Lösungen zu den Übungsaufgaben (zur Vorbereitung auf die Klausur am )
|
|
- Ella Blau
- vor 5 Jahren
- Abrufe
Transkript
1 Dr. Moritz Diehl Dr. Torsten Fischer Ileana Borja Tecuatl, Gerrit Schultz Interdisziplinäres Zentrum für Wissenschaftliches Rechnen (IWR) Zentrum für Molekulare Biologie (ZMBH) Mathematik B für die Molekulare Biotechnologie, SS 3 Lösungen zu den Übungsaufgaben (zur Vorbereitung auf die Klausur am 6.6.3) Aufgabe. Geben Sie zu jeder der folgenden Funktionen in der Variable x eine Stammfunktion an. Die Parameter α, ω sind positive reelle Zahlen. f (x) = sin(ωx), f (x) = x + x, f 3(x) = e αx cos(ωx), f 4 (x) = ex e x + 3, f 5 (x) = ln x für x >, f 6 (x) = 3 x für x >, f 7 (x) = tan x für x ] π, π [. sin(ωx) dx = ω cos(ωx).. x + x dx = x + x dx (Substitution v.l.n.r. y = + x ) = y dy y=+x = ln y y=+x = ln( + x ). 3. ) ( + ω α e αx cos(ωx) dx = α e αx cos(ωx) ω α e αx sin(ωx) dx = α e αx cos(ωx) ω [ α α e αx sin(ωx) + ω α = α e αx cos(ωx) + ω α e αx sin(ωx) ω α e αx cos(ωx) dx = α e αx cos(ωx) + ω α e αx sin(ωx) e αx cos(ωx) dx = ( α ) α + ω cos(ωx) + ω α + ω sin(ωx) e αx. ] e αx cos(ωx) dx e αx cos(ωx) dx
2 4. e x e x + 3 dx = y dx y=e x +3 (durch Substitution v.l.n.r. y = e x + 3) = ln y y=e x +3 = ln(e x + 3). 5. ln x dx = ln x dx (und jetzt partiell integrieren) = x ln x = x ln x x. x x dx 6. 3 x dx = 3 4 x tan x dx = = ( sin x) dx (Substitution v.l.n.r. y = cos x) cos x y dx = ln y y=cos x = ln(cos x). y=cos x Aufgabe.. Berechnen Sie die folgenden bestimmten Integrale. x dx (Tipp: Substitution x = sin y), x sin x dx, 3 3 x dx.. Untersuchen Sie, ob das folgende uneigentliche Integral existert. x dx.
3 . (a) (b) = = x dx = = = = π π = π 4, π π π π cos ϕ (sin ϕ) dϕ cos ϕ dϕ cos ϕ dϕ + cos ϕ dϕ cos ϕ dϕ + π π π (cos ϕ + sin ϕ) dϕ }{{} = cos ϕ dϕ (. Summand: Substitution v.r.n.l. α = π ϕ) cos ( π α) dα (. Summand: Verwende (cos( π α) = sin α) sin α dα x sin x dx =, da der Integrand f(x) = x sin x punktsymmetrisch zum Ursprung ist, d.h. f(x) = f( x) und das Integrationsintervall symmetrisch um liegt. Hinweis: Diese Tatsache darf (in der Klausur) ohne Herleitung verwendet werden. Hier ist der kurze Beweis: Es gilt allgemein für integrierbare f mit f(x) = f( x): a a f(x) dx = = = =. a a a f(x) dx + a f( y) dy + f(y) dy + f(x) dx a a f(x) dx f(x) dx (. Summand: Substitution x = y) (c) x dx = 4 x =
4 . Das uneigentliche Integral existiert nicht, denn lim y y dx = lim x ln y x y = lim y ln y =. Aufgabe 3.. Definieren Sie das Standard-Skalarprodukt, die euklidische Norm und den Begriff der Orthogonalität von zwei Vektoren in R n (wobei n eine positive natürliche Zahl ist.). Seien folgende vier Vektoren des R 3 gegeben: 3 v =, v =, v 3 = 5, w = 7. Zeigen Sie, dass (v, v, v 3 ) eine Orthogonalbasis des R 3 ist (bzgl. des Standard- Skalarproduktes). Ist diese Basis auch orthonormal? 3. Berechnen Sie die Koeffizienten des Vektors w bzgl. dieser Basis. 4. Geben Sie das Proximum (bzgl. der euklidischen Norm) zu w in V = Spann(v, v ) an sowie den euklidischen Abstand von w zu V.. Das Standard-Skalarprodukt auf R n ist die durch x, y R n x, y = n x k y k k= definierte Abbildung, : R n R n R. Die euklidische Norm auf R n ist die durch x R n x = n definierte Abbildung : R n R. Zwei Vektoren x, y R n sind zueinander orthogonal (bzgl. des Standard-Skalarproduktes), wenn x, y =.. Nachweis der Orthogonalität: k= x k v, v = ( ) + + =, v, v 3 = ( ) =, v, v 3 = ( ) ( ) =. Drei paarweise orthogonale Vektoren des R 3 sind linear unabhängig und bilden eine Basis. Die vorliegende Basis ist nicht orthonormal, da z.b. v, v = 5. 4
