Aufgaben zu Kapitel 38

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Aufgaben zu Kapitel 38"

Transkript

1 Aufgaben zu Kapitel 38 Aufgaben zu Kapitel 38 Verständnisfragen Aufgabe 38. Welche der folgenden vier Aussagen sind richtig:. Kennt man die Verteilung von X und die Verteilung von Y, dann kann man daraus die Verteilung von X+Y berechnen.. Kennt man die gemeinsame Verteilung von X, Y ), kann man daraus die Verteilung von X berechnen. 3. Haben X und Y dieselbe Verteilung, dann ist X + Y verteilt wie X. 4. Haben zwei standardisierte Variable X und Y dieselbe Verteilung, dann ist X = a + by. 5. Haben zwei standardisierte Variable X und Y dieselbe Verteilung, dann ist X verteilt wie a + by. Aufgabe 38. Welche der folgenden 8 Aussagen sind richtig:. Jede diskrete Variable, die nur endlich viele Realisationen besitzt, besitzt auch Erwartungswert und Varianz.. Eine diskrete zufällige Variable, die mit positiver Wahrscheinlichkeit beliebig groß werden kann, P X > n) > 0 für alle n N, besitzt keinen Erwartungswert. 3. X und X haben die gleichen Varianz. 4. Haben X und X den gleichen Erwartungswert, dann ist EX) = Wenn X den Erwartungswert μ besitzt, dann kann man erwarten, dass die Realisationen von X meistens in der näheren Umgebung von μ liegen.. Bei jeder zufälligen Variablen sind stets 50% aller Realisationen größer als der Erwartungswert. 7. Sind X und Y zwei zufällige Variable, so ist E X + Y ) = E X) + E Y ). 8. Ist die zufällige Variable Y = g X) eine nichtlineare Funktion der zufälligen Variablen X, dann ist E Y ) = gex)). Aufgabe 38.3 Welche der folgenden Aussagen sind richtig?. Sind X und Y unabhängig, dann sind auch /X und /Y unabhängig.. Sind X und Y unkorreliert, dann sind auch /X und /Y unkorreliert. Aufgabe 38.4 Zeigen Sie: Aus E X ) =EX)) folgt: X ist mit Wahrscheinlichkeit konstant. ) Aufgabe 38.5 Zeigen Sie: a) Ist X eine positive Zufallsvariable, so ist E X EX). b) Zeigen Sie an einem Beispiel, dass diese Aussage falsch ist, falls X positive und negative Werte annehmen kann. Aufgabe 38. Beweisen oder widerlegen Sie die Aussage: Ist X n ) n N eine Folge von zufälligen Variablen X n mit lim P X n > 0) =, dann gilt auch lim E X n) > 0. n n Aufgabe 38.7 Beweisen Sie die Markov-Ungleichung aus der Übersicht S. 30. Aufgabe 38.8 Zeigen Sie: a) Aus X Y, folgt F X t) F Y t), aber aus F X t) F Y t) folgt nicht X Y. b) Aus F X x) F Y x), folgt EX) EY), falls EX) und EY) existieren. Aufgabe 38.9 Im Beispiel auf Seite 309 sind R und B die Augenzahlen zweier unabhängig voneinander geworfener idealer Würfel und X = max R,B) sowie Y = min R,B). Weiter war Var X) = Var Y ) =. 97. Berechnen Sie CovX, Y ) aus diesen Angaben ohne die Verteilung von X, Y ) explizit zu benutzen. Aufgabe 38.0 Welche der folgenden Aussagen sind wahr? Begründen Sie Ihre Antwort.. Um eine Prognose über die zukünftige Realisation einer zufälligen Variablen zu machen, genügt die Kenntnis des Erwartungswerts.. Um eine Prognose über die Abweichung der zukünftigen Realisation einer zufälligen Variablen von ihrem Erwartungswert zu machen, genügt die Kenntnis der Varianz. 3. Eine Prognose über die Summe zufälliger i.i.d.-variablen ist in der Regel genauer als über jede einzelne.

