261 Suchergebnisse

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“.

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.

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 $\overrightarrow{c}$.

• Eine n-fach und unabhängig voneinander ausgeführte Realisierung eines BERNOULLI-Experiments mit der Erfolgswahrscheinlichkeit p heißt BERNOULLI-Kette der Länge n und mit der Erfolgswahrscheinlichkeit p oder kurz BERNOULLI-Kette mit den Parametern n und p.

Dazu betrachten wir im Folgenden ein Anwendungsbeispiel.

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.

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.

Ein Zufallsexperiment (Zufallsversuch) mit einer endlichen Ergebnismenge $\Omega =\left\{e_1;e_2;\mathrm{...};e_n\right\}$ heißt LAPLACE-Experiment, wenn es der LAPLACE-Annahme genügt, d.h. wenn alle seine atomaren Ereignisse gleichwahrscheinlich sind, d.h. wenn diese jeweils mit derselben Wahrscheinlichkeit $P\left(\left\{e_1\right\}\right)=P\left(\left\{e_2\right\}\right)=\mathrm{...}=P\left(\left\{e_n\right\}\right)$ eintreten.

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.

Es sei X eine standardnormalverteilte Zufallsgröße mit der Dichtefunktion
$\varphi \left(x\right)\text{:}x\mapsto \frac{1}{\sqrt{2\pi }}{e}^{-\frac{1}{2}{x}^2}(x\in ℝ)$
und der gaußschen Glockenkurve als Graph ihrer Dichtefunktion.

Die Verteilungsfunktion von X wird mit $\Phi$ bezeichnet und gaußsche Summenfunktion (bzw. auch gaußsche Integralfunktion oder GAUSSsches Fehlerintegral) genannt.
Es gilt:
$P\left(X\le a\right)=\Phi \left(a\right)={\displaystyle \underset{-\infty }{\overset{a}{\int }}\varphi \left(x\right)dx}$

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

Unter dem Mittelwert zweier oder mehrerer Zahlen wird meist das arithmetische Mittel (bzw. der Durchschnitt) verstanden. Darüber hinaus sind allerdings mit dem geometrischen und dem harmonischen Mittel noch weitere Mittelbildungen möglich.

Eine Möglichkeit der Darstellung einer Zahlenfolge ist die Angabe einer rekursive Bildungsvorschrift.
Eine rekursive Bildungsvorschrift gibt an, wie man ein beliebiges Glied $a_{n\mathrm{}}$+1 einer Zahlenfolge aus seinem Vorgänger $a_n$ oder auch aus mehreren Vorgängern $a_n,a_{n-1}$ usw. gewinnen kann und wie das Anfangsglied $a_1$ (und ggf. auch noch darauf folgende Glieder) der Folge lautet (lauten).
Beispiel für rekursiv definierte Folgen sind die FIBONACCI-Folge und die sogenannte $\left(3n+1\right)\text{-Folge}$ (ULAM-Folge).

Für das Lösen vieler physikalischer und technischer Probleme ist es wichtig, die Koordinaten des Schwerpunktes einer Fläche zu kennen.