5 3. Es gilt für den k-ten Koeffizienten von w also α k = v k, w v k, v k, α = 5 5 = 4. Das Proximum ist α = 6 = α 3 = 9 3 = 3. P V (w) = α v + α v 3 = 4. Der Abstand ist α 3 v 3 = Aufgabe 4. Sei V der reelle Vektorraum der beliebig oft differenzierbaren Funktionen von R nach R. Auf V sind die beiden linearen Operatoren A, A : V V durch A (f) = f und A (f) = f definiert, wobei f die erste Ableitung von f ist und f die zweite. Überprüfen Sie zu jeder der folgenden Funktionen, zu welchen der beiden Operatoren sie ein Eigenvektor ist. Geben sie die entsprechenden Eigenwerte an: Es gilt Also ist f (x) = cos(ωx) mit ω, f (x) = e x, f 3 (x) = x. f = ω sin(ωx), f = ω cos(ωx) = ω f, f = e x = f, f = e x = f, f 3 =, f 3 = = f 3 f ein Eigenvektor von A zum Eigenwert ω, f ein Eigenvektor von A zum Eigenwert, f ein Eigenvektor von A zum Eigenwert, f 3 ein Eigenvektor von A zum Eigenwert. Dies sind die einzigen alle Fälle, in denen ein f i ein Eigenvektor eines A j ist. Den offensichtlichen Nachweis dafür, also dass es z.b. kein λ R gibt mit ω sin(ωx) = λ cos(ωx) für alle x 5
6 R erbringen wir hier nicht. (Man kann die letzte Tatsache zeigen, indem man die Gleichung ω sin(ωx) = λ cos(ωx) für die speziellen x-werte x = und x = π ω betrachtet.) Aufgabe 5. In einem Laden mit Alarmanlage wird nachts mit einer Wahrscheinlichkeit von 4 eingebrochen. Bei Einbruch wird der Alarm mit einer Wahrscheinlichkeit von.99 ausgelöst, aber auch bei Nichteinbruch kann er losgehen (falscher Alarm), und zwar mit einer Wahrscheinlichkeit von.5. Wenn der Alarm ausbricht, mit welcher Wahrscheinlichkeit ist dann eingebrochen worden? Wir definieren mögliche Ereignisse der betrachteten Nacht: B : Einbruch, B = B C : kein Einbruch, A : Alarm. Nach der Formel von Bayes (die man vielleicht nicht auswendig weiss, sich aber leicht herleiten kann, z.b. mit Hilfe eines Diagramms) gilt P (B A ) = = P (B ) P (A B ) P (B ) P (A B ) + P (B ) P (A B ) ( 4 ).5.9. Die gesuchte bedingte Wahrscheinlichkeit beträgt also etwa.9. Aufgabe 6. In einer Urne liegen vier Kugeln, drei weiße und eine schwarze. Peter und Paul ziehen abwechselnd jeweils eine Kugel aus der Urne, ohne Zurücklegen und solange bis alle Kugeln gezogen sind. Peter fängt an. Bei jeder einzelnen Ziehung werde jede sich in der Urne befindliche Kugel mit der gleichen Wahrscheinlichkeit gezogen. Seien die drei Ereignisse A, B und C definiert als A : B : C : Peter zieht die schwarze Kugel (in einer seiner beiden Ziehungen). In den ersten beiden Ziehungen wird die schwarze Kugel nicht gezogen. Die als vierte gezogene Kugel ist weiß.. Definieren Sie einen geeigneten Wahrscheinlichkeitsraum (Ω, P ) zur Beschreibung des Experiments.. Berechnen Sie die Wahrscheinlichkeiten P (A), P (B) und P (C). Überprüfen die drei Ereignisse A, B und C auf paarweise Unabhängigkeit. (Es sind also insgesamt drei Paare zu überprüfen.) Wir beschreiben jede mögliche Ziehung durch ein Quadrupel, bestehend aus drei w (für je eine weiße Kugel) und einem s (für die schwarze Kugel). Dabei ist jede Reihenfolge möglich und jede hat nach Voraussetzung die gleiche Wahrscheinlichkeit. Also Ω = {(s, w, w, w), (w, s, w, w), (w, w, s, w), (w, w, w, s)} 6