2 Aufgaben zu Kapitel Das Prognoseintervall über die Summe von 00 identisch verteilten zufälligen Variablen mit Erwartungswert μ und Varianz σ ) ist 0-mal so lang wie das Prognoseintervall für eine einzelne Variable bei gleichem Niveau. 5. Wenn man hinreichend viele Beobachtungen machen kann, dann ist EX) ein gute Prognose für die nächste Beobachtung. Rechenaufgaben Aufgabe 38. Bestimmen Sie die Verteilung der Augensumme S = X + X von zwei unabhängigen idealen Würfeln X und X. Aufgabe 38. Beim Werfen von 3 Würfeln tritt die Augensumme häufiger auf als, obwohl doch durch die sechs Kombinationen, 4, ) ;, 3, ); 5, 5, ); 5, 4, ); 5, 3, 3); 4, 4, 3) und die Augensumme ebenfalls durch sechs Kombinationen, nämlich, 5, ),, 5, ),, 3, 3), 5, 5, ), 5, 4, 3), 4, 4, 4) erzeugt wird. a) Ist diese Beobachtung nur durch den Zufall zu erklären oder gibt es noch einen anderen Grund dafür? b) Bestimmen Sie die Wahrscheinlichkeitsverteilung der Augensumme von drei unabhängigen idealen Würfeln. Aufgabe 38.3 Ein fairer Würfel wird dreimal geworfen.. Berechnen Sie die Wahrscheinlichkeitsverteilung des Medians X med der drei Augenzahlen.. Ermitteln Sie die Verteilungsfunktion von X med. 3. Berechnen Sie Erwartungswert und Varianz des Medians. Aufgabe 38.4 Sei X die Augenzahl bei einem idealen n-seitigen Würfel: P X = i) = n für i =,,n.berechnen Sie EX) und Var X). Aufgabe 38.5 Für Indikatorfunktionen I A gilt: I A C = I A I A B I AUB = I A I B = I A C I B C Ist A ein zufälliges Ereignis, so ist EI A ) = P A). Beweisen Sie mit diesen Eigenschaften die Siebformel aus Abschnitt 37.: n ) P A i = i= n ) k+ k= i <i <i k n Aufgabe 38. Beweisen Sie die folgende Ungleichung: P X t) inf s>0 Dabei läuft das Infimum über alle s>0, für die E e sx) existiert. P A i A i A ik ) e st E e sx)). Aufgabe 38.7 Zeigen Sie: a) Ist für eine diskrete Zufallsvariable X die Varianz identisch null, so ist X mit Wahrscheinlichkeit konstant: PX = EX)) =. b) Zeigen Sie die gleiche Aussage für eine beliebige Zufallsvariable X. Aufgabe 38.8 Verifizieren Sie die folgende Aussage: ) E X AX = E X ) AE X) + Spur ACov X)) Aufgabe 38.9 Ein idealer n-seitiger Würfel wird geworfen. Fällt dabei die Zahl n, so wird der Wurf unabhängig vom ersten Wurf wiederholt. Das Ergebnis des zweiten Wurfs wird dann zum Ergebnis n des ersten Wurfs addiert. Fällt beim zweiten Wurf wiederum die Zahl n, wird wie beim ersten Wurf wiederholt und addiert, u.s.w. Sei X die bei diesem Spiel gezielte Endsumme. Bestimmen Sie die Wahrscheinlichkeitsverteilung von X und den Erwartungswert.

3 Aufgaben zu Kapitel 38 3 Aufgabe 38.0 Es seien X und X die Augensummen von zwei idealen Würfeln, die unabhängig voneinander geworfen werden. Weiter sei Y = X X. Zeigen Sie, dass Y und Y unkorreliert sind. Aufgabe 38. Das zweidimensionale Merkmal X, Y ) besitze die folgende Verteilung: Y 3 X Bestimmen Sie Erwartungswerte und Varianzen a) von X und Y,b)vonS = X + Y und c) von X Y.. Wie hoch ist die Korrelation von X und Y? Anwendungsprobleme Aufgabe 38. Sie schütten einen Sack mit n idealen Würfeln aus. Die Würfel rollen zufällig über den Tisch. Keiner liegt über dem anderen. Machen Sie eine verlässliche Prognose über die Augensumme aller Würfel. Aufgabe 38.3 Es seien X und Y jeweils der Gewinn aus zwei risikobehafteten Investitionen. Abbildung 38.8 zeigt die Verteilungsfunktionen F X rot) und F Y blau). a) Welche der beiden Investitionen ist aussichtsreicher? Fx) F X F Y x Abbildung 38.8 Die Verteilungsfunktionen F X rot) und F Y blau) des Gewinns aus zwei Investitionen X und Y. b) Kann man aus der Abbildung schließen, dass X Y oder Y X ist? Aufgabe 38.4 Die Weinmenge, die von einer automatischen Abfüllanlage in eine 0.75-l-Flasche abgefüllt wird, sei aus mancherlei Gründen als eine Zufallsvariable aufzufassen, deren Erwartungswert gleich 0.7 und deren Standardabweichung gleich 0.0 beträgt.. Wie groß ist die Wahrscheinlichkeit mindestens, dass in eine Flasche zwischen 0.7 l und 0.9 l abgefüllt werden?. Wie groß ist höchstens die Wahrscheinlichkeit, dass in eine Flasche weniger als 0.7 l abgefüllt werden, wenn die Verteilung der von der Abfüllanlage abgegebenen Menge symmetrisch ist?

