenschaften des Varanzoperators De Varanz kann we folgt beschreben werden: Statstk und Wahrschenlchketsrechnung Var [ ] = E ( µ ) = µ + E µ E [ ] = µ + E µ = E µ = E + µ µ
8 Zufallsvarablen Egenschaften des Varanzoperators Darüber hnaus glt: Statstk und Wahrschenlchketsrechnung Var Var Var [ c] = 0 [ ] c = c Var[ ] [ ] a + b = b Var[ ] [ ] = c [ ] = ce [ ] [ + ] = + [ ] [ + g () ] = [ ] + E[ g ()] Ec E c E a b a be E g() E g()
9 Zufallsvarablen Statstk und Wahrschenlchketsrechnung Egenschaften des Erwartungswertoperators Anhand des Ergebnsses Var E E E [ ] = ( µ ) = + µ µ = µ st erkennbar, dass grundsätzlch glt: E [ g( )] g( E[ ]) für konvexe / konkave Funktonen JENSEN'S Unglechhet!! Glechhet glt ausschleßlch für lneare Funktonen!
10 Zufallsvektoren Zufallsvarablen Statstk und Wahrschenlchketsrechnung Wr beschäftgen uns häufg mt Modellen, de ncht nur ene, sondern mehrere Zufallsvarablen benhalten. Dese Zufallsvarablen können n enem Vektor verent werden. Generell snd de Bestandtele enes Vektors vonenander abhängg. BEISPIEL: Regenwetter und Wasserpegel. Folglch st es notwendg, dass wr probablstsche Modelle erstellen, welche dese Abhänggket berückschtgen. Des kann anhand von multvaraten kumulatven Vertelungsfunktonen bewerkstellgt werden
11 Zufallsvektoren Zufallsvarablen Statstk und Wahrschenlchketsrechnung Wr betrachten nun ncht mehr nur ene dskrete Zufallsvarable, sondern enen Vektor von mehreren dskreten Zufallsvarablen; her z.b. zwe: Z = ( Y, ) T De bvarate Wahrschenlchketsdchtefunkton st: ( ) p = p xy = P = x Y= y ( ) ( ) ( ) ( ) z Z Y,, De bvarate kumulatve Vertelungsfunkton st: ( ) ( ) P( z ) = P ( xy, ) = P( x) ( Y y) = Z p x, y Y, Y, x xy y.03.0
12 Statstk und Wahrschenlchketsrechnung Zufallsvektoren x,y p(x,y), , , , , ,0 0.00, , , , , , , , , , Σ= Zufallsvarablen Gegeben se ene zwedmensonale dskrete Wahrschenlchketsdchtefunkton. p( x,y).03.0 y x
13 Zufallsvektoren Zufallsvarablen Statstk und Wahrschenlchketsrechnung De margnale Wahrschenlchketsdchtefunkton ener dskreten Zufallsvarablen st we folgt defnert: p x P = x = p xy ( ) ( ) ( ) Y,, alle y
14 Zufallsvektoren Zufallsvarablen Statstk und Wahrschenlchketsrechnung De margnale Wahrschenlchketsvertelung ener dskreten Zufallsvarablen st we folgt defnert: p x P = x = p xy ( ) ( ) ( ) Y,, alle y P x P x = p x ( ) ( ) ( ) x x = x x alle y p Y, x, y ( ) margnale Wahrschenlchketsdchte margnale Wahrschenlchketsvertelung
15 Statstk und Wahrschenlchketsrechnung Zufallsvektoren Zufallsvarablen Gegeben se ene zwedmensonale dskrete Wahrschenlchketsdchtefunkton: x,y p(x,y), , y, x, Σ=0.7, Dskrete multvarate 0., p( x,y) 0.05 Dchte, , Σ= , , , , Σ= , px ( x) 0.5 4, , , Σ=0.0 margnale Dchte Σ= für Zufallsvarable.03.0 x 5
16 Zufallsvektoren Zufallsvarablen Statstk und Wahrschenlchketsrechnung Wr betrachten nun ncht mehr nur ene kontnuerlche Zufallsvarable, sondern enen Vektor von mehreren kontnuerlchen Zufallsvarablen; her z.b. zwe: Z = ( Y, ) T De bvarate kumulatve Vertelungsfunkton st: F z = FY, xy, = P( x) Z ( Y y) ( ) ( ) ( ) De bvarate Wahrschenlchketsdchtefunkton st: f z Z = fy, xy, = FY, xy, x y ( ) ( ) ( )
