95 Suchergebnisse

Im Folgenden betrachten wir Überlegungen zur Definition des Begriffes „Bestimmtes Integral“.

Für die Lage einer Kugel bezüglich einer Geraden gibt es die folgenden Möglichkeiten:

1. Kugel und Gerade haben keinen Punkt gemeinsam (Fall 1);
2. Kugel und Gerade haben genau einen Punkt gemeinsam (Fall 2);
3. Kugel und Gerade haben genau zwei Punkte gemeinsam (Fall 3)

Im Fall 1 nennt man die Gerade eine Passante, im Fall 2 eine Tangente und im Fall 3 eine Sekante.

Ausgehend vom Begriff der Kugel lassen sich mithilfe eines kartesischen Koordinatensystems Gleichungen (in vektorieller Form und als Koordinatengleichungen) entwickeln. Eine Kugel kann auch durch eine Parametergleichung beschrieben werden.

Zwei Kugeln im Raum können – abgesehen von dem Fall, dass beide Kugeln identisch sind – verschiedene Positionen zueinander einnehmen.

In jedem Punkt $P_0$ einer Kugel gibt es unendlich viele Tangenten, die alle senkrecht zum Radius der Kugel sind. Diese Tangenten bilden die Tangentialebene an die Kugel im Punkt $P_0$.

Durch einen beliebigen Punkt P außerhalb einer Kugel k lassen sich unendlich viele Geraden so legen, dass jede von ihnen eine Tangente der Kugel k ist.
Diese Geraden – also die Tangenten – bilden einen (doppelten) Kreiskegel, den Tangentialkegel der Kugel k mit der Spitze P.
Die Berührungspunkte aller Tangenten, die einen Tangentialkegel bilden, liegen auf einem Kreis, also in einer Ebene.

Schneiden zwei Geraden $g_{1}und{g}_2$ des Raumes einander in einem Punkt S, so bilden sie in der von ihnen aufgespannten Ebene zwei Paare zueinander kongruenter Scheitelwinkel $\psi bzw.\psi \text{'}$. Den kleineren dieser beiden Winkel nennt man den Schnittwinkel von $g_{1}und{g}_2$.

Schneidet eine Gerade g die Ebene $\epsilon$ im Punkt S, so versteht man unter dem Schnittwinkel $\varphi$ von g und $\epsilon$ den kleinsten Winkel, den eine beliebige Gerade aus $\epsilon$, die durch S geht, mit g bildet.
Für die Berechnung von $\varphi$ wird die Tatsache genutzt, dass $\varphi$ der Komplementwinkel des Winkels $\alpha$ zwischen einem Normalenvektor $\overrightarrow{n}$ von $\epsilon$ und einem Richtungsvektor $\overrightarrow{a}$ von g ist. Es gilt $\varphi =90°-\alpha$.

Schneiden zwei Ebenen ${\epsilon }_{1}und{\epsilon }_2$ einander in einer Geraden g, so bezeichnet man als Schnittwinkel $\varphi$ dieser Ebenen den Winkel zwischen denjenigen beiden Geraden, die eine dritte, zur Schnittgeraden senkrechte Ebene aus ${\epsilon }_{1}und{\epsilon }_2$ „herausschneidet“. Man spricht manchmal auch von dem zwischen ${\epsilon }_{1}und{\epsilon }_2$ liegenden „Keilwinkel“.

Eine Gleichung, bei der die Elemente einer unbekannten Matrix zu bestimmen sind, heißt Matrizengleichung. Die Lösungen der Grundgleichungen $A\cdot X=B,X\cdot A=Bbzw.A\cdot X\cdot B=C$ können sofort angegeben werden. Kompliziertere Gleichungen lassen sich mittels der Matrizenoperationen Addition, Subtraktion und Multiplikation (evtl. mit der inversen Matrix) in Grundgleichungen überführen.

Bei Rechenoperationen mit Matrizen sind aufgrund der Entstehungsweise der Matrix als Ergebnis einer Abstraktion inhaltliche und formale Bedingungen einzuhalten.

Eine Addition (bzw. Subtraktion) von Matrizen ist nur für Matrizen gleichen Typs erklärt. Sie erfolgt elementeweise. Die Addition von Matrizen ist kommutativ, assoziativ und umkehrbar. Das skalare Vielfache einer Matrix erhält man, indem jedes Element der Matrix mit dem betreffenden Skalar multipliziert wird.