4 4 Hinweise zu Kapitel 38 Hinweise zu Kapitel 38 Verständnisfragen Aufgabe 38. Aufgabe 38. Aufgabe 38.3 Aufgabe 38.4 Arbeiten Sie mit der Varianz. Aufgabe 38.5 Verwenden Sie die Jensen-Ungleichung. Aufgabe 38. Aufgabe 38.7 Betrachten Sie die Zufallsvariable Y = 0 falls X<kund Y = k falls X k. Berechnen Sie EY) und benutzen Sie die Montonie des Erwartungswertes. Aufgabe 38.8 zu a) Verwenden Sie: X Y genau dann, wenn X ω) Y ω) ω. Ignorieren Sie die Ausnahmemenge vom Maß null mit X ω) >Yω). Hinweis zu b): Verwenden Sie die Darstellung EX) aus der Vertiefung von Seite 98. Aufgabe 38.9 Verwenden Sie X + Y = R + B. Aufgabe 38.0 Rechenaufgaben Aufgabe 38. Aufgabe 38. Aufgabe 38.3 Aufgabe 38.4 Berechnen Sie Var X) =E X ) E X)). Aufgabe 38.5 Sei B = i A i dann ist B C = i AC i und P B) = E I B C ). Aufgabe 38. Wenden Sie die Markov-Ungleichung auf e sx an. Aufgabe 38.7 Aufgabe 38.8 Benutzen Sie, dass die Operationen Spur und Erwartungswert vertauschbar sind und E X AX ) = Spur X AX ) = Spur AXX ). Aufgabe 38.9 Aufgabe 38.0 Verwenden Sie die Symmetrie von Y. Aufgabe 38. Anwendungsprobleme Aufgabe 38. Aufgabe 38.3 Aufgabe 38.4

5 Lösungen zu Kapitel 38 5 Lösungen zu Kapitel 38 Verständnisfragen Aufgabe 38.. und 5. sind richtig,., 3. und 4. sind falsch. Aufgabe 38. Die Aussagen, 3, 4 und 7 sind richtig,, 5, und 8 sind falsch. Aufgabe ist richtig und. ist falsch. Unabhängigkeit überträgt sich, Unkorreliertheit nicht. Aufgabe 38.4 Aus E X ) =EX)) folgt Var X) =E X ) EX) = 0. Wie in Aufgabe 38.7 gezeigt wird, folgt daraus, dass X eine entartete Zufallsvariable ist. Aufgabe 38.5 f x) = x ist für x>0konvex. Daher ist für eine Zufallsvariable, die nur positive Werte annimmt, E X ) >E X)). Die Jensen-Ungleichung braucht nicht zu gelten, falls X auch negative Werte annehmen kann. Als Gegenbeispiel nehme X die Werte und 0.5 jeweils mit Wahrscheinlichkeit 0.5 an. Dann ist E X) = 0.5 = 0.5 E X ) = = 0.5 <E X)). Aufgabe 38. Die Aussage ist falsch. Gegenbeispiel: Die Zufallsvariable X n nehme den Wert mit Wahrscheinlichkeit ) n und den Wert n mit Wahrscheinlichkeit n an. Dann ist lim n > 0) =, aber E X n ) = n n n n = n + n < 0. Aufgabe 38.7 Es ist EY) = 0 P X <k) + kp X k) = kpx k). Nach Definition ist Y X. Daher ist EY) EX). Aufgabe 38.8 a) Aus X Y folgt {ω : Y ω) t} {ω : X ω) t}. Daher ist F Y t) = P Y t) = P ω : Y ω) t) P ω : X ω) t) = F X t). Wir zeigen mit einem Gegenbeispiel, dass aus F X t) F Y t) nicht X Y folgt. Dazu sei = {,, 3} mit P ) = P ) = P 3) = /3. Die Zufallsvariablen X und Y seien definiert durch i X i) Y i) Dann ist weder X Y noch Y X. Die Verteilungen von X und Y sind : X PX = x) F X 0 /3 /3 /3 Y PY = y ) F Y 0 /3 /3 /3 /3 /3 Also ist F X t) F Y t) t. Aber Y X ist falsch. b) Aus F X t) F Y t) folgt mit der Darstellung von EX) aus der Vertiefung von Seite 98: EX) = 0 F X t)) dt F X t) dt 0 F Y t)) dt F X t) dt = EY). Aufgabe 38.9 Aufgabe 38.0 Falsch sind. und 5. Richtig sind. und 4. Die Antwort zu 3. hängt davon ab, ob die absolute oder die relative Genauigkeit gemeint ist. Im ersten Fall ist die Aussage falsch, im zweiten Fall richtig.

