Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 2: Aufgaben zu den Kapiteln 3 und 4
|
|
- Manfred Franke
- vor 7 Jahren
- Abrufe
Transkript
1 1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 2: Aufgabe zu de Kapitel 3 ud 4 Zu Abschitt 3.1 Ü3.1.1 Es seie X, = 1, 2,... reellwertige Zufallsvariable (dabei seie die reelle Zahle mit de Borelmege als σ-algebra versehe). Da sid die folgede Mege Ereigisse: a) Die ω, bei dee midestes ei X positiv ist. b) Die ω, bei dee alle X positiv sid. c) Die ω, bei dee die Folge ( X (ω) ) beschräkt ist. Lösug a) E = {ω Ω midestes ei X (ω) ist positiv} ist ei Ereigis, da es die (abzählbare) Vereiigug der E = {X > 0} ist, welche selbst Ereigisse sid, da die X Zufallsvariable sid. b) Wie zuvor sid auch die {X 0} Ereigisse ud damit auch dere Vereiigug E = 1 {X 0}. Die Mege der ω, bei dee alle X positiv sid, ist gerade Ω \ E ud daher ebeso Ereigis. (Wem bekat ist, dass i eier σ-algebra auch abzählbare Schitte ethalte sid, der ka das gesuchte Ereigis auch etwas direkter als 1 {X > 0} darstelle.) c) Die gesuchte Mege lässt sich als E = m 1 1 { X < m} darstelle ud ist Ereigis, da bei dieser Darstellug ur abzählbare Schitte ud Vereiiguge vo Ereigisse auftrete. Ü3.1.2 Es sei X eie rellwertige Zufallsvariable mit der Eigeschaft, dass für jedes c die Wahrscheilichkeit P({X c}) etweder 0 oder 1 ist. Zeige Sie, dass X da im Wesetliche kostat sei muss. Geauer: Es gibt ei c 0, so dass P({X = c 0 }) = 1. Ü3.1.3 Der R 2 sei mit de Borelmege versehe, ud (Ω, E, P) sei ei Wahrscheilichkeitsraum. Eie vektorwertige Abbildug X : Ω R 2 sei durch X(ω) := ( X 1 (ω), X 2 (ω) ) defiiert, wobei X 1, X 2 : Ω R. Beweise Sie: X ist geau da Zufallsvariable, we X 1 ud X 2 Zufallsvariable sid. Ü3.1.4 X sei eie reellwertige Zufallsvariable auf Ω. Defiiere Y : Ω R durch Y (ω) := X(ω) für X(ω) < 1 ud Y (ω) := 0 sost. Zeige Sie, dass auch Y eie Zufallsvariable ist. Ü3.1.5 Sei X eie Zufallsvariable. Beweise Sie: X ist geau da fast sicher kostat, we es keie Zahl a mit der Eigeschaft P({X < a}) > 0 ud P({X > a}) > 0
2 2 gibt. Dabei heißt X fast sicher kostat, we es ei Ereigis N mit P(N) = 0 ud eie Zahl c so gibt, dass X(ω) = c für ω / N. Tipp: I der schwierigere Beweisrichtug köte ma es mit der Kostate c := sup{a P ({X < a}) = 0} versuche. Zeige Sie zuerst, dass das wirklich eie reelle Zahl ist (Teil 1: Es ka icht sei, dass P({X < a}) = 0 für alle a gilt; Teil 2: Es gibt ei a mit P({X < a}) = 0.) Lösug Zur eifachere Beweisrichtug : Sei X fast sicher kostat bei c, d.h. es ist P(X c) = 0 ud damit isbesodere P(X > c) = 0 ud P(X < c) = 0. Für jedes a > c ist ebefalls P(X > a) = 0 ud für jedes a < c ist P(X < a) = 0. Damit gibt es kei a R mit P(X < a) > 0 ud P(X > a) > 0. Zur schwierigere Beweisrichtug : Wie im Tipp beschriebe wolle wir zeige, dass X bei c := sup{a P(X < a) = 0} fast sicher kostat ist. Damit c existiert, muss die fragliche Mege ichtleer ud ach obe beschräkt sei. Wäre sie ubeschräkt, so gäbe es beliebig große a R mit P(X < a) = 0. Damit wäre automatisch ) P(X < a) = 0 für alle a R ud daher P(Ω) = ( P {X < a} a N = lim P(X < a) = 0. Da jedoch immer P(Ω) = 1 ist, muss a {a P(X < a) = 0} beschräkt sei. Die Mege ist außerdem ichtleer: Nach Voraussetzug gilt für alle a R P(X < a) = 0 oder P(X > a) = 0. Es ka icht für alle a R P(X > a) = 0 gelte (sost wäre wieder P(Ω) = 0). Folglich gibt es ei a mit P(X < a) = 0 ud damit ist die Mege ichtleer. ( Damit existiert c ud es gilt P(X < c) = P ) {X < c 1 } = lim P(X < N ) = 0. Aufgrud der Defiitio vo c gilt P(X < a) > 0 für alle a > c ud c 1 damit ach Voraussetzug P(X > a) = 0. Mit der gleiche Argumetatio wie für P(X < c) folgt u P(X > c) = 0. X ist damit fast sicher kostat bei c. Zu Abschitt 3.2 Ü3.2.1 (Ω, E, P) modelliere das Werfe vo drei faire Würfel. (Ω, E, P) ist also {1,..., 6} 3 mit der Gleichverteilug. Bestimme Sie P X für die Zufallsvariable X : (i, j, k) i j + k. Ü3.2.2 Ω = [ 1, 27 ] sei mit der Dichte f(x) = cx versehe (c ist eie geeigete Kostate). Eie Zufallsvariable X : Ω R sei durch X(x) := 3 x defiiert. Bestimme Sie die Dichte vo P X ud bereche Sie damit P({X [ 1, 2 ]}). Ü3.2.3 Bei de eue ALDI-Computer hat es eie Pae gegebe. Der Zufallsgeerator wirft icht, wie beabsichtigt, i [ 0, 1 ] gleichverteilte Zufallszahle aus, soder Zahle, die gemäß der Dichte f(x) := 2x (auf [ 0, 1 ]) verteilt sid. Die Computer werde zu eiem Spottpreis verkauft. Stelle Sie die radom-fuktio durch ei geeigetes Uterprogramm wieder her! (Geauer heißt das: Sie solle eie Zufallsvariable X : [ 0, 1 ] [ 0, 1 ] so fide, dass P X die Gleichverteilug auf [ 0, 1 ] ist. Falls Sie übriges währed des Beweises eie Fuktio g brauche, für die (für alle x) g (x)g(x) = 0.5 gilt, so versuche Sie es doch mit g(x) = x.)