7 und ω Ω P (ω) = 4. Damit gilt A = {(s, w, w, w), (w, w, s, w)}, B = {(w, w, s, w), (w, w, w, s)}, C = {(s, w, w, w), (w, s, w, w), (w, w, s, w)}, A B = {(w, w, s, w)}, A C = {(s, w, w, w), (w, w, s, w)} = A, B C = {(w, w, s, w)}, und somit für die Wahrscheinlichkeiten P (A) =, P (B) =, P (C) = 3 4, P (A B) = 4, P (A C) =, P (B C) = 4. Wegen P (A B) = 4 = P (A) P (B), P (A C) = 3 8 P (B C) = = P (A) P (C), = P (B) P (C). sind A und B voneinander unabhängig, während C weder von A noch von B unabhängig ist. Aufgabe 7. Mit einem Laplace-Würfel (Augenzahlen bis 6) wird zweimal hintereinander gewürfelt, wobei die beiden Würfe voneinander unabhängig sind.. Definieren Sie einen geeigneten Wahrscheinlichkeitsraum (Ω, P ) zur Beschreibung des Experiments (zweimalies Würfeln).. Die Zufallsvariable X gebe die Summe der zwei gewürfelten Augenzahlen an. Welchen Wertebereich χ hat X, d.h. welche Werte nimmt X mit einer positiven Wahrscheinlichkeit an? Geben Sie (ohne Herleitung) das Verteilungsmaß von X an. 3. Seien die beiden Ereignisse A, B, C Ω definiert als A : B : C : Der Wert von X ist durch teilbar. Der Wert von X ist durch 3 teilbar. Der Wert von X ist durch 6 teilbar. Dabei ist ganzzahlige Teilbarkeit ohne Rest gemeint. Berechnen Sie die Wahrscheinlichkeiten P (A), P (B) und P (C) sowie die bedingten Wahrscheinlichkeiten P (A B), P (A C), P (C A).. Wir defineren Ω = {,... 6} = {(ω, ω ) ω, ω {,... 6}}. 7
8 Dann gilt nach Voraussetzung und wegen Ω = 36: ω Ω P ({ω}) = 36. (Auch eine Schreibweise P (ω) anstatt P ({ω}) wird akzeptiert. In der ersten Schreibweise ist P die so genannte Wahrscheinlichkeitsfunktion, die sehr eng mit dem Wahrscheinlichkeitsmaß zusammenhängt. Sie wurde in der Vorlesung nicht eingeführt. S. Skript.). Die Zufallsvariable X kann Werte in {,..., } annehmen. Die Verteilung (das Verteilungsmaß) P X von X ist also ein Wahrscheinlichkeitsmaß auf {,..., }. Wir berechnen dieses gemäß den allgemeinen Formeln (wir schreiben hier P X (x) anstatt P X ({x})): P X (x) = P (X = x) und erhalten durch einfaches Abzählen = P ({ω Ω X(ω) = x}) = ω Ω, X(ω)=x P ({ω}). P X () = P X () = 36, P X(3) = P X () = 8,, P X(4) = P X () =, P X (5) = P X (9) = 9, P X (6) = P X (8) = 5 36, P X(7) = 6. Das Maß P X ist durch seine Werte für Elementarereignisse vollständig festgelegt. 3. Es gilt P (A) = P X ({, 4, 6, 8,, }) = P (B) = P X ({3, 6, 9, }) = 3, P (C) = P X ({6, }) = 6, P (A B) = P (C) = 6, P (A C) = P X ({6, }) = =, Diese Ergebnis erhält man auch sehr leicht durch folgende Überlegung, bei der wir nicht P X, sondern das Produktmaß P auf Ω benutzen. Z.B. für P (B): Egal zu welcher Augenzahl der erste Wurf führt, es gibt jeweils genau zwei Möglichkeiten für die Augenzahl des zweiten Wurfes, mit der die Summe der beiden Augenzahlen durch 3 teilbar ist. Also P (B) = 6 = 3. Für die bedingten Wahrscheinlichkeiten erhalten wir P (A B) = P (A C) = P (C A) = P (A B) = P (B), P (A C) =, P (C) P (A C) = P (A) 3. 8