6 Lösungen zu Kapitel 38 Rechenaufgaben Aufgabe 38. s PS = s i ) s PS = s i ) /3 8 5/3 3 /3 9 4/3 4 3/3 0 3/3 5 4/3 /3 5/3 /3 7 /3 Aufgabe 38. a) Die Angabe der möglichen Würfelereignisse ist unvollständig, da die Reihenfolge der Zahlen nicht beachtet wurde. Berücksichtigt man die Reihenfolge, dann gibt es = 3! verschiedene Permutationen von, 4, ), die auf die gleiche Reihenfolge führen, aber nur 3 verschiedene Permutationen von 5, 5, ). Beachtet man die Reihenfolge, so gibt es 7 verschiedene gleichwahrscheinliche Wurfsequenzen mit der Augensumme, aber 5 mit der Augensumme. b) Aufgabe x i PX = x i ) x i PX = x i ) x i PX = x i ) P X med = ) = P X med = ) = P X med = ) = P X med = 5) = 0.85 P X med = 3) = P X med = 4) = 0.4. Berechnung der Werte für die Verteilungsfunktion: 3.E X med ) = 3.5; Var X med ) =. 88 Aufgabe 38.4 EX) = n+) ; Var X) = Aufgabe 38.5 Aufgabe 38. Aufgabe 38.7 Aufgabe 38.8 x PX med = x) PX med x) n ). Aufgabe 38.9 P X = n k + i) = n k+ und E X) = nn+) n ). Aufgabe 38.0

7 Lösungen zu Kapitel 38 7 Aufgabe 38. EX) =.4 und Var X) = 0.4; EY ) =. und Var Y ) = 0.5. E S) = 3. und Var S) = E XY) = 3. und Var XY) =.9 CovX; Y) = 0.0 und ρ X; Y ) = Anwendungsprobleme Aufgabe 38. Es sei X i die Augenzahl des i-ten Würfels. Die Summe der Augenzahlen ist S = n i= X i, nach Aufgabe 38.4 ist EX i ) = 3.5; Var X i ) = 35. Da die X i i.i.d. sind, ist ES) = n3.5 und Var S) = n 35. Nach der Ungleichung von Tschebyschev gilt dann mit der Wahrscheinlichkeit von mindestends 75%: 35 S 3.5n n. Aufgabe 38.3 Aus der Abbildung 38.8 folgt F X F Y. Daher ist P X t) P Y t) oder gleichwertig P X >t) P Y >t). Für jeden Gewinn t gilt: Mit höherer Wahrscheinlichkeit überschreitet der Gewinn bei Y den Wert t als bei X. Wie in Aufgabe 38.3 gezeigt, folgt aus F X t) F Y t) nicht X Y und erst recht nicht Y X. Aufgabe P 0.7 X 0.9) 3 4 und. P X <0.7) 8.

8 8 Lösungswege zu Kapitel 38 Lösungswege zu Kapitel 38 Verständnisfragen Aufgabe 38. Aufgabe 38. Aufgabe 38.3 Aufgabe 38.4 Aufgabe 38.5 Aufgabe 38. Aufgabe 38.7 Aufgabe 38.8 Aufgabe 38.9 Stets gilt Wegen Var X) = Var Y ) folgt VarX + Y) = Var X) + Var Y ) + CovX, Y ). CovX, Y ) = VarX + Y) Var X). Andererseits ist X + Y = R + B gerade die Augensumme der beiden Würfel. Nach Vorgabe sind R und B unabhängig und identisch verteilt. Also ist Var R) = Var B) und VarX + Y) = VarR + B) = Var R) + Var B) = Var B). Also CovX, Y ) = VarB Var X). Erwartungswert und Varianz der Augenzahl bei idealen Würfeln wurde bereits bestimmt. Danach ist VarB = 35. Dies liefert CovX, Y ) = VarB Var X) = = Aufgabe 38.0 Zu. und. Die Tschebychev-Ungleichung sagt P X E X) kσ) k. Daher ist die erste Aussage falsch, denn man braucht σ. Dagegen ist die zweite Aussage richtig, denn für die Abschätzung von X E X) wird nur σ gebraucht. 3. Die Genauigkeit einer Prognose über S = X i hängt ab von Var S) = nvarx). Die Prognose von X i wird also mit Xi nμ wachsendem n ungenauer. Ist E X i ) = μ = 0, so ist die relative Genauigkeit gegeben durch nμ = X μ μ. Die Varianz von X ist σ n. Die relative Genauigkeit wächst also mit wachsendem n. 4. ist richtig, denn die Varianz der Summe wächst mit n, die Standardabweichung mit n. Die Länge des Prognoseintervalls wächst daher mit n. 5. ist falsch. Wenn man hinreichend viele Beobachtungen machen kann, lässt sich EX) sowie Var X) gut schätzen. Eine gute Prognose für die nächste Beobachtung wird dann mit der Ungleichung von Tschebyschev arbeiten und mit EX) und Var X) arbeiten. Rechenaufgaben Aufgabe 38. In der folgenden Tabelle sind in der Kopfzeile und der Kopfspalte die Realisationen von X und X und in den Innenzellen die jeweilige Augensumme aufgetragen.