3 3 Lösug Gesucht ist zuächst eie Zufallsvariable, die die gewüschte Gleichverteilug auf [0, 1] wiederherstellt. Das bedeutet: Die Dichtefuktio auf dem Zielraum soll die Form h(y) = 1 habe für alle y [0, 1]. Satz liefert eie Berechugsvorschrift für h, sofer die Zufallsvariable X gegebe ist ud eiige Eigeschafte erfüllt. I diesem Fall ist es aber aders herum, wir habe bereits die gewüschte Zieldichtefuktio gegebe ud suche die Zufallsvariable. Wir betrachte also die gegebee Gleichug h(y) = f X 1 (y) (X 1 ) (y) ud löse ach der Zufallsvariable X auf. Sollte X da die im Satz geate Eigeschafte erfülle, ist die Aufgabe gelöst. Setzt ma h ud f ei, so etsteht 1 = 2(X 1 )(X 1 ). Die Aufgabestellug verleitet a dieser Stelle dazu, X 1 (y) = y zu setze. Der Test ergibt: y y = 1 y 2 Y = 1 2. X 1 erfüllt tatsächlich die Gleichug. Die gesuchte Zielfuktio ist daher X(x) = x 2. X ist also stetig differezierbar, bijektiv ud streg mooto steiged. Auch die Ableitug X 1 (y) = y ist stetig differezierbar, zumidest auf (0, 1]. Daher ware die Voraussetzuge für Satz erfüllt ud X führt die Zufallszahle der Aldi-Recher auf eie Gleichverteilug zurück. Ü3.2.4 X sei expoetialverteilt zum Parameter λ. Zeige Sie, dass cx für c > 0 ebefalls expoetialverteilt ist. Wie groß ist der zugehörige Parameter? Ü3.2.5 Beweise Sie ei zu Satz?? aaloges Ergebis für streg mooto fallede Zufallsvariable. Ü3.2.6 Es sei f : [ 1, 1 ] [ 0, + [ eie stetige Dichtefuktio. Weiter sei X : [ 1, 1 ] R sei eie stetig differezierbare Zufallsvariable. Wir setze voraus, dass X auf dem Teilitervall [ 0, 1 ] streg mooto steigt. Bestimme Sie i Aalogie zu Satz?? eie Dichtefuktio für P X. Bereche Sie diese Dichtefuktio kokret für de Fall f(x) = (1 + x)/2 ud X(x) = x 2. Ü3.2.7 F X sei die Verteilugsfuktio eier reellwertige Zufallsvariable X. Zeige Sie: a) F X besitzt höchstes abzählbar uedlich viele Ustetigkeitsstelle. b) F X ist ustetig bei eiem x R geau da, we P X ({x}) > 0 gilt. Zu Abschitt 3.3 Ü3.3.1 I eiem Kasio wird ach folgede Regel mit drei Würfel gespielt: Ei Spieler bekommt 1000 Euro für drei Sechse, 100 Euro für zwei Sechse ud 10 Euro für eie Sechs. I alle adere Fälle gibt es gar ichts. Welche
4 4 Midesteisatz wird der Kasiobetreiber verlage, we er icht draufzahle will? Lösug Die Wahrscheilichkeite, mit drei Würfel dreimal, zweimal oder eimal eie 6 zu würfel sid P ({3}) = 1 6, P ({2}) = ( ) ( 1 6 )2 5 6 = 15 6 ud P ({1}) = ( ) ( 5 6 )2 = Der erwartete Gewi (i Euro) ist E(Gewi) = = , 921. Somit sollte der Betreiber 11,93 EUR verlage, um icht draufzuzahle. Ü3.3.2 Bestimme Sie die Variaz ud die Streuug der Poissoverteilug. Ü3.3.3 Bestimme Sie die Variaz ud die Streuug der geometrische Verteilug. Ü3.3.4 Bestimme Sie die Variaz ud die Streuug der Gleichverteilug auf dem Itervall [ a, b ]. Ü3.3.5 Bestimme Sie die Variaz ud die Streuug der Expoetialverteilug. Ü3.3.6 Es sei X : Ω R. Zeige Sie, dass E(X) geau da existiert, we P(X ) < gilt. Zusatz: Ist X : Ω {0, 1, 2,...}, so gilt sogar E(X) = P(X ) im Fall P(X ) <. Lösug Wir betrachte die Mege M := {X } für N. Es gilt atürlich für m der Zusammehag M m M. Sei u χ die charakteristische Fuktio der Mege M. Für ei beliebiges ω Ω liegt X(ω) i eiem Itervall [k, k + 1) für ei passedes k N. Demetspreched gilt ω M i für alle i k ud ω / M k+1. Da dies für alle ω gilt, köe wir die Fuktio χ betrachte ud erkee X(ω) χ (ω) X(ω) + 1. Für eie Beweisrichtug sei E(X) <. Da gilt P(X ) = ( ) E(χ ) = E χ E(X + 1) = E(X) + 1 <. Für die Umkehrug sei P(X ) <. Da gilt etspreched > P(X ) = ( ) E(χ ) = E χ E(X).