9 Aufgabe 8. Sei (Ω, P ) ein endlicher Wahrscheinlichkeitsraum.. Definieren Sie die Begriffe Elementarereignis und Ereignis. Seien A und B zwei Ereignisse in diesem Wahrscheinlichkeitsraum. Definieren Sie den Begriff der Unabhängigkeit von A und B und (P (B) > vorausgesetzt) die bedingte Wahrscheinlichkeit von A bei gegebenem B. Definieren Sie die Begriffe reelle Zufallsvariable X (definiert auf Ω) sowie Verteilung, Erwartungswert, zweites Moment, Varianz, und Streuung von X. 3. Sei Y eine weitere reelle Zufallsvariable auf Ω. Definieren Sie die Begriffe Kovarianz von X und Y, Korrelationskoeffizient von X und Y (vorausgesetzt, dass σ X, σ Y > ), Unkorreliertheit von X und Y und gemeinsame Verteilung von X und Y. 4. Geben Sie die Binomialverteilung zu den Parametern n und p an sowie deren Erwartungswert und Varianz (ohne Beweis).. Ein Elementarereignis ist eine einelementige Teilmenge von Ω, also eine Menge {ω} mit ω Ω. (Nicht ganz korrekt im Sinne der Definition aus der Vorlesung, aber großzügigerweise akzeptiert wäre die Antwort, daß jedes ω Ω ein Elementarereignis ist.) Ein Ereignis ist eine Teilmenge von Omega, also A Ω. Zwei Ereignisse A, B Ω heißen voneinander unabhängig, wenn die folgende Produktformel für sie gilt: P (A B) = P (A) P (B). Wenn P (B) >, dann ist die bedingte Wahrscheinlichkeit von A bei gegebenem B definiert als P (A B) := P (A B). P (B). Eine reelle Zufallsvariable X auf Ω ist eine Funktion X : Ω R. Sei χ R die (endliche) Wertemenge von X. Dann ist die Verteilung von X das wie folgt definierte Wahrscheinlichkeitsmaß P X auf χ (also eine Funktion auf der Potenzmenge P(χ)): P X : P(χ) R, A P X (A) := P ({ω Ω X(ω) A}). Der Erwartungswert E(X), die Varianz σ X = Var(X) und die Streuung σ X von X sind wie 9
10 folgt definiert. (Wir geben verschiedene Dartstellungen an.) E(X) := x χ x P X ({x}) = ω Ω X(ω) P ({ω}) (alternative Darstellung), Var(X) := E((X E(X)) ) = x χ(x E(X)) P X ({x}) (. alternative Darstellung) = ω Ω(X(ω) E(X)) P ({ω}) (. alternative Darstellung), σ X = Var(X). Das zweite Moment von X ist E(X ) = x χ x P X ({x}) = ω Ω(X(ω)) P ({ω}). 3. Die Kovarianz von X und Y ist Cov(X, Y ) := E((X E(X)) (Y E(Y ))). Falls σ X, σ Y >, dann ist der Korrelationskoeffizient von X und Y definiert als ρ X,Y := Cov(X, Y ) σ X σ Y. Wenn ρ X,Y =, dann heißen X und Y unkorreliert (Also das Paar (X, Y ) von Zufallsvariablen ist unkorreliert.) Sei χ die Wertemenge von X und χ die Wertemenge von Y. Die gemeinsame Verteilung von X und Y ist die Verteilung (s.o.) der Zufallsvariablen also das durch X Y : Ω χ χ R, P X Y : P(χ χ ) R, Wahrscheinlichkeitsmaß auf χ χ. ω (X Y )(ω) = (X(ω), Y (ω)), A P X Y (A) := P ({ω Ω X Y (ω) A}) 4. Die Binomialverteilung zu den Parametern n und p ist die Verteilung auf der Menge {,,..., n}, die wie folgt durch die Wahrscheinlichkeiten der Elementarereignisse definiert ist. ( ) n P ({k}) := p k ( p) n k. k Es gilt für ihren Erwartungswert µ und ihre Varianz σ µ = n p, σ = n p ( p).