17 Zufallsvektoren Zufallsvarablen Statstk und Wahrschenlchketsrechnung De margnale Wahrschenlchketsdchtefunkton ener kontnuerlchen Zufallsvarablen n enem bvaraten Zufallsvektor (,Y) st we folgt defnert: f ( ) ( ) x = f Y, x, y dy
18 Zufallsvarablen Bvarate Wahrschenlchketsdchtefunkton Statstk und Wahrschenlchketsrechnung
19 Zufallsvarablen Statstk und Wahrschenlchketsrechnung Zufallsvektoren und multvarate Momente De Kovaranz zwschen dem -ten und j -ten Element enes Zufallsvektors kontnuerlcher Zufallsvarablen hesst zentrales multvarates Moment. C j [ ] ( )( ) ( ) µ )( j µ ) = x µ x j f x,x j dxdx j = E ( µ j j j Daraus st unter der Bedngung =j de Varanz für erschtlch: C [ ] = Var Der Korrelatonskoeffzent errechnet sch we folgt: C j ρ = ρ j σ σ =.03.0 j 9
20 Zufallsvarablen Statstk und Wahrschenlchketsrechnung Zufallsvektoren und multvarate Momente Der Erwartungswert und de Varanz ener lnearen Funkton werden bestmmt durch: n = + 0 = Y a a [ ] = + [ ] EY a ae 0 n = n n [ ] Var Y = a [ ] Var + aa jc j =, j= j
21 Zufallsvarablen Statstk und Wahrschenlchketsrechnung bedngte Vertelungen und bedngte Momente Nehmen wr an, Informatonen über de Zufallsvarablen, de en Eregns defneren, snd bekannt..03.0
22 Zufallsvarablen Statstk und Wahrschenlchketsrechnung bedngte Vertelungen und bedngte Momente De bedngte Wahrschenlchketsdchtefunkton für de Zufallsvarable be gegebener Realsaton der Zufallsvarable st: f ( x x ) = f, f ( ( x x,x ) ) Wenn und vonenander unabhängg snd, glt: f ( x x ) = f ( x ).03.0
23 Zufallsvarablen Statstk und Wahrschenlchketsrechnung bedngte Vertelungen und bedngte Momente De bedngte kumulatve Vertelungsfunkton kann mttels Integraton errechnet werden: x F ( x x ) = f (, z x ) dz, f ( x )
24 Zufallsvarablen Statstk und Wahrschenlchketsrechnung bedngte Vertelungen und bedngte Momente De unbedngte kumulatve Vertelungsfunkton für de Zufallsvarable kann anhand des Theorems der totalen Wahrschenlchket aus der bedngten kumulatven Vertelungsfunkton abgeletet werden: F ( x ) = F ( x x ) f ( x ) dx Der bedngte Erwartungswert st we folgt defnert: µ ( ) = E = x = x f x x dx
25 Zufallsvarablen Statstk und Wahrschenlchketsrechnung Häufg st man an Berechnungen der Wahrschenlchketen für Funktonen von Zufallsvarablen nteressert. Funktonen snd hlfrech, um Eregnsse, de von Interesse snd, zu beschreben se denen als Ingeneurmodelle. En enfacher Fall st de Summe zweer Zufallsvarablen dafür st es hlfrech, de kumulatve Vertelungsfunkton zu bestmmen
26 Zufallsvarablen Statstk und Wahrschenlchketsrechnung De kumulatve Vertelungsfunkton für de Summe zweer Zufallsvarablen Wr setzten de Summe Y + und = ( x, x ), Somt können wr zuerst de Dchtefunkton für bestmmen, unter der Annahme, dass gegeben st, z.b. durch f ( x x Wr erhalten: ) = f, f ( ( x x,x ) ) f Y = x + f ( yx) = f ( y x x) Y f ( y, x ) = f ( y x x ) f ( x ) = f ( y x, x ) Y,, voraus.