5 5 Für de Zusatz, also de diskrete Fall, gilt, dass ω i M k liegt, geau da, we X(ω) = k ist. Demetspreched gilt X = χ ud die Gleichheit folgt sofort. Ü3.3.7 Ei Stab der Läge 1 werde zufällig i zwei Teile zerbroche (Bruchstelle gleichverteilt). a) Wie groß ist der Erwartugswert für X, wobei X die Läge des kleiere der beide Stücke misst? b) Bereche Sie auch de Erwartugswert des Quotiete kürzeres Stück durch lägeres Stück. c) I diesem Aufgabeteil sei die Bruchstelle gleichverteilt i [ 0.5 c, c ], wobei 0 c 0.5. Die Zufallsvariable X sei wie i a) defiiert. Für welche Werte vo c ist der Erwartugswert vo X größer als 0.4? Zu Abschitt 3.4 Ü3.4.1 Es werde Kugel auf gut Glück auf Fächer verteilt. Wie groß ist die Wahrscheilichkeit dafür, dass geau ei Fach leer bleibt? Lösug Wir suche die Wahrscheilichkeit, dass bei Kugel ud Kste, geau ei Kaste leer bleibt. Dazu bereche wir die Azahl der güstige ud die Azahl der mögliche Ereigisse ud dividiere sie. Bei de güstige Ereigisse gilt, dass die Reihefolge uwichtig ud Wiederholug möglich ist (i eiem Kaste köe mehrere Kugel liege). Die Azahl bei k Kugel ud Käste berechet sich folgedermaße: ( ) +k 1 k. Wir ersetze och k durch ud erhalte #mögliche Ereigisse = ( ) 2 1. Für die güstige Ereigisse müsse wir zähle, wie viele Möglichkeite es gibt, dass geau ei Kaste frei bleibt. Es gibt Käste, vo dee eier frei bleibe muss. Für die Kugel, die icht i eie eigee Kaste kommt, existiere 1 verschiedee Möglichkeite, also isgesamt ( 1) güstige Möglichkeite. Die gesuchte Wahrscheilichkeit # güstige Ereigisse beträgt # mögliche Ereigisse = ( 1) ( 2 1 ). Ü3.4.2 Eie edliche Folge (x 1, y 1 ),... (x, y ) i Z 2 soll ei Treppeweg geat werde, we stets etweder (x k+1, y k+1 ) = (x k, y k ) + (0, 1) gilt oder (x k+1, y k+1 ) = (x k, y k ) + (1, 0), we es also immer jeweils eie Schritt ach rechts oder ach obe geht. Wie viele Treppewege gibt es vo (0, 0) ach (20, 30)? Lösug Wie ma seie Treppeweg auch astellt, i jedem Fall gibt es isgesamt 20 Schritte ach rechts ud 30 ach obe, lediglich die Reihefolge ist uterschiedlich. Aus 50 isgesamt getätigte Schritte müsse also die 20 erwählt werde, welche ach rechts führe solle. Die Azahl der Möglichkeite, 20 aus 50 Schritte zu wähle etspricht also der Azahl a mögliche Treppewege vo (0, 0) ach (20, 30) ud das sid gerade ( ) = 50! = ! 30!
6 6 Möglichkeite. Ü3.4.3 Wie viele verschiedee eubuchstabige Wörter ka ma aus de Buchstabe A, B, C, E, E, H, I, K, O, R, S, S, T, T, T, W, Z bilde? Jeder Buchstabe dieses Vorrats darf dabei ur eimal verwedet werde. ( STOCHASTIK ist also zugelasse, STOCKKORB aber icht.) Ü3.4.4 Beweise Sie die Formel Zu Abschitt 3.5 ( +1 k ) = ( k) + ( k 1 ) für k. Ü3.5.1 Diskutiere die Wahrscheilichkeite für das eue Lotto: 5 aus 35, mit zwei Zusatzzahle. Es werde also aus 35 ummerierte Kugel 5 Richtige ud zwei Zusatzzahle gezoge, ud gefragt sid die iteressierede Wahrscheilichkeite ( 5 Richtige, 4 Richtige mit Zusatzzahl, 3 Richtige mit 2 Zusatzzahle, usw.). Lösug Wir leite die Wahrscheilichkeit für das Ereigis E := {4 Richtige + Zusatzzahl} explizit her, die adere Lösuge fuktioiere aalog. Wir betrachte zuächst die Mege aller mögliche Ziehuge: Wir ziehe erst 5 aus 35 Kugel ( ( ) 35 5 Möglichkeite) ud im Aschluss zwei Zusatzzahle aus de verbleibede 30 ( ( ) 30 2 Möglichkeite). Die Multiplikatio dieser beide Zahle liefert us die Azahl aller Ziehuge, die eitrete köe. Die Azahl aller für us güstige Fälle bereche wir so: Wir wähle aus de 5 gezogee Zahle usere 4 Richtige aus ( ( 5 4) Möglichkeite), weiter usere Zusatzzahl (( 2 1) Möglichkeite) ud schließlich die zwei verbleibede falsche Zahle (( ) 28 2 Möglichkeite). Multipliziere liefert die Azahl aller güstige Fälle. Zusamme erhalte wir also P (E) = ( 5 4 ) ( 2 ( 1) 28 ) 2 9 ( 35 ) ( 5 30 ) = Aalog berechet sich die Wahrscheilichkeit für 5 Richtige zu 1/ ( 35 5 ). Die Wahrscheilichkeit für das Ereigis 3 Richtige ud 2 Zusatzzahle ist geauso groß wie die für das Ereigis E (ma ersetze ( 5 4) ( 2 1) durch ( 5 3) ( 2 2) ). Ü3.5.2 Sei σ eie Zufallspermutatio der Zahle 1,...,. Weiter sei k eie atürliche Zahl, k. Gefragt ist ach der Wahrscheilichkeit, dass i σ geau k Elemete festbleibe. Schließe Sie aus der Formel, dass diese Wahrscheilichkeit für festes k ud geüged große durch 1/(k!e) approximiert werde ka.
