204 Suchergebnisse

Materialflüsse innerhalb einer ökonomischen Einheit drücken technologische und ökonomische Beziehungen zwischen den einzelnen Produktionsebenen aus.
Bei der Planung und Bilanzierung derartiger Wechselbeziehungen wird ein mathematisches Modell mit Matrizen und Vektoren gebildet. Dies ermöglicht es, in komprimierter Form die quantitativen Werte zu erfassen und zu bewerten.

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.

Um die Inverse einer Matrix zu bestimmen, gibt es zwei prinzipielle Verfahren (Möglichkeiten).
Beim GAUSS-JORDAN-Verfahren wird mithilfe elementarer Matrizenumformungen die Matrix gegen die Einheitsmatrix ausgetauscht wird.
Beim Austauschverfahren werden nach einem angegebenen Algorithmus die Zeile r und die Spalte s der Matrix vertauscht.

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.

Für die Produktbildung $A\cdot \overrightarrow{c}$ (Multiplikation einer Matrix mit einem Vektor) muss vorausgesetzt werden, dass die Anzahl der Spalten in der Matrix A mit der Anzahl der Koordinaten des Vektors $\overrightarrow{c}$ übereinstimmt.
Die Koordinaten des neuen Spaltenvektors, der durch die Multiplikation $A\cdot \overrightarrow{c}$ entsteht, erhält man jeweils als Summe der Koordinatenprodukte eines Zeilenvektors von A und des Spaltenvektors $\overrightarrow{c}$.

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.

Differenzengleichungen bieten einen elementaren mathematischen Zugang zu anspruchsvollen praktischen Fragestellungen, z.B. aus der Populationsdynamik, der Finanzmathematik und der Technik. Das Bearbeiten von Differenzengleichungen umfasst im Wesentlichen das Abarbeiten von iterativen Berechnungsverfahren und rekursiven Bildungsvorschriften, das Finden expliziter Bildungsvorschriften für Folgen, das Lösen von Gleichungssystemen und ähnliche elementare Anforderungen.
Als Beispiele werden aus der Finanzmathematik Ratensparen, Guthabenverrentung und Annuitätendarlehen, aus der Technik die Temperaturanpassung an eine Umgebungstemperatur behandelt.

Die einfache lineare Differenzialgleichung 1. Ordnung $f\prime \left(x\right)+f\left(x\right)-x=0$ lässt sich nicht durch Trennen der Variablen lösen. Wird die Differenzialgleichung nämlich in die Form $f\prime \left(x\right)=x-y$ gebracht, so erkennt man, dass sich die rechte Seite nicht als Produkt $g\left(x\right)\cdot h\left(y\right)$ schreiben lässt, was Voraussetzung für das Trennen der Variablen ist.
Die Lösung der inhomogenen Gleichung kann jedoch ausgehend von der Lösung der entsprechenden homogenen Gleichung gefunden werden.

Eine Population bestehe aus N Individuen. Nach einer Zeit $\Delta t$ ist eine Änderung $\Delta N$ mit $\Delta N=N\left(t+\Delta t\right)-N\left(t\right)$ des Populationsumfangs N zu verzeichnen. Kann die Population ohne Beschränkung wachsen, so ist die Änderung proportional zum Ausgangsumfang – je mehr Individuen vorhanden sind, desto mehr Nachwuchs stellt sich ein. Es gilt also $\Delta N\sim N\text{ oder }\Delta N=kN$ (unbeschränktes Wachstum), wobei k als Wachstumsrate (bei unbeschränktem Wachstum) bezeichnet wird.
Ist das Wachstum durch eine Obergrenze G der Individuenzahl beschränkt, so wird sich bei noch kleiner Individuenzahl ein annähernd unbeschränktes Wachstum einstellen, mit wachsender Zahl N wird die Wachstumsrate jedoch kleiner, um schließlich bei $N=G$ den Wert 0 anzunehmen. Eine Beschränkung kommt beispielsweise zustande, wenn die Population in einem isolierten Gebiet lebt, in dem sich höchstens G Individuen ernähren können.