11 Aufgabe 9. Seien die Zufallsvariablen X, X,..., X n paarweise voneinander unabhängig und identisch verteilt, und zwar mit der Laplace-Verteilung auf {,..., 6}.. Geben sie die gemeinsame Verteilung von X und X an.. Geben sie die Verteilung von X + X, X X und von X E(X ) Var(X ) zu jeder dieser Verteilungen den Erwartungswert und die Varianz. an und berechnen Sie 3. Berechnen Sie den Erwartungswert, die Varianz und die Streuung der Zufallsvariablen X (n) = n (X X n ). 4. Geben Sie die Streuung der Zufallsvariablen Z (n) = X(n) E(X (n) ) Var(X (n) ) an.. Die Zufallsvariable X X ist wegen der Unabhängigkeit von X und X gleichverteilt auf {,..., 6}. Für jedes Elementarereignis {x} = {(x, x )} dieser Menge gilt P X X (x) = P X (x ) P X (x ) = 6 6 = 36. Dadurch ist die Verteilung vollständig festgelegt.. Vorbemerkung: Es gilt E(X i ) = 6 i= i 6 E(X i ) = = 7, 6 i= i 6 = 9 6, Var(X i ) = E(X i ) (E(X i )) = 35.
12 Die Verteilung P X +X von X + X ist in der Lösung zu Aufgabe 7 dargestellt. Es gilt E(X + X ) = E(X ) + E(X ) = 7 = 7, Var(X + X ) = Var(X ) + Var(X ) (wegen der Unabhängigkeit) = 35 = Die Zufallsvariable X X kann Werte in { -5,4,...,5} annehmen. Wir erhalten ihre Verteilung P X X ebenso durch einfaches Abzählen Es gilt P X X ( 5) = P X X (5) = 36, P X X ( 4) = P X X (4) = 8, P X X ( 3) = P X (3) =, P X X ( ) = P X X () = 9, P X X ( ) = P X X () = 5 36, P X X () = 6. E(X X ) = E(X ) E(X ) =, Var(X X ) = Var(X ) + Var( X ) (wegen der Unabhängigkeit) = 35 = Die Zufallsvariable ( X E(X ) Var(X ) = X 7 ) 35 ist offensichtlich gleichverteilt auf der sechselementigen Menge { ( i 7 35 ) } i =, Jedes Elementarereignis hat die Wahrscheinlichkeit 6. Es gilt ( E ) X E(X ) Var(X ) = Var(X ) (E(X ) E(X )) Var ( ) X E(X ) Var(X ) = ( = Var(X ) Var(X )) =.