Neben der Vielfachbildung von Matrizen, d.h. der Multiplikation einer Matrix mit einer reellen Zahl (einem Skalar), ist es auch möglich, eine Matrix mit einem Vektor bzw. zwei Matrizen miteinander zu multiplizieren.
Im Gegensatz zur Vielfachbildung sind diese Multiplikationen allerdings an bestimmte Voraussetzungen hinsichtlich des Typs der Matrizen bzw. der Dimension des Vektors gebunden.

Gilt es, Wahrscheinlichkeiten zum Beispiel im Zusammenhang mit der Binomialverteilung oder mit dem Abzählprinzip für die Gleichverteilung zu berechnen, werden als Binomialkoeffizienten bezeichnete Terme verwandt. Es sind dies die Koeffizienten, die beim Entwickeln der n-ten Potenz eines Binoms $\left(a+b\right)$ auftreten.
Sie werden u.a. angewandt, um Wahrscheinlichkeiten (etwa im Zusammenhang mit der Binomialverteilung oder mit dem Abzählprinzip für Mengen) zu berechnen.

Bei der praktischen Anwendung der Binomialverteilung $B_{n;p}$ treten nicht selten große oder sogar sehr große Werte von n (etwa $n=10000$) auf, wodurch das Berechnen der Wahrscheinlichkeiten aufgrund der dabei zu ermittelnden Fakultäten und Potenzen sehr zeitaufwendig wird. Schon frühzeitig versuchte man deshalb, Näherungsformeln für die Binomialverteilung zu finden.

Hier ist es (unter bestimmten Voraussetzungen) günstig, die Binomialverteilung durch eine POISSON-Verteilung oder eine Normalverteilung zu approximieren und entsprechende Näherungsformeln anzuwenden.

Kenngrößen von Zufallsgrößen dienen deren quantitativer Charakterisierung. Wir betrachten im Folgenden binomialverteilte Zufallsgrößen.

Die Dreiecksverteilung wird in den meisten Lehrbüchern zur Stochastik kaum erwähnt bzw. nur am Rande behandelt. Das mag seinen Grund darin haben, dass diese Verteilung kein eigenständiges, aus der Praxis stammendes Anwendungsgebiet besitzt.
Die erste Abhandlung über diese Form der Verteilung von Zufallsgrößen in der Geschichte der Wahrscheinlichkeitstheorie stammt vom englischen Mathematiker THOMAS SIMPSON (1710 bis 1761), deshalb spricht man mitunter auch von der simpsonschen Verteilung.

Für die Erwartungswerte von Zufallsgrößen gelten eine Reihe wichtiger und nützlicher Rechneregeln. Der Einfachheit halber sollen hier nur endliche Zufallsgrößen betrachtet werden.
Erwartungswerte können nach diesen Sätzen, nach Definitionen bzw. durch Simulationen bestimmt werden.

Grenzwertsätze gehören zu den wichtigsten Aussagen der Stochastik. Der französische Mathematiker PIERRE SIMON DE LAPLACE (1749 bis 1827) nannte sie eine der interessantesten und heikelsten Teile der Analysis des Zufalls.

Wie es schon sein Name zum Ausdruck bringt, kommt dabei dem Zentralen Grenzwertsatz, der eine theoretische Erklärung für das Auftreten der Normalverteilung liefert, eine besondere Stellung zu. Die älteste Fassung des Zentralen Grenzwertsatzes in der Geschichte der Wahrscheinlichkeitstheorie ist der Grenzwertsatz von MOIVRE-LAPLACE, der die Approximation der Binomialverteilung durch die Normalverteilung beschreibt.

Praktisch wird dieser Satz vor allem zum näherungsweisen Berechnen von Binomialwahrscheinlichkeiten benutzt.

Zum grafischen Veranschaulichen der Häufigkeits- und der Wahrscheinlichkeitsverteilungen von endlichen Zufallsgrößen X mit
$X\stackrel{\wedge}{=}\left(\begin{array}{cccc}{x}_1& x_2& \mathrm{...}& x_n\\ P\left(X=x_1\right)& P\left(X=x_2\right)& \mathrm{...}& P\left(X=x_n\right)\end{array}\right)$
werden ihre relativen Häufigkeiten der Klassen bzw. ihre Einzelwahrscheinlichkeiten häufig als Stäbe oder als Säulen (Rechtecke) dargestellt, die senkrecht auf der Abszissenachse stehen.
Ist bei einem derartigen aufrechten Säulendiagramm jeweils der Flächeninhalt des über der Klasse $K_i$ bzw. über $x_i$ errichteten Rechtecks gleich der relativen Häufigkeit $h_n\left(K_i\right)$ bzw. der Einzelwahrscheinlichkeit $P\left(X=x_i\right)$ so nennt man es Histogramm.