9 Lösungswege zu Kapitel Wegen der Unabhängigkeit von X und X hat jede Zelle die Wahrscheinlichkeit ). Summiert man über die Diagonalen erhält man die angegebenen Werte. Aufgabe 38. In Aufgabe 38. wurde die Verteilung der Augensumme S von zwei unabhängigen idealen Würfeln bestimmt. Wir benutzen diese Verteilung und berechnen analog S 3 als S + X. In der folgenden Tabelle sind in der ersten und zweiten Kopfzeile die Realisationen von X und deren Wahrscheinlichkeiten, in der ersten und zweiten Kopfspalte die Realisationen von S und deren Wahrscheinlichkeiten und in den Innenzellen die jeweilige Augensumme S 3 = S + X aufgetragen. \ X S \ Multiplizieren wir die Randwahrscheinlichkeiten, erhalten wir die Wahrscheinlichkeiten der Zellen. Addieren die Zellenwahrscheinlichkeiten aller Zellen mit den gleiche Werten, erhalten wir die Wahrscheinlichkeit des jeweiligen Summenwertes. So ist z. B. PS 3 = 4) = = 3. Auf diese Weise ist die obige Verteilung errechnet worden. Aufgabe mögliche Werte von X med {,, 3, 4, 5, }. Sei X i :=Augenzahl des i-ten Würfels P X med = ) = P X =, X =, X 3 = ) +P X =, X =, X 3 > ) 3 = = 3. P X med = ) = P X = X = X 3 = ) +P X =, X =, X 3 = ) 3 +P X =, X =, X 3 > ) 3! +P X =, X =, X 3 > ) 3 = ) = 3 3.

10 0 Lösungswege zu Kapitel 38 P X med = 3) = P X = X = X 3 = 3) +P X =, X = X 3 = 3) 3 +P X =, X = 3, X 3 > 3) +P X =, X = 3, X 3 > 3) +P X =, X = X 3 = 3) 3 +P X = X = 3, X 3 > 3) 3 = ) = 3 3. Aus Symmetriegründen ist P X med = ) = P X med = ) = P X med = ) = P X med = 5) = P X med = 3) = P X med = 4) = Berechnung des Erwartungswertes: E X med ) = i P X med = i) i= = = = 3.5 Berechnung der Varianz: Var X med ) = E X med ) ) E X med )) E X med ) ) = = 4. 3 Var X med ) = =. 88 Aufgabe 38.4 n E X) = x i P X = x i ) = n i n i= i= = n n + ) n + ) =. n E X ) n = xi P X = x i) = n i n i= i= = n n + )n + ) n + )n + ) =. n Var X) = E X ) E X)) ) n + )n + ) n + ) = n + )n ) =.

11 Lösungswege zu Kapitel 38 Aufgabe 38.5 Sei B = i A i dann ist B C = i AC i und P B) = E I B ) = E ) ) I B C = E IB C ) ) = E I = E I i AC i A C i i ) ) = E IAi i = E i I Ai + i<j I Ai I Aj i<j<k = i i<j<k I Ai I Aj I Ak + P A i ) + P ) A i A j i<j P ) A i A j A k + Aufgabe 38. Es ist X t genau dann, wenn e sx e st. Daher ist P X t) = P e sx e st) Nach der Markov-Ungleichung folgt P e sx e st) E e sx) e st. Da diese Ungleichung für jeden zulässigen) Wert von s gilt, folgt P X t) inf s e st E e sx). Aufgabe 38.7 a) Nach Definition ist für eine diskrete Zufallsvariable: Var X) = x i μ) P X = x i ). i= Daher ist Var X) = 0 genau dann, wenn für alle i gilt: x i μ) P X = x i ) = 0. Ist also P X = x i ) > 0, so ist x i = μ. b) Für ein beliebiges X definieren wir die Zufallsvariable { 0 falls X μ) Y = <ε ε falls X μ) ε Dann ist 0 Y X μ). Also ist 0 = Var X) = E X μ) E Y ) = ε P X μ) ε ). Daher gilt P X μ ε) = 0 für alle ε > 0, also P X μ <ε) =. Sei nun ε n eine Nullfolge, dann sind die Ereignisse X μ <ε n ) monoton fallend. ) Wegen der Stetigkeit der Wahrscheinlichkeitsfunktion, siehe Seite 5 gilt P X μ = 0) = P { X μ <ε n } = lim n P X μ <ε n ) =. n=

