Das Nadelproblem von Buffon

Slides:



Advertisements
Ähnliche Präsentationen
Fachdidaktik Seminar – Kernideen der Mathematik
Advertisements

Definition [1]: Sei S eine endliche Menge und sei p eine Abbildung von S in die positiven reellen Zahlen Für einen Teilmenge ES von S sei p definiert.
Stochastik und Markovketten
Die Laufzeit von randomisierten (zufallsgesteuerten) Algorithmen hängt von gewissen zufälligen Ereignissen ab (Beispiel Quicksort). Um die Laufzeiten dieser.
Polynomial Root Isolation
Kapitel 5 Wahrscheinlichkeit
Algebraische Zahlen: Exaktes Rechnen mit Wurzeln
Wiederholung TexPoint fonts used in EMF.
k-Sigma-Intervalle Vortrag zu dem Thema
Genetische Algorithmen für die Variogrammanpassung
HIPPOKRATES VON CHIOS ( griechischer Mathematiker, um 440 v. Chr.)
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2005 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-17.
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2005 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-23.
Algorithmentheorie 04 –Hashing
Kapitel 5 Stetigkeit.
Kapitel 6 Mehrstufige Zufallsexperimente
Kapitel 6 Differenzierbarkeit. Kapitel 6: Differenzierbarkeit © Beutelspacher Juni 2005 Seite 2 Inhalt 6.1 Die Definition 6.2 Die Eigenschaften 6.3 Extremwerte.
Kapitel 4 Geometrische Abbildungen
Portfoliomodelle Faktormodelle
Algorithmen des Internets 2005 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität 1 Materialien zu Übung 9 Bälle in Körbe Ranged.
Mathematische Grundlagen und Rechnen mit algebraischen Zahlen
Bitte mein Manuskript (liegt im Bibliotheksgebäude aus) nicht nach Außerhalb tragen. Die Weitergabe an Dritte (d. h. an Personen, die nicht Hörer der Vorlesung.
Wahrscheinlichkeitstheorie. Statistische Methoden I WS 2009/2010 Einleitung: Wie schätzt man die Zahl der Fische in einem See? Zur Geschichte der Statistik.
Vorlesung Biometrie für Studierende der Veterinärmedizin
Wiederholung und Beispiele
Bayes‘sche Verfahren (Mitchell Kap. 6), Teil 1
Maschinelles Lernen Bayessche Verfahren (Mitchell Kap. 6), Teil 1.
Wahrscheinlichkeitsrechnung
Histogramm/empirische Verteilung Verteilungen
Allgemeine stetige Verteilungen und konkrete Anwendungen
Das Atommodell nach Schrödinger
1.3. Kombinatorische Zählprobleme Zählstrategien
Wahrscheinlichkeitsrechnung Grundbegriffe
Ausgleichungsrechnung I
Wahrscheinlichkeitsverteilung
STATISIK LV Nr.: 1375 SS März 2005.
Effiziente Algorithmen
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Praktische Optimierung
Institut für Theoretische Informatik
Wahrscheinlichkeit Zufallsexperiment:
STATISIK LV Nr.: 0028 SS Mai 2005.
STATISIK LV Nr.: 1852 WS 2005/ Dezember 2005.
Wahrscheinlichkeitsrechnung
WIR SPIELEN STATISTIKER Unterhaltung mit der Wahrscheinlichkeit
Wahrscheinlichkeitsrechnung
Referat über das Thema STOCHASTIK.
Die Wahrscheinlichkeit
Bisherige Vorlesungen: Beschreibende Statistik
Grundbegriffe der Stochastik
Paris Beim Glücksspiel
1 (C) 2002, Hermann Knoll, HTW Chur, Fachhochschule Ostschweiz Wahrscheinlichkeitsverteilung Lernziele: Wahrscheinlichkeitsverteilung und der Wahrscheinlichkeitsdichte.
1. 2. Berechnen von Wahrscheinlichkeiten
Der Zentralwert.
Automaten, formale Sprachen und Berechenbarkeit II SoSe 2004 Prof. W. Brauer Teil 3: Potenzreihen und kontextfreie Sprachen (Vgl. Buch von A. Salomaa)
Reelle Zahlen Grundrechenarten √2, √3, √5, … V 0.1.
Stetige Kleinste-Quadrate-Approximation
Begriff der Zufallsgröße
Schnittpunkt von zwei Geraden
Kopfübungen BORG Schoren KÜ 3
Stochastik Grundlagen
Wie berechnet man ein Dreieck?
Stochastik ganz kurz Beispiel diskret Würfelwurf Beispiel stetig
K. Desch - Statistik und Datenanalyse SS05
Die Binomialverteilung
Stochastik I Erwartungswert
Vorbereitungsseminar zum fachdidaktischen Blockpraktikum im SS 2011
Welche möglichen Ergebnisse gibt es beim Würfeln mit einem Würfel?
Vorbereitungsseminar zum fachdidaktischen Blockpraktikum SS 2010 Seminarsitzung: Oberstufe Stochastik -Planung einer Unterrichtsstunde- Seminarleiterin:
Wahrscheinlichkeitsrechnung Stochastische Unabhängigkeit Ex
 Präsentation transkript:

Das Nadelproblem von Buffon Philipps-Universität Marburg WS 2009 / 2010 FB 12 Mathematik Seminar: Klassische Probleme der Mathematik Leitung: Benjamin Schwarz Referentin: Nelli Töws Datum: 25.11.2009

Gliederung Einleitung Georges Louis Leclerc, Comte de Buffon Das Nadelproblem von Buffon Grundbegriffe Geometrischer Beweis Stochastischer Beweis Berechnung von  mit unseren Versuchsergebnissen Literaturverzeichnis

heute sind über 1.241.100.000.000 Nachkommastellen von  bekannt Einführung 250 v. Chr. Archimedes heute sind über 1.241.100.000.000 Nachkommastellen von  bekannt Kettenbruchentwicklung Annäherung von  durch Polygone

Georges Louis Leclerc, Comte de Buffon * 7. September 1701 † 16. April 1788 1770 1760 1750 1740 1730 1720 1710 1700

Das Nadelproblem Wenn man eine kurze Nadel auf liniertes Papier fallen lässt – wie groß ist dann die Wahrscheinlichkeit, dass die Nadel so liegen bleibt, dass sie eine der Linien kreuzt?

Das Nadelproblem Satz: kurze Nadel: l  d lange Nadel: l  d Satz: Eine kurze Nadel der Länge l werde auf liniertes Papier fallen gelassen, dessen Linien einen Abstand d  l haben. Dann ist die Wahrscheinlichkeit, dass die Nadel in einer Position zu liegen kommt, in der sie eine der Linien des Papiers kreuzt, genau .

Annäherung der Kreiszahl   = 3,1596 (Wolf, 1850, 5.000 Würfe)  = 3,1553 (Smith, 1855, 3.204 Würfe)  = 3,1419 (Fox, 1894, 1.120 Würfe)  = 3,1415929 (Lazzarini, 1901, 3.408 Würfe)

Grundbegriffe Der Wahrscheinlichkeitsbegriff ist ein Maß zur Quantifizierung der Sicherheit bzw. Unsicherheit des Eintretens eines bestimmten Ereignisses im Rahmen eines Zufallsexperiments. Die Wahrscheinlichkeit ist somit ein Grad der Gewissheit, wobei die Gewissheit unterschiedliche Gründe haben kann. Laplace: „Die Wahrscheinlichkeit eines Ereignisses ist der Quotienten aus der Anzahl des Eintretens von günstigen Fällen und der Anzahl aller möglichen Fälle, wobei vorausgesetzt wird, dass die verschiedenen Fälle alle gleichmöglich sind.“

Grundbegriffe Ein Ereignis ist der Ausgang eines Experiments. Bsp.  3 beim Würfeln Viele Elementarereignisse  bilden zusammengesetzt ein Ereignis. Bsp. {3}, {4}, {5}, {6} Eine nichtleere Menge  heißt Grundraum oder Ereignisraum. Die Elemente des Ereignisraums heißen Elementarereignisse. Bsp. {„Kopf“, „Zahl“}

Geometrischer Beweis Vorüberlegung: 2 1

Geometrischer Beweis Eigentlicher Beweis: Sei y der Abstand des Mittelpunktes der Nadel von derjenigen Geraden, die ihm am nächsten liegt und  der Winkel, den die Nadel mit dieser Geraden einschließt

Geometrischer Beweis Die Nadel kreuzt keine Linie Die Nadel kreuzt Die Nadel berührt eine Linie

Geometrischer Beweis Es gilt und Eine Linie wird gekreuzt, wenn gilt.