7 7 Bei zufälligem Zusammewürfel vo Tazpaare ist es also ziemlich wahrscheilich, dass icht ur ei Paar soder gleich mehrere i der alte Zusammesetzug atrete. Ü3.5.3 I Italie spiele sie 6 aus 90. Bereche Sie die Wahrscheilichkeit für 6 Richtige ud deke Sie sich eie origielle Illustratio aus, um diese gerige Wahrscheilichkeit zu veraschauliche. Ü3.5.4 Wie groß ist die Wahrscheilichkeit, beim Lotto (6 aus 49) zwei aufeiaderfolgede Zahle zu ziehe? Tipp: Um die Azahl der güstige Ausgäge zu bestimme, ist es hilfreich, die Elemetarereigisse als 6-Tupel ( 1,..., 6 ), i {1,..., 49} mit 1 < 2 <... < 6, aufzufasse. Wie lasse sich da die güstige Ausgäge beschreibe? Fide Sie ei N N mit N < 49, so dass die gesuchte Azahl gerade die Azahl aller Ziehuge 6 aus N ist. Ü3.5.5 Wir betrachte N 0, versehe mit alle Poissoverteiluge. Ei (ubekater) Parameter λ wird ausgewählt, da wird eimal abgefragt. Das Ergebis sei. Fide Sie eie maximum-likelihood-schätzug für λ. Lösug Sei das Ergebis des Zufallsexperimets. Wir setze zuächst 0 voraus ud betrachte L (λ) := P ({X = }) = e λ λ!. Gesucht ist das Maximum dieser Likelihood-Fuktio. Dazu leite wir L ach λ ab ud erhalte L (λ) = e λ λ 1 ( λ).! Nullsetze liefert = λ. Aus der Problemstellug heraus ergibt sich, dass λ ei Maximum ist (alterativ: zweite Ableitug bilde!). Im Fall = 0 erhalte wir die Likelihood-Fuktio L 0 (λ) = e λ mit dem Maximum i λ = 0. Aufgabe zu Kapitel 4 Zu Abschitt 4.1 Ü4.1.1 Das Itervall [ 0, 1 ] sei mit der Gleichverteilug versehe. Fide Sie alle Itervalle [ a, b ], so dass [ a, b ] ud [ 0, 0.5 ] uabhägig sid. Lösug Zuächst sid alle Itervalle [a, b] mit a = b uabhägig vo [0, 0.5], da dies Nullmege sid (P([a, a] [0, 0.5]) = 0 ud P([a, a]) P([0, 0.5]) = 0), sei also u a < b. Das Itervall [a, b] ka icht i [0, 0.5] ethalte sei, de sost wäre P([a, b] [0, 0.5]) = P([a, b]), aber P([a, b]) P([0, 0.5]) = 1 2P([a, b]). Außerdem muss a < 0.5 gelte, de sost wäre wieder P([a, b]) P([0, 0.5]) = P([a, b]), aber P([a, b] [0, 0.5]) = 0. Es bleibt folglich der Fall a < 0.5 ud 1 2
8 8 b > 0.5. Ereut ist P([a, b]) P([0, 0.5]) = 1 2P([a, b]), d.h. wir müsse [a, b] so wähle, dass P([a, b] [0, 0.5]) = P([a, 0.5]) = 1 2P([a, b]) gilt. Die beide Itervalle sid folglich geau da uabhägig, falls etweder a = b gilt o der falls geau die Hälfte des Itervalls [a, b] i [0, 0.5] liegt (das gilt für a + b = 1). Ü4.1.2 Wir betrachte die Poissoverteilug auf {0, 1,...} zum Parameter λ. Bestimme Sie P(A B)für A = {2, 3, 4}, B = {3, 4, 5}. Ü4.1.3 Bestimme Sie eie stetige Dichte f auf [ 0, 1 ] so, dass [ 0, 0.5 ] ud [ 0.4, 0.8 ] uabhägig sid. Ü4.1.4 Aus eiem vollstädige Skatspiel wurde das Kreuz As etfert. Die restliche Karte seie mit der Gleichverteilug versehe. a) Bereche Sie die bedigte Wahrscheilichkeit P(Köig Kreuz). b) Zeige Sie, dass es ur auf triviale Weise möglich ist, zwei uabhägige Ereigisse A, B zu fide. (Das soll bedeute: A, B sid geau da uabhägig, we A oder B die leere Mege oder der gaze Raum ist.) Ü4.1.5 I eiem Kaste befide sich 4 weiße, 6 rote ud 10 grüe Kugel. Es wird zweimal ohe Zurücklege gezoge. Bestimme Sie mit Hilfe eies Wahrscheilichkeitsbaumes die folgede Wahrscheilichkeite: a) Die Wahrscheilichkeit, dass zwei gleichfarbige Kugel gezoge wurde. b) Die Wahrscheilichkeit, dass keie grüe Kugel gezoge wurde. Ü4.1.6 Die Mege {1,..., } sei mit der Gleichverteilug versehe, dabei sei > 1. Zeige Sie: ist geau da eie Primzahl, we aus A, B Ereigisse, A, B uabhägig stets folgt, dass eie der Mege leer oder gleich {1,..., } ist. Lösug Wir betrachte die Mege {1,..., } mit der Gleichverteilug. Wir zeige beide Implikatioe: Sei = p eie Primzahl, ud seie A ud B uabhägige Ereigisse. Aus der Charakterisierugsgleichug für Uabhägigkeit folgt P (A) P (B) = P (A B), geauer: A p B p = A B p, was äquivalet zu A B = A B p ist. Offebar gilt also p A B, ud damit p A oder p B. Wege A, B p folgt die Aussage aus der Aufgabestellug. Es gelte folgede Aussage: Sid die Mege A, B {1,..., } uabhägig, da gilt A = oder A = {1,..., } (oder B = oder B = {1,..., }). Zu zeige ist, dass da eie Primzahl sei muss. Wir führe eie Kotrapositiosbeweis. Sei also keie Primzahl. Wir weise u die Existez zweier uabhägiger Mege A, B {1,..., } ach, so dass weder A och B leer oder die gaze Mege sid. Wir köe als Produkt seier Primfaktore darstelle: = d i=1 p i für d 2. Wir kostruiere die Mege A ud B gerade so, dass die jeweilige Kardialitäte die Uabhägigkeitsbedigug A B = A B d i=1 p i erfülle. Wähle wir A = {1, 2,..., m} ud B = {m, m , m + p d 1}