12 Lösungswege zu Kapitel 38 Aufgabe 38.8 ) ) E X AX = Spur E X AX = E Spur AXX )) = Spur E AXX )) = Spur AE XX )) )) = Spur A μμ + Cov X) ) = Spur μ Aμ + Spur ACov X)) = μ Aμ + Spur ACov X)). Aufgabe 38.9 Sei X k die beim k-ten Wurf geworfene Augenzahl. Dann gilt wegen der Unabhängigkeit der X k für k = 0,,...und i =,...,n P X = n k + i) = P X = n; X = n;......; X k = n; X k+ = i ) = P X = n ) P X k = n) P X k+ = i ) = n n n = n k+. Für die Berechnung von E X) ziehen wir eine Nebenrechnung vor: Der Erwartungswert von X ist : E X) = k=0 k=0 n k = n = + n kn k = n d ) n k dn k=0 k=0 = n d + ) n = dn n n ) k n k = n n n n k + i) P X = n k + i) = k=0 i= n ) n k + nn ) = n k+ k=0 [ ] k = n ) n k + n k k=0 k=0 [ n = n ) n ) + ] n n n = n + n n n + ) = n ). k=0 i= n k + i n k+ Aufgabe 38.0 Y und Y 3 sind symmetrisch um den Nullpunkt verteilt, denn PY = k) =PY = k). Daher ist EY ) =E Y 3) = 0. Dann ist CovY, Y ) = EY 3 ) E Y ) E Y ) = 0. Aufgabe 38. a) Erwartungswert und Varianz von X werden aus der Randverteilung von X berechnet:

13 Lösungswege zu Kapitel 38 3 x PX = x) xpx = x) x x PX = x) Daher ist EX) =.4 und Var X) =E X ) E X)) =..4 = 0.4. Analog werden EY ) und Var Y ) berechnet. y PX=y) ypx=y) y y PX=y) EY ) =. und Var Y ) =E Y ) E Y )) = 5.4. = 0.5. b) EX + Y ) =EX) +EY ) =.4 +. = 3.. Die Varianz lässt sich so nicht bestimmen, da X und Y korreliert sind. Wir müssen daher die Verteilung von S = X + Y explizit bestimmen: Die Wahrscheinlichkeiten der Summe PX + Y = s) = kpx = k, Y = s k)berechnen wir bildhaft als,faltung der beiden Verteilungen. Wir schreiben dazu die Verteilungen von X und Y auf zwei Papierstreifen in gegenläufiger Reihenfolge X-Streifen Y-Streifen 3 und schieben die Streifen feldweise aneinander vorbei. Die Summen aus den besetzten Spalten sind jeweils konstant: 3 P P P P 0. Dann werden die Wahrscheinlichkeiten der jeweiligen Zellen addiert. Damit erhalten wir S=s PS=s) sps=s) s PS=s) Damit ist E S) = 3. und E S ) = 3.8. Daraus folgt Var S) = E S ) E S)) = ) = c) Die Verteilung des Produktes X Y ergibt sich aus PXY = k) = j PX = j,y = j k ). Für jeden Wert von k müssen die Zellenwahrscheinlichkeiten aller Kombinationen X = j,y = j k ) addiert werden. Dies liefert xy=k PXY=k) kpk) k k Pk)

14 4 Lösungswege zu Kapitel 38 Aus dieser Verteilung lassen sich EXY) = 3. und Var XY) =.3 3. =.9 wie gewohnt ausrechnen.. Aus CovX; Y) = E X Y ) E X) E Y ) folgt CovX; Y) = = 0.0. Eine Kontrollrechnung: Es ist Var X + Y ) = Var X) + Var Y ) + CovX; Y). Mit den bereits berechneten Parametern muss also gelten CovX; Y) = Var X + Y ) Var X) + Var Y )) = ) = 0.0 Die Korrelation ist ρ = CovX; Y) 0.0 = = Var X) Var Y ) Es besteht eine minimale Korrelation. Anwendungsprobleme Aufgabe 38. Aufgabe 38.3 Aufgabe Sei X die fragliche Weinmenge E X) = 0.7, σ X = 0.0. Dann ist P 0.7 X 0.9) P 0.7 X 0.74) = P X ) Nach der Tschebyschev schen Ungleichung gilt P X E X) kσ X ) k. Setzen wir kσ X = 0.0, dann ist bei einem σ X = 0.0 der Faktor k =. Also gilt P X ) 4 = 3 4. Die Verteilung von X ist symmetrisch um E X) 0.7. Dann folgt: P X <0.7) = P X 0.7 < 0.) = P X 0.7 > 0.) = P X 0.7 > 0.) Für E X) = 0.7 und σ X = 0.0 sagt die Ungleichung von Tschebyschev P X 0.7 > 0.) 4. Daher ist P X <0.7) 8.