Die modifizierte Wachstumsrate
$k_b=k\left(1-\frac{N}{G}\right)$
weist das erwartete Verhalten auf.

Als Differenzengleichung ergibt sich
$\Delta N=k_b\cdot N=k\cdot \left(1-\frac{N}{G}\right)\cdot N$
(logistisches Wachstum).

Soll eine explizite Differenzialgleichung $f\prime \left(x\right)=G\left(x;f\left(x\right)\right)$ mit der Anfangsbedingung $f\left(x_0\right)=y_0$ numerisch nach dem Polygonzugverfahren gelöst werden, so benutzt man die Differenzengleichung $\overline{f}\left(x+h\right)=\overline{f}\left(x\right)+h\cdot G\left(x;\overline{f}\left(x\right)\right)$.

Dabei ist $\overline{y}=\overline{f}\left(x\right)$ eine Näherung für die eigentlich gesuchte Funktion $y=f\left(x\right).$

Bei Übergang zur Darstellung der Differenzengleichung als iterative Bildungsvorschrift ergibt sich ${\overline{y}}_{i+1}={\overline{y}}_i+h\cdot G\left(x_i;{\overline{y}}_i\right)$ bzw. ${\overline{y}}_{i+1}={\overline{y}}_i+h\cdot m_i{}^{\left(poly\right)}{\text{ mit m}}_{\text{i}}{}^{\left(poly\right)}=G\left(x_i;{\overline{y}}_i\right)$.

Die Veranschaulichung komplexer Zahlen in der komplexen Zahlenebene kann entweder durch die Angabe von achsenparallelen Koordinaten erfolgen, wobei der Realteil auf der x-Achse, der Imaginärteil auf der y-Achse gemessen wird oder dadurch, dass Polarkoordinaten benutzt werden. In diesem Fall wird ein Punkt der Ebene durch den Abstand r des Punktes vom Koordinatenursprung und durch den Winkel $\varphi$ zwischen der reellen Achse und dem Vektor vom Ursprung zu dem die Zahl darstellenden Punkt der Ebene angegeben.
Die komplexe Zahl $z=a+bi$ ist dann durch die folgende Form beschrieben:
$z=r\cos \varphi +i\cdot r\sin \varphi =r\left(\cos \varphi +i\sin \varphi \right)$

Der Satz von MOIVRE – benannt nach ABRAHAM DE MOIVRE (1667 bis 1754) – sagt aus, wie die Multiplikation bzw. Division und das Potenzieren von in trigonometrischer Form vorliegenden komplexen Zahlen auf einfache Operationen für die Winkel und die Beträge der komplexen Zahlen zurückgeführt werden können.

Ein Punkt der Ebene kann durch die Angabe von zwei Koordinaten im kartesischen Koordinatensystem, einem geordneten Zahlenpaar $\left[x;y\right]$, eindeutig beschrieben werden.

Eine weitere Möglichkeit stellt die folgende Vorgehensweise dar:
Ein Ursprungspunkt O wird beliebig festgelegt. Von diesem ausgehend wird ein Strahl gezeichnet. Nun beschreiben der Abstand r des Punktes P von O und der Drehwinkel $\varphi$mit $0°\le \varphi <360°$, um den der Strahl aus seiner Ursprungslage bis zum Punkt P werden muss, die Lage des Punktes P eineindeutig.

Das empirisches Gesetz der großen Zahlen, welches JAKOB BERNOULLI (1655 bis 1705) als „theorema aureum“ (goldenen Satz) bezeichnet hat, lautet folgendermaßen:

• Ist A ein Ereignis eines Zufallsexperiments, so stabilisieren sich bei einer hinreichend großen Anzahl n von Durchführungen dieses Experiments die relativen Häufigkeiten $h_n\left(A\right)$.

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.