9 mit m = d 1 i=1 p i, so erhalte wir A = d 1 i=1 p i, B = p d sowie A B = 1 (Ma beachte, dass dies ur möglich ist, weil wir us auf eiem edliche Wahrscheilichkeitsraum befide, auf dem wir jede Mege als Ereigis zulasse!). Zusamme gilt also: d 1 A B = p i p d = 1 i=1 d p i = A B, i=1 was usere Kotrapositiosbeweis abschließt. Ü4.1.7 Herr A. hat seie Bachelorarbeit geschriebe. Er bittet zwei Freude darum, ach Rechtschreibfehler zu suche. Sie lese die Arbeit uabhägig voeiader. Der erste fidet k 1, der adere k 2 Fehler, dabei gibt es k Fehler, die beide agestriche habe. Ermittel Sie daraus eie Schätzwert für die wirkliche Fehlerazahl k 0. Tipp: Sei k 0 die Azahl der wirkliche Fehler. We da der erste Freud Fehler mit Wahrscheilichkeit p 1 fidet, so sollte k 1 k 0 p 1 gelte. Ud so weiter. (Die Uabhägigkeit ist auch och zu berücksichtige: Wie wahrscheilich ist es, dass beide de gleiche Fehler fide?) So erhält ma drei Glecihuge für p 1, p 2, k 0, ud damit ist k 0 leicht zu bestimme. Lösug Sei Ω die Mege aller Fehler, ud F 1, F 2 Ω die Mege der Fehler, die der erste bzw. der zweite Freud gefude habe. Da gilt für die Wahrscheilichkeit vo F 1 F 2, also dass ei Fehler vo beide Freude gefude wurde, folgede Gleichug: P(F 1 )P(F 2 ) = P(F 1 F 2 ) = P(F 1 F 2 )P(F 2 ) Beim erste Gleichheitszeiche wird die Uabhägigkeit beider Ereigisse geutzt, beim zweite die Defiitio der bedigte Wahrscheilichkeit. Nach Eisetze wird diese Gleichugsfolge u zu p 1 p 2 = k k 0 = k k 2 p 2. Durch Kürze erhalte wir u die Gleichug p 1 = k/k 2, d.h. aus de bekate Werte k ud k 2 köe wir p 1 bereche. Aus dem daraus erhaltee Wert für p 1 ud der bereits vorgegebee Schätzug k 1 k 0 p 1 köe wir schließlich das gesuchte k 0 bereche, d.h. die Schätzug für die Azahl k 0 aller Fehler lautet k 0 k 1k 2 k. Ma überlege sich, dass das Ergebis plausibel ist, ud beachte, dass die Rolle vo k 1 ud k 2 vertauschbar sid. Zu Abschitt 4.2 Ü4.2.1 Drei Käste K 1, K 2, K 3 ethalte gut durchmischt schwarze ud weiße Kugel. Es ethalte 9
10 10 K 1 : 2 schwarze ud 4 weiße Kugel; K 2 : 3 schwarze ud 5 weiße Kugel; K 3 : 1 schwarze ud 3 weiße Kugel. a) Aus Kaste K 3 wird dreimal mit Zurücklege gezoge. Wie groß ist die Wahrscheilichkeit, dass die erste Kugel weiß, die zweite schwarz ud die dritte wieder weiß ist? b) Nu wird zuächst eier der Käste zufällig ausgewählt (jeder mit Wahrscheilichkeit 1/3), aus dem da eimal gezoge wird. Mit welcher Wahrscheilichkeit liefert das eie weiße Kugel? c) We eie Ziehug wie i b) eie weiße Kugel liefert, mit welcher Wahrscheilichkeit wurde da im erste Schritt Kaste K 2 gewählt? Ü4.2.2 I eiem Lade ist eie Alarmalage eigebaut, die im Falle eies Eibruchs mit Wahrscheilichkeit 0.99 die Polizei alarmiert. I eier Nacht ohe Eibruch wird mit Wahrscheilichkeit Alarm ausgelöst. (Eie Maus berührt die Alage o. ä.) Die Eibruchswahrscheilichkeit für eie Nacht ist Die Alage hat gerade Alarm gegebe. Ma bereche die Wahrscheilichkeit, dass gerade ei Eibruch stattfidet. Lösug Seie die i der Aufgabe betrachtete Ereigisse wie folgt defiiert: A = Die Alarmalage ist ausgelöst worde. B = Es wird eigebroche. Gesucht ist die Wahrscheilichkeit P(B A). Der Satz vo Bayes (4.2.2) liefert folgede Zusammehag: P(B A) = P(A B)P(B) P(A B)P(B) + P(A B 2 )(1 P(B)) Die gegebee Wahrscheilichkeite eigesetzt, folgt P(B A) = ( ) Nur mit eier Wahrscheilichkeit vo rud 20% hadelt es sich also tatsächlich um eie Eibruch. Ü4.2.3 Es geht um das Problem auf Seite?? ( Erfolg macht sicher ). Dort wurde die Käste gleichverteilt ausgesucht, d. h. der i-te Kaste wurde mit Wahrscheilichkeit 1/ gewählt. a) Diskutiere Sie die Variate, bei der der i-te Kaste mit Wahrscheilichkeit 2i/[( + 1)] gewählt wird (i = 1,..., ); es werde also mit größerer Wahrscheilichkeit Käste mit viele rote Kugel ausgewählt. Wie ist i diesem Fall die bedigte Wahrscheilichkeit, ach k Erfolge och eie weitere zu habe? Gebe Sie die exakte Lösug a sowie eie geeigete Näherug mit Hilfe eier Itegratio.