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

0 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

Mehr

Unabhängige Zufallsvariablen

Unabhängige 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

Mehr

7.5 Erwartungswert, Varianz

7.5 Erwartungswert, Varianz 7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur 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,

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit KAPITEL 4 KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht

Mehr

Vorlesung 8a. Kovarianz und Korrelation

Vorlesung 8a. Kovarianz und Korrelation Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere

Mehr

5 Erwartungswerte, Varianzen und Kovarianzen

5 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,

Mehr

P (X = 2) = 1/36, P (X = 3) = 2/36,...

P (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

Mehr

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Klausur 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,

Mehr

Zufallsvariablen [random variable]

Zufallsvariablen [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

Mehr

Programm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung

Programm. 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

Mehr

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass

Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck

Mehr

Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen

Einführung 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

Mehr

11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient

11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient 11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen

Mehr

Grundbegriffe der Wahrscheinlichkeitsrechnung

Grundbegriffe der Wahrscheinlichkeitsrechnung Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.

Mehr

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die

Mehr

Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen

Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.

Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen. Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.

Mehr

Mathematik für Naturwissenschaften, Teil 2

Mathematik 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

Mehr

Übung 1: Wiederholung Wahrscheinlichkeitstheorie

Übung 1: Wiederholung Wahrscheinlichkeitstheorie Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable

Mehr

5. Spezielle stetige Verteilungen

5. Spezielle stetige Verteilungen 5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für

Mehr

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren

1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt

Mehr

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion

Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere

Mehr

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6

1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6 Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Stetige Verteilungen Rechteckverteilung

Stetige Verteilungen Rechteckverteilung Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a

Mehr

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11. Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer

Mehr

Übungsblatt 9. f(x) = e x, für 0 x

Übungsblatt 9. f(x) = e x, für 0 x Aufgabe 1: Übungsblatt 9 Basketball. Ein Profi wirft beim Training aus einer Entfernung von sieben Metern auf den Korb. Er trifft bei jedem Wurf mit einer Wahrscheinlichkeit von p = 1/2. Die Zufallsvariable

Mehr

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?

Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung? Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben

Mehr

3. Kombinatorik und Wahrscheinlichkeit

3. 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:

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 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.

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe

9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert

Mehr

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management

Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Unabhängigkeit von Ereignissen A, B unabhängig:

Mehr

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012

Weihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012 Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält

Mehr

Kenngrößen von Zufallsvariablen

Kenngrößen von Zufallsvariablen Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert

Mehr

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten

Zufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests

Mehr

Grundlagen der Mathematik II (LVA U)

Grundlagen der Mathematik II (LVA U) Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung

Mehr

3.3 Bedingte Wahrscheinlichkeit

3.3 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

Mehr

Ü b u n g s b l a t t 13

Ü b u n g s b l a t t 13 Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

Mehr

Ü b u n g s b l a t t 10

Ü b u n g s b l a t t 10 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben

Mehr

7.2 Moment und Varianz

7.2 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

Mehr

4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung

4 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

Mehr

Satz 16 (Multiplikationssatz)

Satz 16 (Multiplikationssatz) Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.

Mehr

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten

Vorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:

Mehr

Mathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung

Mathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt

Mehr

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s

Zufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s 4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen

Mehr

Tabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen

Tabelle 11.2 zeigt die gemeinsame Wahrscheinlichkeitsfunktion und die Randverteilungen Kapitel 11 Stichprobenfunktionen Um eine Aussage über den Wert eines unbekannten Parameters θ zu machen, zieht man eine Zufallsstichprobe vom Umfang n aus der Grundgesamtheit. Das Merkmal wird in diesem

Mehr

Diskrete Zufallsvariable

Diskrete Zufallsvariable Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich

Mehr

Übungsscheinklausur,

Übungsscheinklausur, Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...

