Noemi Kurt

Stochastik für Informatiker (eBook, PDF)

Eine Einführung in einheitlich strukturierten Lerneinheiten

• Format: PDF

Produktbeschreibung

Dieses Lehrbuch führt in 16 einheitlich gegliederten Kapiteln in die Wahrscheinlichkeitstheorie und Statistik ein. Dabei sind die Lernziele und benötigten Vorkenntnisse jeweils angegeben und erleichtern in Kombination mit prägnanten Zusammenfassungen die Orientierung je Kapitel. Dank vieler durchgerechneter Beispiele und Übungsaufgaben mit Lösungen kann das Buch gut zum Selbststudium oder als Begleitliteratur zur Vorlesung verwendet werden.

Nach einer sorgfältigen Einführung der Grundlagen geben weiterführende Kapitel spannende Ausblicke in Anwendungsbereiche der Stochastik und der stochastischen Modellierung - etwa Markov-Ketten, stochastische Algorithmen, Warteschlangen und Monte-Carlo-Simulationen. Leserinnen und Leser erhalten so ein solides mathematisches Fundament, um die Stochastik im weiteren Studium und in der Praxis auch in komplexen Situationen anwenden zu können.

Das Buch richtet sich an Studierende der Informatik und technischer Fachrichtungen ab dem dritten Studiensemester. Dozenten liefert es eine passgenaue Auswahl für eine einsemestrige Vorlesung.

Die Autorin

Noemi Kurt ist Juniorprofessorin am Institut für Mathematik der TU Berlin. Ihr Fachgebiet ist die mathematische Stochastik mit Anwendungen in Biologie und Physik.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: Springer Berlin Heidelberg
• Seitenzahl: 258
• Erscheinungstermin: 4. Februar 2020
• Deutsch
• ISBN-13: 9783662605165
• Artikelnr.: 58644576

Autorenporträt

Noemi Kurt ist Juniorprofessorin am Institut für Mathematik der TU Berlin. Ihr Fachgebiet ist die mathematische Stochastik mit Anwendungen in Biologie und Physik.

Inhaltsangabe

Endliche Wahrscheinlichkeitsräume.- Bedingte Wahrscheinlichkeiten und Unabhängigkeit.- Diskrete Zufallsvariablen und Verteilungen.- Gemeinsame Verteilung, Unabhängigkeit von Zufallsvariablen.- Kenngrößen für Zufallsvariablen.- Zufallsvariablen mit Dichte.- Grenzwertsätze.- Parameterschätzung.- Konfidenzbereiche.- Hypothesentests.- Markov-Ketten.- Randomisierte Algorithmen: Beispiele und Anwendungen.- Verzweigungsprozesse und erzeugende Funktionen.- Warteschlangenmodelle und Markov-Ketten in stetiger Zeit.- Simulation von Zufallsvariablen, Monte-Carlo Methode.- Markov-Ketten-Monte-Carlo und Konvergenzgeschwindigkeit.