Stochastischer Beweis Eine Zufallsvariable oder Zufallsgröße bezeichnet eine Funktion, die den Ergebnissen eines Zufallsexperiments Werte zuordnet. Diese Werte werden als Realisation der Zufallsvariable bezeichnet. Zufallsvariable (X) Realisation (x). Der Erwartungswert einer Zufallsvariablen X ist jener Wert, von dem man annimmt, dass er sich bei einer oftmaligen Wiederholung des Experiments durchschnittlich ergibt.

Stochastischer Beweis mit x1, x2, …, xn Werte eines Ergebnisses und deren Wahrscheinlichkeiten p1, p2, …, pn . Bsp.: Die Wahrscheinlichkeiten eine der Zahlen 1,…,6 zu würfeln sind jeweils

Stochastischer Beweis Sei l die Länge der Nadel p1 die Wahrscheinlichkeit, dass die Nadel genau eine Linie kreuzt, p2 die Wahrscheinlichkeit, dass die Nadel genau zwei Linien kreuzt, usw. N die Zufallsvariable, die die Anzahl der Kreuzungspunkte zählt Also Wahrscheinlichkeit für mindestens einen Kreuzungspunkt ist da

Stochastischer Beweis = erwartete Anzahl von Kreuzungspunkten, die wir für eine Nadel der Länge l erhalten Sei nun Sei nun

Stochastischer Beweis Es gilt Beweis: IA: IV: IS: q.e.d.

Stochastischer Beweis Es gilt weiterhin gilt Beweis: Sei und q.e.d.

Stochastischer Beweis Es gilt weiterhin gilt Da nun monoton von abhängt, gilt auch Beweis: mit q.e.d.

Stochastischer Beweis = erwartete Anzahl von Kreuzungspunkten, die wir für eine Nadel der Länge l erhalten Sei nun Es gilt also

Stochastischer Beweis Polygonale Nadel der Länge l Macht es einen Unterschied, ob die Nadel gerade oder gebogen ist?

Stochastischer Beweis Polygonale Nadel der Länge l auch hier gilt Kreis C mit Durchmesser d und Länge

Stochastischer Beweis Da nun und (1) sowohl Pn als auch Pn approximieren C für (1) Da nun und da q.e.d.

Unsere Berechnung von  = 3,141592653589793238462643382795028841971693993751058209749445923078164062862089986280348253421170679…

Quellen Literatur Internet Bilder http://www.kreiszahl.de/picrumb.htm Martin Aigner, Günter M. Ziegler: Das Buch der Beweise, 2. Auflage. Springer Berlin Heidelberg 2004, S. 147-150 Karl Bosch: Elementare Einführung in die Wahrscheinlichkeitsrechnung. Vieweg studium - Basiswissen 1984, 4. Auflage, S. 25-29 Internet http://www.mohamed-naji.de/Repetitorium/Dateien/PraesentationsPruefungAbitur05.pdf http://www2.mathematik.uni-mainz.de/monoid/Monoid72.pdf http://www.wissenschaft-online.de/sixcms/media.php/924/September\_2007\_Buffon.pdf http://www.madeasy.de/2/p.htm http://www.mathepedia.de/Zufallsvariablen.aspx http://www.cwscholz.net/projects/fba/fba.html Bilder http://upload.wikimedia.org/wikipedia/commons/7/7f/Georges-Louis\_Leclerc,\_Comte\_de\_Buffon.jpg http://home.balcab.ch/venanz.nobel/qwant/frankreichkarte.png http://de.wikipedia.org/wiki/Kreiszahl http://www.kreiszahl.de/picrumb.htm

Danke für die Aufmerksamkeit 