27 Zufallsvarablen Statstk und Wahrschenlchketsrechnung De kumulatve Vertelungsfunkton für de Summe zweer Zufallsvarablen De margnale Wahrschenlchketsdchtefunkton für Y kann nun durch Integraton über ermttelt werden: f Y ( y ) = f, ( y x,x ) dx Falls und vonenander unabhängg snd, erhält man das sogenannte Faltungsntegral: f Y ( y ) = f ( y x ) f ( x ) dx
28 Falls Statstk und Wahrschenlchketsrechnung De kumulatve Vertelungsfunkton für Funktonen von Zufallsvarablen monoton anstegt und der Zusammenhang enendeutg st, kann de Realsaton von Y nur dann klener als y 0 sen, wenn auch de Realsaton von x = g ( y ) klener st als x 0. Dabe glt Zufallsvarablen Es soll de kumulatve Vertelungsfunkton für ene Funkton von Zufallsvarablen z.b. Y = g( ) berechnet werden. Dabe st de Wahrschenlchketsvertelungsfunkton von gegeben als F ( x). gx ( ) 0 0 und es folgt: F y P Y y P g y Y ( ) = ( ) = ( ( )) De kumulatve Vertelungsfunkton für Y st also auf folgende Wese defnert: F ( y) = F ( g ( y)) Y
29 Zufallsvarablen Statstk und Wahrschenlchketsrechnung De kumulatve Vertelungsfunkton für Funktonen von Zufallsvarablen ausgehend von F y F g y Y( ) = ( ( )) erhält man f Y ( ( )) df g y ( y) = dy dg ( y) fy y f g y dy ( ) = ( ( )) dx fy( y) = f( x) dy
30 Zufallsvarablen Statstk und Wahrschenlchketsrechnung De kumulatve Vertelungsfunkton für Funktonen von Zufallsvarablen Falls gx ( ) monoton fallend st, kann de Realsaton von Y nur dann klener als y 0 sen, wenn de Realsaton von größer als x 0 st. In desem Fall muss das Vorzechen vertauscht werden: F ( y) = F ( g ( y)) man erhält: Y dx fy( y) = f( x) dy Grundsätzlch folgt daraus für monoton anstegende oder fallende Funktonen: dx fy( y) = f( x) dy
31 Zufallsvarablen Statstk und Wahrschenlchketsrechnung De kumulatve Vertelungsfunkton für Funktonen von Zufallsvarablen Falls de Elemente enes Zufallsvektors Y = ( Y, Y,.. Y ) T n als enendeutge Darstellung der monoton stegenden oder fallenden Funktonen g, =,,.. n der Elemente des Zufallsvektors = (,,.. ) T angenommen werden können, ergbt sch: Mt J Y f Y = g ( ) n ( y) = J f ( x) als Betrag der Determnante von x x... y y n J = xn xn... y n
32 Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung Dr. Jochen Köhler
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrStatistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.
Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Mehr1. Teilprüfung FS 2008
. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 Vorname:... Name:... Stud. Nr.:... Studenrchtung:... . Telprüfung: Statstk und Wahrschenlchketsrechnung
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrÜbung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrMASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen
MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
Mehr4. Rechnen mit Wahrscheinlichkeiten
4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,
MehrAsymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrÜbungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2
Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
Mehr2. Wahrscheinlichkeitsrechnung
. Grundlagen der Wahrschenlchketsrechnung. Wahrschenlchketsrechnung Der Wahrschenlchketstheore kommt ene wchtge Rolle als Bndegled zwschen der deskrptven und der nduktven Statstk zu. Aufgabe der nduktven
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrMusterlösung zu Übung 4
PCI Thermodynamk G. Jeschke FS 05 Musterlösung zu Übung erson vom 6. Februar 05) Aufgabe a) En Lter flüssges Wasser egt m H O, l ρ H O, l L 998 g L 998 g. ) De Stoffmenge n H O, l) von enem Lter flüssgen
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrEinführung in die theoretische Physik 1
Enführung n de theoretsche hysk 1 rof. Dr. L. Mathey Denstag 15:45 16:45 und Donnerstag 10:45 12:00 Begnn: 23.10.12 Jungus 9, Hörs 2 Mathey Enführung n de theor. hysk 1 1 Grundhypothese der Thermostatk
MehrAufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen
Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrBestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl.
Versuch Nr. 5: Bestmmung der Elementarladung nach Mllkan. Theore zum Versuchs Be der Öltröpfchenmethode nach Mllkan wrd Öl mttels enes Zerstäubers n wnzge Tropfen aufgetelt. De Öltröpfchen werden durch
MehrProf. Dr. Marc Gürtler SS Prof. Dr. Marc Gürtler. Klausur zur 4/8 SWS-Vertiefung Finanzwirtschaftliches Risikomanagement Finanzwirtschaft
Prof. Dr. Marc Gürtler Klausur zur 4/8 SWS-Vertefung Fnanzwrtschaftlches Rskomanagement Fnanzwrtschaft Lösungsskzze Aufgabe : (6 Punkte) ) (0 Punkte) Aufstellung und Lösung enes Glechungssystems 70V 800,4
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrTeil IV: Drei Musterklausuren
Tel IV: Dre Musterklausuren Hauptklausur SS 97 Aufgabe : 5 Schwmmer verschedenen Alters erbrachten n Wettkämpfen über 50 m Brustschwmmen de folgenden Zeten: Alter Zeten n sec. 8 37.00 40.00 4.00 30 39.00
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrVersuch Nr. 6. Chemische Kinetik Aktivierungsenergie (Inversion von Saccharose)
Chrstan Wdlng, Georg Deres Versuch Nr. 6 Chemsche Knet Atverungsenerge (Inverson von Saccharose) Zel des Versuchs: Das Zel des Versuches st de Bestmmung der Atverungsenerge der Reaton von Saccharose (S)
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrTheoretische Physik 2 (Theoretische Mechanik)
Theoretsche Physk 2 (Theoretsche Mechank Prof. Dr. Th. Feldmann 28. Oktober 2013 Kurzzusammenfassung Vorlesung 4 vom 25.10.2013 1.6 Dynamk mehrerer Massenpunkte Dynamk für = 1... N Massenpunkte mt.a. komplzerter
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrWerkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
Mehr