Schon lange vor der axiomatischen Begründung der Stochastik rechnete man mit Wahrscheinlichkeiten. Besonders zu den Zeiten, da die Mathematik hof- und gesellschaftsfähig war, wurden deren professionellen Vertretern immer wieder Fragen zu Glücks- und Kartenspielen gestellt. Dabei erwartete man nicht selten Aussagen über sogenannte zusammengesetzte Ereignisse, wie dies zum Beispiel der am Hof LUDWIG XIV. lebende Literat und Philosoph ANTOINE GOMBAUD CHEVALIER DE MÉRÉ (1610 bis 1685) gegenüber dem Mathematiker BLAISE PASCAL (1623 bis 1662) tat.

Dieser Fragestellung liegt ein sogenanntes LAPLACE-Experiment, ein Zufallsexperiment mit endlich vielen Ergebnissen (Ausfällen), von denen jedes mit der gleichen Wahrscheinlichkeit eintritt, zugrunde. Sie kann mithilfe der LAPLACE-Regel gelöst werden.

Auf der Suche nach „dem durchschnittlichen, dem normalen Menschen“ (l' homme moyen) ließ der auf vielen Gebieten tätige belgische Wissenschaftler LAMBERT ADOLPHE JACQUES QUÉTELET (1796 bis 1874) in den 30er Jahren des 19. Jahrhunderts biometrische Messungen in großem Umfang durchführen. In vielen Fällen wurde dabei seine Vorstellung bestätigt, dass die Häufigkeitsverteilung der gemessenen Werte (etwa zum Brustumfang) einer symmetrischen Glockenkurve entspricht. Das mag wohl auch ein wichtiger Grund dafür gewesen sein, dieser gleichsam als naturgemäß angesehenen Verteilung den Namen Normalverteilung zu geben, wobei diese Bezeichnung auch zu allerlei Fehldeutungen führte – vor allem dann, wenn alles nicht Normalverteilte als anormal eingestuft wurde.

Jede mögliche Anordnung von n Elementen als n-Tupel, in der alle Elemente verwandt werden, heißt Permutation dieser n Elemente.
Man unterscheidet zwischen Permutationen ohne Wiederholung und mit Wiederholung der Elemente.
Permutationen können auch als Funktionen interpretiert werden.
Das Bestimmen der Anzahl von Permutationen wird in der Stochastik vor allem beim Berechnen von LAPLACE-Wahrscheinlichkeiten benötigt.

Für die Simulation stochastischer Prozesse werden im Allgemeinen eine große Anzahl von Zufallszahlen (Zufallsziffern) benötigt.
Man benutzt deshalb häufig sogenannte Pseudozufallszahlen, die zwar mit deterministischen Algorithmen erzeugt werden, bei geigneter Parameterwahl aber weitgehend dieselben Eigenschaften wie „echte“ Zufallszahlen besitzen.
Zur Untersuchung der Güte solcher Pseudozufallszahlen gibt es eine Reihe von Tests.

Eine Normalverteilung $N\left(\mu ;{\sigma }^2\right)$ wird vollständig bestimmt durch ihren Erwartungswert $\mu$ und ihre Streuung ${\sigma }^2$. Es liegt deshalb die Frage nahe, ob man eine beliebige Normalverteilung in eine spezielle Normalverteilung transformieren kann – und zwar in eine mit solchen Parametern, die den Termen ihrer Dichte- und Verteilungsfunktion eine möglichst einfache Gestalt geben. Für eine $\left(0;1\right)\text{-normalverteilte}$ Zufallsgröße wäre dies der Fall:
Für die Werte $\mu =0und\sigma =1$ erhält man als Spezialfall die Standardnormalverteilung.

Die geometrische Verteilung ist ein Spezialfall der PASCALschen Verteilung, die ihren Namen zu Ehren BLAISE PASCALS (1623 bis 1662) erhielt.