95 Suchergebnisse

Gleichungen, für die exakte Lösungsverfahren nicht bekannt oder zu zeitaufwendig sind, lassen sich oft mit hinreichender Genauigkeit grafisch lösen.

Dabei geht man von der zu lösenden Bestimmungsgleichung zur entsprechenden Funktionsgleichung über, stellt (unter Verwendung eines Taschenrechners) eine Wertetabelle auf und zeichnet den Graphen der Funktion.

Die Abszissen der Schnittpunkte des Funktionsgraphen mit der x-Achse, also die Nullstellen, sind die Lösungen der Gleichung. Man liest sie näherungsweise ab. Die Genauigkeit beim Ablesen kann verbessert werden, wenn die Funktion in einem immer engeren Intervall um die Nullstelle herum dargestellt wird.

Das Vorgehen beim grafischen Lösen von Gleichungen soll im Folgenden durch ein Beispiel verdeutlicht werden.

Im Folgenden soll die Kettenregel der Differenzialrechnung bewiesen werden.
Die Kettenregel besagt: Die Ableitung einer verketteten Funktion ist gleich dem Produkt der Ableitungen von äußerer und innerer Funktion an der jeweiligen Stelle.
Für die Anwendung der Kettenregel ist eine auf der leibnizschen Schreibweise $\frac{dy}{dx}$ anstelle von $f\text{'}\left(x\right)$ beruhende Notation sehr einprägsam.

Mitunter wird man mit dem Problem konfrontiert, die Wahrscheinlichkeit für ein Ereignis A zu berechnen, das im Zusammenhang mit n verschiedenen Ereignissen $B_i$ auftritt (in der Praxis können die $B_i$ zum Beispiel verschiedene Fälle oder Ursachen von A sein), wobei sich die Wahrscheinlichkeiten für die Ereignisse $B_i$ und insbesondere für das Eintreten von A unter der Bedingung, dass jeweils ein $B_i$ eingetreten ist, mitunter leichter angeben bzw. ermitteln lassen.

Gesucht ist also eine Aussage über eine „unbedingte“ Wahrscheinlichkeit, wenn Informationen über bedingte Wahrscheinlichkeiten vorliegen bzw. primär bestimmbar sind. Bei einer solchen Problemsituation wird man versuchen, den im Folgenden angeführten Satz der totalen Wahrscheinlichkeit anzuwenden.

Bei der Lösung kombinatorischer Probleme sind zwei Zählprinzipien hilfreich – das für k-Tupel und das für Mengen.

Zufallsziffern können genutzt werden zur Simulation von Zufallsexperimenten (Zufallsversuchen). Mithilfe der Randomfunktion von Computern und Taschenrechnern lassen sich (Pseudo-)Zufallszahlen erzeugen.

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.

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. ${\overline{y}}_{i+1}={\overline{y}}_i+h\cdot m_i{}^{\left(poly\right)}{\text{ mit m}}_{\text{i}}{}^{\left(poly\right)}=G\left(x_i;{\overline{y}}_i\right)$.

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.

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.