Vorbereitung 30 Min. Koch- / Backzeit 45 Min. Zeit Gesamt 1 Std. 15 Min.
Home Rezept Bislang wurden leider noch keine Informationen zur Suchanfrage Tim Mälzer Hokkaido Kürbis hier auf der Webseite veröffentlicht
Kürbis grob raspeln. Mango schälen und das Fruchtfleisch klein schneiden. Etwas Öl in einem Topf erhitzen und Zwiebeln darin anschwitzen. Linsen, geraspelten Kürbis und Tomatenmark zugeben und kurz mitdünsten. Mit Chiliflocken würzen. Mit Gemüsebrühe ablöschen, Mango zugeben und aufkochen. Bei mittlerer Hitze etwa 10 Min. köcheln lassen. Koriandergrün grob hacken. Die beste Kürbissuppe mit Kokosmilch / Thomas kocht - YouTube. Schale der Limette dünn abreiben und Saft auspressen. Suppe mit dem Schneidstab sehr fein pürieren und mit Limettenabrieb, Limettensaft, Salz und Pfeffer abschmecken. Mit Koriandergrün bestreut servieren. Noch mehr Rezepte im Heft! Immer mit Gelinggarantie und dem besonderen Pfiff: Noch mehr tolle Alltagsrezepte gibt es auf der Website von essen & trinken - Für jeden Tag und natürlich im Heft mit Tim Mälzer - hier geht's zur Bestellseite!
Zum Inhalt springen Wer bei diesem Rezept nicht zum Suppenkasper wird, dem ist wohl nicht mehr zu helfen. 😉 Die Suppe aus roten Linsen ist nicht nur schnell und einfach gezaubert, sondern auch noch richtiges Futter für Herz und Seele. Dabei ist sie absolut nicht schwer, ganz im Gegenteil, denn in 100 Gramm Roten Linsen stecken gerade 285 Kalorien. Die fettarmen und besonders zinkhaltigen Proteinspender müssen, anders als ihre braunen und grünen Kollegen, nicht eingeweicht werden und sind innerhalb von 10-15 Minuten gar. Leicht Rezepte, Praktisches und leckeres Rezeptportal. Die Suppe habe ich vor Jahren mal bei Tim Mälzer abgeschaut. Sie gehört bis heute zu meinen Lieblingsrezepten für die schnelle und gesunde Küche und kommt gleich nach Kürbissuppe. Für 2-3 Personen benötigt man: 250 g Rote Linsen 750 ml Gemüsefonds oder Brühe 1-2 Zwiebeln 1 Chilischote 1-2 EL Rotweinessig Salz, Pfeffer eventuell eine Knoblauchzehe Die Zwiebeln werden ganz grob geschnitten und in einem Esslöffel Olivenöl angeschwitzt. Dann kommen die Linsen und die Chilischote dazu.
Dazu betrachten wir den Ergebnisraum $\Omega$. Insgesamt setzt sich $\Omega$ aus $A$ und seinem Komplement $\overline{A}$ zusammen, also: $\Omega = A \sqcup \overline{A}$ Wir können außerdem $B$, und damit die Wahrscheinlichkeit $P(B)$, mit den Schnittmengen von $A$ mit $B$ und $\overline{A}$ mit $B$ darstellen: $P(B) = P(A \cap B) + P(\overline{A} \cap B)$ Diese Formel nennt man den Satz von der totalen Wahrscheinlichkeit. Die Wahrscheinlichkeiten der beiden Schnittmengen haben wir schon in unseren Baumdiagrammen gefunden. Wir müssen sie nur noch als Produkt der Wahrscheinlichkeiten der jeweiligen Äste darstellen: $P(B) = P(A) \cdot P(B|A) + P(\overline{A}) \cdot P(B|\overline{A}) $ Mit dieser Formel können wir also die Wahrscheinlichkeit für das Ereignis $B$ durch die bedingten Wahrscheinlichkeiten sowie die Wahrscheinlichkeiten von $A$ und $\overline{A}$ ausdrücken. Diesen Zusammenhang setzen wir für $P(B)$ ein und erhalten den Satz von Bayes: $P(A|B) = \frac{P(A) \cdot P(B|A)}{P(A) \cdot P(B|A) + P(\overline{A}) \cdot P(B|\overline{A})}$ Das schreiben wir noch einmal sauber auf.
Das Ergebnis kann man auch so ausdrücken: Die Gewinnwahrscheinlichkeit für Tür 1 ist eine Invariante des Spiels; ebenso die Gewinnwahrscheinlichkeit für "Tür 2 oder 3". Schema für die "Wechselstrategie" Für die folgende Erklärung wird festgelegt, dass der Kandidat Tor 1 wählt. (Die gleiche Erklärung lässt sich auch für Tor 2 oder Tor 3 durchführen. ) Das Auto kann hinter einer der drei Tore stehen. Wählt der Kandidat die Immer-Wechseln-Strategie, dann führt das in den drei Situationen zu folgendem Resultat. Tor 1: Auto Tor 2: Ziege Tor 3: Ziege Der Kandidat wählt Tor 1 und ihm wird entweder die Ziege von Tor 2 oder Tor 3 gezeigt. Durch einen Wechsel verliert er. Tor 1: Ziege Tor 2: Auto Der Kandidat wählt Tor 1 und ihm wird die Ziege hinter Tor 3 gezeigt. Durch einen Wechsel gewinnt er. Tor 3: Auto Der Kandidat wählt Tor 1 und ihm wird die Ziege hinter Tor 2 gezeigt. Durch einen Wechsel gewinnt er. Fazit: Er gewinnt in zwei von drei Fällen durch einen Wechsel. Satz von Bayes In der Wahrscheinlichkeitsrechnung existiert mit dem Satz von Bayes eine Formel zum Rechnen mit bedingten Wahrscheinlichkeiten.