11 11 b) Diesmal sei die Wahrscheilichkeit für de i-te Kaste 2( i+1)/[(+1)]. Bestimme Sie auch für diese Situatio die bedigte Wahrscheilichkeit, dass es ach k Erfolge och eie weitere gibt (Formel ud Itegralapproximatio). Ü4.2.4 Diskutiere Sie das Ziegeproblem i der Variate mit k Türe, wobei k > 2: Es gibt eie Gewi, der Kadidat wählt, der Quizmaster öffet k 2 Türe, ud der Kadidat darf och eimal wechsel. Würde dadurch seie Gewichace steige? Ud we ja, um wie viel? Ü4.2.5 Falls Sie am Sotagvormittag das Radio bei eiem zufällig gewählte Seder eistelle, erkligt mit 20 Prozet Wahrscheilichkeit Orgelmusik, a de adere Vormittage ur mit 2 Prozet Wahrscheilichkeit. Nu hatte Sie i de Semesterferie ei etwas ustrukturiertes Lebe, die Tage der Woche ware alle gleichberechtigt. A irgedeiem Vormittag wachte Sie auf, ud beim Radio-Eischalte der Seder wurde zufällig gewählt erklag Orgelmusik. Mit welcher Wahrscheilichkeit war das ei Sotag? Lösug Die Bezeichug für Sotag sei S, die für Orgelmusik O. Gesucht ist P(S O). Es ist bekat, dass P (S) = 1 7 ud P ( S) = 6 7, sowie P (O S) = 1 5 ud P (O S) = betrage. Die Berechug der bedigte Wahrscheilichkeit erfolgt durch Awede des Satzes vo Bayes: P(S O) = P(O S) P(S) P(O S) P(S) + P(O S) P( S) = 5 = 62, 5%. 8 Ü4.2.6 Hier geht es um das Umkehre bedigter Wahrscheilichkeite. Es sei A das Ereigis der Patiet hat die Krakheit K, ud B bedeutet, dass ei Test auf K positiv verlaufe ist. Fide Sie mit Begrüdug eie Formel für P ( A B), also die Wahrscheilichkeit dafür, dass der Patiet K icht hat, we das Testergebis egativ ist. Diese Formel soll die Zahle P (A), P (B A) ud P (B A) ethalte. Bereche Sie daach P ( A B) für die kokrete Werte P (A) = 0.04, P (B A) = 0.99, P (B A) = Ü4.2.7 (Das diskrete Iterview): I eier Ure sid 1000 Zettel mit Frage. Auf 500 Zettel steht Ist die letzte Ziffer Ihrer Persoalausweisummer gerade?, auf de adere 500 eie Frage F, die mit ja oder ei zu beatworte ist, auf die aber vor Zeuge ur uger eie ehrliche Atwort gegebe wird (Beispiele sollte jedem selbst eifalle). Um zu erfahre, mit welcher Wahrscheilichkeit p die Iterviewte F mit ja beatworte, wird so verfahre: Der Iterviewte zieht eie Zettel ud atwortet; dabei weiß der Iterviewer icht, welcher Zettel gezoge wurde. Wie ka ma u p schätze, we viele Iterviews geführt wurde?
12 12 Lösug Wir bezeiche mit F h das Ereigis harmlose Frage, also die Frage ach der letzte Ziffer der Ausweisummer, F p stehe für peiliche Frage. Die befragte Perso atwortet mit ja sei durch J abgekürzt ud N stehe für die Atwort ei. Gesucht ist also p = P(J F p ). Wir setze voraus, dass die Hälfte aller Ausweise mit eier gerade Ziffer edet. Es ist also P(J F h ) = 0.5 als bekat vorausgesetzt. Da es vo beide Frage jeweils 500 Zettel gibt, gilt P(F p ) = P(F h ) = 0.5 Wir wede u Satz (Satz vo der totale Wahrscheilichkeit) a: P(J) = P(J F p )P(F p ) + P(J F h )P(F h ) = p Wir ehme a, dass vo N befragte Persoe mit ja geatwortet habe. Wir köe P(J) also durch /N schätze. Auf diese Weise erhalte wir für p die Schätzug ( ) p = 2 N Zu Abschitt 4.3 Ü4.3.1 Ω := {1,..., } m sei mit der Gleichverteilug versehe. Wir defiiere E k,l Ω durch E k,l := {(x 1,..., x m ) x k = l} für k = 1,..., m ud l = 1,...,. Was ist die maximale Azahl, die Sie aus diese m Mege wähle köe, um uabhägige Ereigisse zu erhalte? Ü4.3.2 Seie A, B, C Ereigisse (i irgedeiem Wahrscheilichkeitsraum). Falls A ud B uabhägig sid, so folgt aus A B C A B, dass P(A C) P(A) P(C) gilt. Lösug Wir defiiere zuächst a := P (A B); b := P (A \ B); c := P (B \ A); b := P (C \ B); c := P (C \ A). Wege der Voraussetzug A B C gilt C = (A B) (C \ B) (C \ A) ud folglich P (C) = a + b + c. Außerdem gilt P (A) = a + b ud somit ist a + b (a + b)(a + c + b) (1) zu zeige. Die Uabhägigkeit der Ereigisse A ud B liefert P (A B) = P (A)P (B) a = (a + b)(a + c) (2)
13 13 Offesichtlich gelte die Ugleichuge 0 b b ud 0 c c ud damit folgt (??). Um das eizusehe, betrachte wir für festes c die Fuktioe f(x) = a+x ud g(x) = (a + b)(a + c + x) ud bediee us der Hilfsmittel der Aalysis. Zuächst eimal ist f(0) g(0). Das folgt aus (??) ud a + c a + c. Für beliebiges x R gilt außerdem 1 = f (x) g (x) = a + b, da a + b = P (A) 1. Folglich ist f(x) g(x) für x 0, ud die Substitutio x = b liefert die Behauptug (??). Ü4.3.3 Es sei (Ω, E, P) ei Wahrscheilichkeitsraum, ud A, B seie uabhägige Ereigisse. Muss da {E E A, B, E sid uabhägig} eie Teil-σ- Algebra vo E sei? Ü4.3.4 A, B, C seie Ereigisse. Ma weiß, dass sie uabhägig sid ud ma ket die Wahrscheilichkeite. Ka ma aus diese Iformatioe die Wahrscheilichkeit vo A B C ermittel? Zu Abschitt 4.4 Ü4.4.1 Beweise Sie: Sid X 1,..., X reellwertige uabhägige Zufallsvariable, so sid auch Y, X 1,..., X uabhägig, we Y kostat ist. Ü4.4.2 (X ) sei eie Folge uabhägiger idetisch verteilter Zufallsvariable. Wie groß ist die Wahrscheilichkeit, dass die Folge (X ) vo irgedeier Stelle a mooto falled ist? Ü4.4.3 Mit Ω wie i Aufgabe defiiere wir X k : Ω R durch (x 1,..., x m ) x k für k = 1,..., m. Zeige Sie, dass die X 1,..., X m uabhägig sid. Lösug Der Fall = 6, m = 2 wird auf Seite 136 ausführlich behadelt. Wir zeige die Uabhägigkeit der Ereigisse {X 1 a 1 },..., {X m a m } für beliebige a 1,... a m {1,... }. Für k = 1,..., m gibt es jeweils ( a k + 1) m 1 Elemete i Ω mit X k a k ud folglich ist P({X k a k }) = ( a k + 1) m 1 m = ( a k + 1). Es gibt weiter Π m i=1 ( a i + 1) Elemete i Ω mit X 1 a 1, X 2 a 2,... ud X m a m. Es ist folglich P({X 1 a 1,..., X m a m }) = Πm i=1 ( a i + 1) m = Π m i=1p({x i a i }) ud das beweist die Uabhägigkeit.