13 3. E(X (n) ) = n (E(X ) E(X n )) = E(X ) = 7, Var(X (n) ) = n (Var(X ) Var(X n )) = n Var(X ) = σ X (n) = 35 n, 35 n. 4. Mit der gleichen Rechnung wie zu X E(X ) folgt Var(X ) σ Z (n) =. Aufgabe. Seien X und X Zufallsvariablen mit Werten in {, }. Die Produktzufallsvariable X X nehme die Werte (, ), (, ) und (, ) mit den Wahrscheinlichkeiten, 5, 3, respektive, an.. Mit welcher Wahrscheinlichkeit nimmt X X den Wert (, ) an? Berechnen Sie die Verteilung von X und von X und jeweils den Erwartungswert, die Varianz und die Streuung.. Berechnen Sie die Kovarianz von X und X sowie den entsprechenden Korrelationskoeffizienten. Sind X und X voneinander unabhängig? 3. Geben Sie die Verteilung von X + X an und berechnen sie deren Erwartungswert und Varianz.. Notationshinweis: Wir schreiben abkürzend P X X (, ) statt P X X ({(, )}) etc. P X X (, ) = ( ) = 5. P X () = P X X (, ) + P X X (, ) = + 3 = 5, P X () = P X X (, ) + P X X (, ) = = 3 5, 3
14 E(X ) = = 3 5, E(X ) = 3 5, Var(X ) = 3 5 ( 3 5 ) σ X = = 6 5, P X () = P X X (, ) + P X X (, ) = + 5 = 3, P X () = P X X (, ) + P X X (, ) = = 7. E(X ) = 7, E(X) = 7, Var(X ) = 7 ( 7 =, σ X =.46. ). E(X X ) = 5, Cov(X, X ) = E(X X ) E(X ) E(X ) = = 5, 7 4
15 ρ X,X = Die Zufallsvariabeln X und X sind nicht voneinander unabhängig, da Ihre Kovarianz ungleich ist. (Es gilt nämlich: Unabhängigkeit Kovarianz gleich.) 3. Die Zufallsvariable X + X nimmt Werte in der Menge {,,, 3} an, und zwar mit den Wahrscheinlichkeiten Somit gilt P X +X () =, P X +X () = 5, P X +X () = 3, P X +X (, ) = 5. E(X + X ) = E(X ) + E(X ) = =, Var(X + X ) = Var(X ) + 4 Var(X ) + Cov(X, X ) = =. Aufgabe.. Zeigen Sie, dass durch λt (λt )k P (k) = e k! mit λ, T > eine Wahrscheinlichkeitsverteilung auf der Menge N = {,,,...} der natürlichen Zahlen gegeben ist. (Zeigen sie also, dass P (k) für alle k N und k= P (k) =.) Berechnen den Erwartungswert der Verteilung.. Zeigen Sie, dass durch f(x) = λ e λx mit λ > eine Wahrscheinlichkeitsdichte auf [, [ gegeben ist. Berechnen Sie den Erwartungswert, das zweite Moment, die Varianz, die Standardabweichung und den Median m dieser Verteilung. (Hinweis: Es muss P ([, m] = gelten). 3. Für welche α > hat die Zufallsvariable X α (x) = e αx einen endlichen Erwartungswert bzgl. der Wahrscheinlichkeitsverteilung aus Teilaufgabe, und für welche eine endliche Varianz? 5
16 . Offensichtlich sind alle P (k), da die Exponentialfunktion für reelle Argumente keine negativen Werte annimmt und auch λt positiv ist. Zur Normiertheit: Der Erwartungswert ist P λ (X = k) = k= µ = = k= λt (λt )k e k! = e λt (λt ) k k! k= = e λt e λt =. k P λ (X = k) k= k= λt (λt )k k e k! = λt e λt k= (λt ) k (k )! = λt e λt (λt ) l l= = λt e λt e λt = λt. l!. Die Funktion f nimmt offensichtlich nur positive Werte an und ist wegen λ e λx dx = e λx = normiert, also eine Wahrscheinlichkeitsdichte. Der Erwartungswert ist µ = x λ e λx dx = xe λx + }{{} = = λ e λx = λ. (partielle Integration) e λx dx 6
17 Das zweite Moment der Verteilung ist x λ e λx dx = x e λx + }{{} = = λ λ xe λx dx (durch partielle Integration) Also ist die Varianz gleich = λ. ) σ = λ ( λ = λ. Zum Median: m λ e λx dx = e λx = e λm. m Also ist m der Median wenn folgendes gilt. 3. Es gilt E(X α ) = e λm = m = ln λ. = λ e αx λ e λx dx e (α λ)x dx, und das letzte Integral ist nur endlich, wenn α λ <. Also haben nur die Zufallsvariablen X α mit α < λ einen endlichen Erwartungswert bzgl. der Exponentialverteilung. Die Varianz existiert genau dann, wenn der Erwartungswert und das zweite Moment existieren, und dieses existiert für X α wegen E(X α) = = λ e αx λ e λx dx e (α λ)x dx nur für α < λ. Also haben nur die Zufallsvariablen X α mit α < λ bzgl. der Exponentialverteilung. eine (endliche) Varianz 7
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrMathematik für Sicherheitsingenieure I B
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 3.3.8 Dr. T. Pawlaschyk Mathematik für Sicherheitsingenieure I B Aufgabe. (5+8+7 Punkte a Geben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist.