Diese landet immer mit Kopf nach oben. Sie wählen eine der drei Münzen zufällig aus, die Wahrscheinlichkeit, dass es sich dabei um die manipulierte handelt, ist 1 / 3. Dies ist die vorherige Wahrscheinlichkeit der Hypothese, dass es sich um die manipulierte Münze handelt. Nun wählen wir eine Münze zufällig aus und werfen sie drei Mal. Wir stellen fest, dass die Münze jedes Mal Kopf gezeigt hat. Mit diesen neuen Erkenntnissen, wollen wir nun wissen, ob die vorherige Wahrscheinlichkeit, ob es sich um eine manipulierte Münze handelt, noch 1 / 3 ist. Die Antwort auf diese Frage kann mit dem Satz von Bayes beantwortet werden: die Wahrscheinlichkeit, dass es sich bei der Münze um die manipulierte handelt ist nun von 1 / 3 auf 4 / 5 gestiegen. Beispiel 2 Ein Drogentest hat eine Spezifität von 99% und eine Sensitivität von ebenfalls 98, 5%. Das bedeutet, dass die Ergebnisse des Test zu 99% für Drogenabhängige korrekt sein wird und zu 98% für Nicht-Drogenabhängige. Wenn wir wissen, dass 0, 5% der getesteten Menschen die Droge genommen haben, wie hoch ist die Wahrscheinlichkeit, dass eine zufällig ausgewählte Person, die positiv geteste wurde, auch tatsächlich die Droge konsumiert hat?
Der Satz von Bayes beschreibt den Zusammenhang zwischen den bedingten Wahrscheinlichkeiten P(A|B) und P(B|A). Mit seiner Hilfe kannst Du bedingte Wahrscheinlichkeiten ermitteln, die man nicht direkt beobachten kann. Ein Unternehmen setzt ein standardisiertes Bewerbungsverfahren ein, um seine Mitarbeiter einzustellen, und glaubt, dass das Verfahren im Großen und Ganzen nicht schlecht funktioniert. Der Personalabteilung sind verschiedene Ereignisse und deren Wahrscheinlichkeiten bekannt:: "Der Bewerber ist geeignet. ": "Der Bewerber ist nicht geeignet. ": "Der Bewerber wird eingestellt": "Der Bewerber wird nicht eingestellt. ": "Der eingestellte Bewerber ist geeignet": "Der eingestellte Bewerber ist nicht geeignet" Satz von Bayes zur Berechnung von bedingten Wahrscheinlichkeiten Jetzt wüsste man gern, mit welcher Wahrscheinlichkeit ein de facto geeigneten Bewerber tatsächlich eingestellt wird, gesucht ist also P(B|A). Diese Wahrscheinlichkeit ist nicht direkt beobachtbar, kann aber mittels des Satzes von Bayes berechnet werden.
Lehrer Stochasius bittet nun die Schüler, anhand der gewürfelten Zahlenfolge eine Vermutung über den von ihm benutzten Würfel zu äußern. Es beginnt eine lebhafte Diskussion, aus der sich folgende Aussagen herauskristallisieren: Die ersten beiden Ziffern der Zahlenfolge sprechen für die Würfel W und V sowie gegen den Würfel U. Die Wahrscheinlichkeit, mit dem Würfel U eine 2 zu würfeln, beträgt zwar 0, 5, aber aufgrund der vorherigen Zahlen sind die Würfel V und W weiter zu favorisieren. Die Zahlenfolge 2, 4, 2 ist für den Würfel W unwahrscheinlich, so dass man ihn wohl ausschließen kann, was durch die darauf folgende 3, die auf W nicht vorhanden ist, bestätigt wird. Die Chancen für den Würfel U müssten durch das zweimalige Auftreten der 2 gestiegen sein. Dreimal hintereinander eine 1 zu würfeln, ist für den Würfel U ein unwahrscheinliches Ereignis, sodass sich die Schüler überwiegend für V aussprechen. Daran kann die folgende 2 wohl nicht viel ändern. Wesentlich für die hier wiedergegebenen Überlegungen ist, dass versucht wird, aus dem Ergebnis des durchgeführten zehnmaligen Würfelns auf die schon erfolgte unbekannte Auswahl des Würfels zurückzuschließen.
Von diesen werden 3% und somit 299, 7 Personen (9. 990 * 0, 03 = 299, 7) fälschlicherweise als "gesucht" identifiziert. Fälschlicherweise als gesucht identifizierte Personen: 9. 990 * 0, 03 = 299, 7 Richtigerweise als gesucht identifizierte Personen: 10 * 0, 92 = 9, 2 Insgesamt als gesucht identifizierte Personen: 299, 7 + 9, 2 = 308, 9 Verhältnis: 9, 2 / 308, 9 = 0, 02978 Die Wahrscheinlichkeit dafür, dass die Auslösung eines Alarms tatsächlich auf die Entdeckung einer gesuchten Person zurückgeht, liegt trotz der hohen Treffergenauigkeit der Software aufgrund der geringen a priori-Wahrscheinlichkeit des Merkmals "wird gesucht" bei lediglich 2, 9%. Die hier vorgestellten Inhalte und Aufgaben sind Teil der Vorlesung "Grundlagen der Statistik" im berufsbegleitenden Bachelor-Studiengang Betriebswirtschaftslehre an der Hochschule Harz. Eine vollständige Übersicht aller Inhalte dieser Vorlesung im Wissenschafts-Thurm findet sich hier: Grundlagen der Statistik.