14 14 Ü4.4.4 X 1, X 2,... : Ω R seie uabhägige Zufallsvariable, ud alle P Xk seie die Gleichverteilug auf [ 0, 1 ]. Beweise Sie, dass das Ereigis Wahrscheilichkeit Null hat. {ω für alle k ist X k (ω) 0.999} Ü4.4.5 X 1,..., X seie reellwertige Zufallsvariable. Zeige Sie, dass Sie geau da uabhägig sid, we P({X 1 B 1,..., X B }) = P({X 1 B 1 }) P({X B }) für beliebige Borelmege B 1,..., B gilt. Es ist also icht erforderlich, die etsprechede Gleichug für Idizes 1 i 1 < i 2 < i k achzu prüfe (vgl. Irrtum 2 auf Seite 133). Lösug Nach Defiitio sid die Zufallsvariable geau da uabhägig, we für alle a k R, i {1,..., } gilt, dass die Mege {X 1 a 1 },..., {X a } uabhägig sid. Da es sich dabei ur um edlich viele Mege hadelt, liefert das wiederholte Awede vo Lemma 4.4.1, dass diese Bedigug äquivalet dazu ist, dass die Mege {X 1 B 1 },..., {X B } für alle Borelmege B 1,..., B uabhägig sid. Dies ist ach Defiitio der Uabhägigkeit äquivalet zur Gleichheit P ({X 1 B 1,..., X B }) = P ({X 1 B 1 }) P ({X B }) für alle Borelmege B 1,..., B, sodass damit alles gezeigt ist. Zu Abschitt 4.5 Ü4.5.1 Mit de Bezeichuge vo Satz gilt: a) {(ω 1, ω 2,...) ( X (ω ) < für alle } gehört zu E. (X1 b) {(ω 1, ω 2,...) (ω 1 )+X (ω ) ) ) / ist koverget} gehört ebefalls zur σ-algebra E. Ü4.5.2 Wir verwede wieder die Bezeichuge vo Satz Es sei P X die Gleichverteilug i {1,..., 6}, es geht also um die Modellierug eier Folge vo Würfelwürfe. Bereche Sie die Wahrscheilichkeit vo {(X 1 2) ud ( (X 4 = 6) oder (X 5 3) ) }. Lösug Wir betrachte das Ereigis E = {(X 1 2) ud ((X 4 = 6) oder (X 5 3)}. Dazu eie kleie Vorbemerkug: Wir köe hier ur die Wahrscheilichkeit vo Schitte oder disjukte Vereiiguge bereche, deswege müsse
15 15 wir das Ereigis E passed zerlege. Seie dazu A = {X 1 2}, B = {X 4 = 6} ud C = {X 5 3}. Da ist E = A (B C), ud wir erhalte P (E) = P (A (B C)) = P (A) P (B C), was ach dem Iklusios-Exklusiosprizip gerade P (A) P (B C) = P (A) (P (B)+P (C) P (B C)) = P (A) (P (B)+P (C) P (B) P (C)) ist. Eisetze vo P (A) = 5/6, P (B) = 1/6 ud P (C) = 3/6 liefert P (E) = 35/72. Zu Abschitt 4.6 Ü4.6.1 Es seie X, Y : Ω R Zufallsvariable, für die der Erwartugswert existiert. Da ka es sei, dass das Produkt XY keie Erwartugswert hat. Lösug Betrachte als Ω das Itervall [ 0, 1 ] mit der Gleichverteilug ud als Zufallsvariable X, Y die Fuktioe x 1/ x. Der Erwartugswert vo X ud Y ist edlich, der vo XY existiert aber icht. Ü4.6.2 Seie X 1, X 2, X 3 uabhägige auf [0, 1] gleichverteilte Zufallsvariable. Wie ist da X 1 + X 2 + X 3 verteilt? (Es soll die Gleichug der Dichtefuktio ermittelt werde.) Ü4.6.3 X, Y seie uabhägige, auf dem gleiche Wahrscheilichkeitsraum defiierte reellwertige Zufallsvariable. Die zugehörige Verteilugsfuktioe F X, F Y möge stetig differezierbar sei; wir wisse scho, dass da die Ableituge gerade die Dichtefuktioe zu P X, P Y sid. a) Zeige Sie, dass Z := max{x, Y } ebefalls eie Dichtefuktio hat. Drücke Sie dazu die Verteilugsfuktio vo Z durch F X ud F Y aus ud bestimme Sie daraus durch Ableite die Dichtefuktio vo Z. Als Beispiel soll berechet werde, ach welcher Dichtefuktio max(radom,radom) (also das Maximum zweier uabhägige Abfrage des Zufallsgeerators) verteilt ist. b) Das gleiche Problem, diesmal für das Miimum. Lösug a) Weil das Supremum (falls es überall edlich ist) vo Folge vo Zufallsvariable wieder eie Zufallsvariable ist (vgl. Satz (v)), ist isbesodere Z := max{x, Y } eie Zufallsvariable. Die Verteilugsfuktio vo Z lautet: F Z (a) = P (ω Z(ω) a) = P (ω max{x(ω), Y (ω)} a) = P (ω (X(ω) a) (Y (ω) a)) = P (ω X(ω) a) P (ω Y (ω) a) = F X (a) F Y (a), wobei die vorletzte Gleichug wege der vorausgesetzte Uabhägigkeit gilt. Die Dichtefuktio erhalte wir durch Ableite, de ach Voraussetzug sid
16 16 F X ud F Y stetig differezierbar. f Z (a) = F Z (a) = f X(a) F Y (a)+f X (a) f Y (a), wobei f die jeweilige Dichtefuktio bezeichet. radom hat die Dichtefuktio f(x) = 1 auf [0, 1] ud 0 sost. Die Verteilugsfuktio lautet F (x) = x für x [0, 1]. Da ist f max{radom,radom} (x) = 1 x + x 1 = 2x auf [0, 1]. b) Es bezeiche W = mi{x, Y }. Da ist 1 F W = P (ω W (ω) > a) = P (ω (X(ω) > a) (Y (ω) > a))) = P (ω X(ω) > a) P (ω Y (ω) > a) = (1 F X (a)) (1 F Y (a)) F W = F X + F Y F X F Y. Da ist f mi{radom,radom} (x) = 2 2x auf [0, 1]. Ü4.6.4 Es gibt Zufallsvariable X, Y mit existieredem Erwartugswert, die icht uabhägig sid, so dass die Erwartugswerte vo X, Y, XY existiere ud E(XY ) = E(X) E(Y ) gilt. (Uabhägigkeit ist also keie otwedige Bedigug für diese Gleichheit.)