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrMathematik 2 für Bauingenieure
Mathematik 2 für Bauingenieure Name (bitte ausfüllen): Prüfung am 6.3.2015 Reinhard Winkler Matrikelnummer (bitte ausfüllen): Die mündliche Prüfung findet in der Woche von 16. bis 20.3.2015 statt. Wenn
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrMathematik für Sicherheitsingenieure I B (BScS 2011)
Priv.-Doz. Dr. J. Ruppenthal Wuppertal, 5.9.7 Mathematik für Sicherheitsingenieure I B (BScS Aufgabe. (5+8+7 Punkte a eben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist. Eine Begründung
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrMathematik für Informatiker III. Andreas Griewank
Mathematik für Informatiker III Andreas Griewank (griewank@math.hu-berlin.de) Wiss. Mitarbeiter: Jan Heerda (janjh@math.hu-berlin.de) Lars Sadau (sadaula@math.hu-berlin.de) Institut für Angewandte Mathematik
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 13.0.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung SS 18: Woche vom
Übungsaufgaben 11. Übung SS 18: Woche vom 25. 6. 29. 6. 2016 Stochastik V: ZG; Momente von ZG; Zufallsvektoren Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrWahrscheinlichkeittheorie und Statistik
Kapitel 1 Wahrscheinlichkeittheorie und Statistik 1.1 Wahrscheinlichkeitstheorie auf endlichen Wahrscheinlichkeitsräumen 1.1.1 Motivation Betrachte folgendes Experiment: Eine Münze wird geworfen. Das Ergebnis
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26) Ein Wahrscheinlichkeitsraum (Ω, P) ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments) versehen mit einer Abbildung P : P(Ω) [0,
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
MehrDiskrete Strukturen I
Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrLösung zur Klausur zur Analysis II
Otto von Guericke Universität Magdeburg 9.7.4 Fakultät für Mathematik Lösung zur Klausur zur Analysis II Vorlesung von Prof. L. Tobiska, Sommersemester 4 Bitte benutzen Sie für jede Aufgabe ein eigenes
MehrUE Statistik I für VWL, WS 05/06
UE Statistik I für VWL, WS 05/06 Beispielsammlung 1. Zeigen Sie, dass die folgenden Rechenregeln für das Summenzeichen gelten, wobei die Summe durch n x i = x 1 + x 2 +... + x n 1 + x n, definiert ist.
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrVorlesung 4b. Die Varianz
Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
MehrH. Schmidli Mathematik für Physiker WS 10/11. Lösung der Klausur
H. Schmidli Mathematik für Physiker WS / Lösung der Klausur. a) Zähler und Nenner konvergieren gegen. Somit verwenden wir die Regel von L Hospital e sin x x x e cos x (cos x)e sin x x (sin x)e cos x x
Mehr= 3 e e x 1 + 2x 2. + x 2. = x. x 1 = 5 x 2 = 2
Lösungsvorschläge zu Blatt 7: ) x ( ) 3 3 e + e ( ) ( ) ( )! x x + x + x x + x x x Wir haben hier also zwei verschiedene Darstellungen für einen Vektor, da zwei verschiedene Basen verwendet werden. b b
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
Mehr