7690 Suchergebnisse

* 28. März 1749 Beaumont-en-Auge
† 5. März 1827 Paris

PIERRE SIMON DE LAPLACE lieferte bedeutende Beiträge auf den Gebieten der Wahrscheinlichkeitsrechnung, der höheren Analysis sowie der Himmelsmechanik.
So fasste er beispielsweise in seinem 1812 erschienenen Werk „Théorie analytique des probabilités“ das damalige Wissen zur Wahrscheinlichkeitsrechnung zusammen.

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.

Interessieren bei der n-maligen Durchführung eines Zufallsexperiments nicht nur zwei Ereignisse und ihre jeweiligen Gegenereignisse, sondern mehrere, so versucht man, die registrierten absoluten und relativen Häufigkeiten bzw. die Wahrscheinlichkeiten der dann möglichen Ereignisse (in Verallgemeinerung der Vierfeldertafel) in Form einer Mehrfeldertafel zu protokollieren.
Als Beispiele werden Achtfeldertafeln mit zwei und drei Zerlegungen betrachtet.

* 26. Mai 1667 Vitry (bei Paris)
† 27. November 1754 London

ABRAHAM DE MOIVRE, der als Emigrant in London lebte, gilt als einer der Pioniere der Wahrscheinlichkeitsrechnung. Speziell seine Untersuchungen zu Sterblichkeits- und Rentenproblemen bildeten eine Grundlage für die Entwicklung der Wahrscheinlichkeitstheorie durch LAPLACE.

In der Praxis steht man oftmals vor der Notwendigkeit, Wahrscheinlichkeiten für Ereignisse der Gestalt $A\cap B$ zu berechnen. Dies erweist sich aber nicht immer als ganz einfach. Wir betrachten dazu zwei Anwendungsbeispiele.

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.

* 19. Juni 1623 Clermont
† 19. August 1662 Paris

BLAISE PASCAL schuf gemeinsam mit FERMAT die Grundlagen der Wahrscheinlichkeitsrechnung. Mit seinem Namen verbunden sind das pascalsche Zahlendreieck, der Satz von PASCAL sowie die Rechenmaschine „Pascaline“.
Auch auf naturwissenschaftlichem Gebiet war BLAISE PASCAL tätig, u.a. schuf er die Grundlagen der Hydrostatik.

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.

Mithilfe eines Baumdiagramms lässt sich der mögliche Ablauf eines mehrstufigen Zufallsexperiments mit endlich vielen möglichen Ergebnissen in seiner komplexen Struktur erfassen, darstellen und analysieren. Zudem ist es damit möglich, auf Grundlage der ersten und zweiten Pfadregel die Wahrscheinlichkeiten für atomare und zusammengesetzte Ereignisse eines solchen Experiments in einfacher Weise zu berechnen.

* 21. Juni 1781 Pithiviers (Dep. Loiret)
† 25. April 1840 Paris

SIMÉON DENIS POISSON war ein äußerst vielseitiger Wissenschaftler. Seine Arbeitsgebiete umfassten nahezu alle Teilgebiete der Physik sowie in der Mathematik neben Infinitesimalrechnung und Differenzialgeometrie vor allem die Wahrscheinlichkeitsrechnung.
Nicht wenige Größen und Gesetze in Physik und Mathematik tragen heute seinen Namen.

Unter stochastischen Prozessen werden Folgen von Zufallsversuchen verstanden. Sie treten in den verschiedensten Praxisbereichen auf, z.B. in der Physik der kleinsten Teilchen, bei Warteschlangen- und Bedienungsproblemen, in der Zuverlässigkeitstheorie, bei der Bevölkerungsbewegung oder auch bei Prognoseaussagen.
Der bekannteste stochastische Prozess ist der markowsche Prozess (bzw. die MARKOW-Kette).

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.

Als Simulation bezeichnet man die Nachbildung (das Nachahmen) eines Zufallsversuchs mithilfe eines geeigneten Zufallsgeräts. Als Zufallsgeräte werden Würfel oder Münzen verwendet, mitunter arbeitet man auch mit (in Tabellen zusammengestellten) Zufallszahlen (Zufallsziffern).

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:
$P\left(X\le a\right)=\Phi \left(a\right)={\displaystyle \underset{-\infty }{\overset{a}{\int }}\varphi \left(x\right)dx}$

* 04. Mai 1821 Okatovo (Russland)
† 26. November 1894 St. Petersburg

PAFNUTI LWOWITSCH TSCHEBYSCHEW war einer der bedeutendsten russischen Mathematiker des 19. Jahrhunderts. Er gilt als Begründer der sogenannten Petersburger mathematischen Schule.
Arbeitsschwerpunkte TSCHEBYSCHEWS waren u.a. wahrscheinlichkeitstheoretische Untersuchungen sowie die Approximation (näherungsweise Darstellung) von Funktionen.

Abschätzungen für Wahrscheinlichkeiten spielen in der Stochastik eine wichtige Rolle, und zwar sowohl bei theoretischen Untersuchungen (Grenzwertsätze) als auch bei praktischen Anwendungen, wenn z.B. nach der noch vertretbaren (hinnehmbaren) Ausschusswahrscheinlichkeit einer Produktionsanlage gefragt wird. Eine der bekanntesten Wahrscheinlichkeitsabschätzungen ist die Ungleichung von TSCHEBYSCHEW.

In der Wahrscheinlichkeitsrechnung spielt das Ziehen aus einer Urne mit verschiedenfarbigen, aber ansonsten gleichen Kugeln eine besondere Rolle. Es wird als ein gedankliches Modell zur Interpretation praktischer Aufgaben (insbesondere sogenannter Standardsituationen) genutzt.

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

Werden einer Urne mit genau N Kugeln (davon M weiße und $N-M$ rote) genau n Kugeln „auf gut Glück“ entnommen und gibt die Zufallsgröße X die Anzahl der dabei herausgegriffenen weißen Kugeln an, so ist X hypergeometrisch verteilt, wenn die Kugeln ohne Zurücklegen entnommen werden, - im Unterschied zur Entnahme mit Zurücklegen.
Bevorzugtes Anwendungsgebiet der hypergeometrischen Verteilung ist die statistische Qualitätskontrolle.

Der hypergeometrischen Verteilung $H_{N;M;n}$ liegt ein Urnenmodell mit Kugeln von (genau) zwei verschiedenen Farben zugrunde. Verallgemeinert man diese Konstellation auf (genau) r mit $r\in \mathbb{N}\backslash \left\{0;1\right\}$ verschiedene Farben, so hat man es mit verallgemeinert-hypergeometrischen Zufallsgrößen zu tun.

Beim Berechnen der Wahrscheinlichkeiten von Ereignissen ist es oft zweckmäßig, sich die entsprechenden Wahrscheinlichkeiten mittels einer Vier- oder Mehrfeldertafel zu veranschaulichen.
In diesem Zusammenhang geht es immer um eine Zerlegung der Ergebnismenge $\Omega$ in Ereignisse, von denen bei jeder Realisierung des entsprechenden zufälligen Vorganges stets genau eines eintritt.

Der Grad der Gewissheit über das Eintreten eines zufälligen Ereignisses A wird durch seine Wahrscheinlichkeit $P\left(A\right)$ angegeben.
Liegt jedoch die Information über das Eintreten eines Ereignisses B vor, so kann diese die Bewertung der Eintrittschancen von A verändern, was durch die bedingte Wahrscheinlichkeit $P_B\left(A\right)$ beschrieben wird.