17
Lösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrStochastik im SoSe 2018 Übungsblatt 2
Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis 1, Woche 2 Reelle Zahle A1 2.1 Ordug Defiitio 2.1 Ma et eie Ordug für K, we 1. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a,
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrMetrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan
Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrD-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Musterlösung 11 = Φ( 6/5) = 1 Φ(6/5) = = 0.
D-ITET Wahrscheilichkeitstheorie ud Statistik FS 17 Prof. P. Noli Musterlösug 11 1. Sei Φ die Verteilugsfuktio der Stadardormalverteilug. a Da T B N 6, 4, ist T B + 6/4 stadardormalverteilt. Folglich ist
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrHöhere Mathematik I (Analysis) für die Fachrichtung Informatik
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
MehrFolgen und Reihen. 23. Mai 2002
Folge ud Reihe Reé Müller 23. Mai 2002 Ihaltsverzeichis 1 Folge 2 1.1 Defiitio ud Darstellug eier reelle Zahlefolge.................. 2 1.1.1 Rekursive Defiitio eier Folge......................... 3 1.2
Mehr3 Grenzwerte. 3.1 Grenzwerte von Folgen
03-grezwerte.cdf 3 Grezwerte 3. Grezwerte vo Folge Kovergez Mache Folge zeige ei spezielles Verhalte, we der Idex sehr groß wird. Sie äher sich eier bestimmte Zahl. Betrachte wir zum Beispiel die Folge
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
MehrELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS
ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS vo Rolf Waldi 1 Kapitel I. Elemetare Zahletheorie 1 Grudlegede Regel ud Prizipie Es wird vorausgesetzt, daß der Leser mit gaze Zahle reche ka ud
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
MehrKapitel 2 Differentialrechnung in einer Variablen. 2.1 Folgen und Grenzwerte
Kapitel 2 Differetialrechug i eier Variable 2. Folge ud Grezwerte 2.. Defiitio Eie Folge ist eie Zuordug N R, a, geschriebe als Liste (a,a 2,...) oder i der Form (a ) N. Hier sid ei paar Beispiele: 2,4,6,8,...
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrDiskrete Wahrscheinlichkeitstheorie Wiederholungsklausur
Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrAnalysis ZAHLENFOLGEN Teil 4 : Monotonie
Aalysis ZAHLENFOLGEN Teil 4 : Mootoie Datei Nr. 40051 Friedrich Buckel Juli 005 Iteretbibliothek für Schulmathematik Ihalt 1 Eiführugsbeispiele 1 Mootoie bei arithmetische Folge Defiitioe 3 3 Welche Beweistechik
MehrTutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis, Woche 2 Reelle Zahle A 2. Ordug Defiitio 2. Ma et eie Ordug für K, we. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a, b, c K
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
Mehr5. Übungsblatt Aufgaben mit Lösungen
5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrKapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrMusterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
MehrDer Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist
Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrAnalysis I für M, LaG/M, Ph 4.Übungsblatt
Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrFit in Mathe. April Klassenstufe 10 Wurzelfunktionen
Thema Fit i Mathe Musterlösuge 1 April Klassestufe 10 Wurzelfuktioe Uter der -te Wurzel eier icht-egative Zahl (i Zeiche: ) versteht ma die icht-egative Zahl, die mal mit sich selber multipliziert, die
MehrZusammenfassung: Folgen und Konvergenz
Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 8 Defiitioe ud Beispiele für Folge Defiitio Eie
Mehr3 Elemente der Komplexitätstheorie Definitionen und ein Beispiel Nichtdeterminismus und das P-NP-Problem... 57
Ihaltsverzeichis 1 Berechebarkeit ud Algorithme 7 1.1 Berechebarkeit................................. 7 1.1.1 LOOP/WHILE-Berechebarkeit................... 8 1.1.2 Turig-Maschie...........................
MehrAngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr A Müller-Rettkowski Dr T Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum
Mehr10 Aussagen mit Quantoren und
0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrProbeklausur zur Analysis I WS 11/12 Prof. Dr. G. Wang Dr. A. Magni. Beginn: 8:15 Uhr. Name:...Vorname:... Matr.Nr.:...Studiengang:...
Probeklausur zur Aalysis I WS / Prof. Dr. G. Wag 3.. Dr. A. Magi Begi: 8:5 Uhr Ede: Name:..........................Vorame:............................ Matr.Nr.:........................Studiegag:.........................
Mehr1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch
Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,
Mehr4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrAnalysis Übungen Hausaufgaben für 4. April
Aalysis Übuge Hausaufgabe für 4. April Reihe sg 1. AN 8.2. c), AN 8.9. a). 2. Beweise die otwedige Bedigug für die Kovergez eier Reihe: we a koverget ist, da lim a = 0. (I der Praxis: we lim a 0, da ist
Mehr8. Übungsblatt Aufgaben mit Lösungen
8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
Mehr5-1 Elementare Zahlentheorie
5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrDemo-Text für INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK. ANALYSIS Vollständige Induktion FRIEDRICH W.
ANALYSIS Vollstädige Iduktio Datei Nr. 40080 Stad 14. März 018 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK 40080 Beweismethode: Vollstädige Iduktio Vorwort Die Methode der vollstädige Iduktio
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrLeitfaden Bielefeld SS 2007 III-4
Leitfade Bielefeld SS 2007 III-4 8.2. Der allgemeie Fall. Satz. Sei N 1, sei ω eie primitive -te Eiheitswurzel ud K = Q[ω ]. Da gilt: (a) [K : Q] = φ(), (b) Φ ist irreduzibel, (c) O K = Z[ω ]. (d) Eie
MehrElementare Primzahlverteilung
Elemetare Primzahlverteilug Ausarbeitug zum Semiar Fuktioetheorie Vortrag 02. 04. 202 Sara Bohma Elemetare Primzahlverteilug Eileitug Eileitug Ziel des erste Blocks des Semiars zur Fuktioetheorie ist der
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
Mehr