Mehr

Satz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung

Satz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

Mehr

Klausur: Diskrete Strukturen I

Klausur: Diskrete Strukturen I Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie

Mehr

Gemeinsame Wahrscheinlichkeitsverteilungen

Gemeinsame Wahrscheinlichkeitsverteilungen Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen

Mehr

(8 + 2 Punkte) = = 0.75

(8 + 2 Punkte) = = 0.75 Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,

Mehr

Aufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 /

Aufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 / Aufgabenblock 3 Aufgabe ) A sei das Ereignis: schwerer Verkehrsunfall B sei das Ereignis: Alkohol ist im Spiel Herr Walker betrachtet die Wahrscheinlichkeit P(B A) = 0.3 und errechnet daraus P(-B A) =

Mehr

Klausur zur Vorlesung,,Algorithmische Mathematik II

Klausur zur Vorlesung,,Algorithmische Mathematik II Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese

Mehr

Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie

Webinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.

Mehr

Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.

Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. 2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang

Mehr

Übungsaufgaben, Statistik 1

Übungsaufgaben, Statistik 1 Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama

Mehr

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit 3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.

Mehr

4 Diskrete Wahrscheinlichkeitsverteilungen

4 Diskrete Wahrscheinlichkeitsverteilungen 4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder

Mehr

A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:

A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)

Mehr

Spezielle stetige Verteilungen

Spezielle stetige Verteilungen Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für

Mehr

Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem

Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die

Mehr

Stochastik Klasse 10 Zufallszahlen

Stochastik Klasse 10 Zufallszahlen Thema Grit Moschkau Stochastik Klasse 10 Zufallszahlen Sek I Sek II ClassPad TI-Nspire CAS. Schlagworte: Urnenmodell, Histogramm, absolute und relative Häufigkeit, Zufallsexperiment, Wahrscheinlichkeit,

Mehr

Regression und Korrelation

Regression und Korrelation Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen

Mehr

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:

Statistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind: Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die

Mehr

Eine zweidimensionale Stichprobe

Eine zweidimensionale Stichprobe Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,

Mehr

Kapitel 5. Stochastik

Kapitel 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

Mehr

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)

ETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig) ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels

Mehr

Wiederholung der Hauptklausur STATISTIK

Wiederholung der Hauptklausur STATISTIK Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen

Mehr

MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)

MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben) Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen

Mehr

Berechnung von W für die Elementarereignisse einer Zufallsgröße

Berechnung von W für die Elementarereignisse einer Zufallsgröße R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.

Mehr

Diskrete Verteilungen

Diskrete Verteilungen KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder

Mehr

Es wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =

Es wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! = Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen

Mehr

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:

Mehr

Einführung in die Wahrscheinlichkeitsrechnung

Einführung in die Wahrscheinlichkeitsrechnung Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung

Mehr

Stochastische Unabhängigkeit. 01. Dezember 2014

Stochastische Unabhängigkeit. 01. Dezember 2014 Stochastische Unabhängigkeit 0. Dezember 204 Der Begriff der Unabhängigkeit Großbritannien, im November 999. Die Anwältin Sally Clark wird wegen Mordes an ihren Kindern angeklagt. Clark geriet unter Verdacht

Mehr

Übungen zur Stochastik, Blatt Nr. 1

Übungen zur Stochastik, Blatt Nr. 1 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. ) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. a) Schreiben Sie alle Elemente des Grundraums in Form einer Matrix auf. b) Wie

Mehr

15.5 Stetige Zufallsvariablen

15.5 Stetige Zufallsvariablen 5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven

Mehr

Asymptotische Stochastik (SS 2010)

Asymptotische Stochastik (SS 2010) Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)

Mehr

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer

3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer 3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich

Mehr

Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007

Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007 Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte

Mehr

Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.

Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. .3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil

Mehr

Institut für Stochastik, SoSe K L A U S U R , 13:

Institut für Stochastik, SoSe K L A U S U R , 13: Institut für Stochastik, SoSe 2014 Mathematische Statistik Paravicini/Heusel 1. K L A U S U R 12.7.2014, 13:00-16.00 Name: Geburtsdatum: Vorname: Matrikelnummer: Übungsgruppe bei: Studiengang & angestrebter

Mehr

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen

1. Ziehg.: N M. falls nicht-rote K. in 1. Ziehg. gezogen 6.4 Hyergeometrische Verteilung Gegeben ist eine Urne, die mit N Kugeln gefüllt ist. Es seien M dieser Kugeln rot und N-M Kugeln nicht rot. Wir entnehmen n Kugeln, d.h. eine Stichrobe des Umfangs n. Dabei

Mehr

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion

Kapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig

Mehr

Die Varianz (Streuung) Definition

Die Varianz (Streuung) Definition Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ

Mehr

Lernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm

Lernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis

Mehr

8. Stetige Zufallsvariablen

8. Stetige Zufallsvariablen 8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse

Mehr

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.

Abiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc. Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment

Mehr

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6 Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte

Mehr