Aufgaben zu Kapitel 38
|
|
- Bernhard Braun
- vor 7 Jahren
- Abrufe
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.
13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 19/21, 29.04.2019 Wahrscheinlichkeit und Statistik Patric Müller WBL 2019 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrÜbung Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung mit
Übung 2 24..23 Ü b u n g 2 Aufgabe Die Poissonverteilung P(λ) hat die Wahrscheinlichkeitsfunktion p(x) = λx e λ (x ) x! Zeigen Sie, dass dies als Grenzwert der Wahrscheinlichkeitsfunktion der Binomialverteilung
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrVertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrVorlesung 5a. Die Varianz
Vorlesung 5a Die Varianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist definiert
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr7.5 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
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
MehrUnabhängigkeit 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
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrVorlesung 5a. Varianz und Kovarianz
Vorlesung 5a Varianz und Kovarianz 1 1. Varianz und Standardabweichung: Elementare Eigenschaften (Buch S. 24) 2 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ. Die Varianz von X ist
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrDie Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrVorlesung 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
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
MehrBeweis: 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
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
Mehr5. 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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrDiskrete Strukturen I
Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
Mehr2 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
MehrÜbungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker
Aufgabe Aufgabe 2 Übungsblatt 7 zur Vorlesung Wahrscheinlichkeitsrechnung und mathematische Statistik für Informatiker.2.202 Aufgabe Aufgabe 2 Bei einem Zufallsexperiment werden zwei Würfel geworfen und
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
Erwartungswert, Varianz und Kovarianz 1/65 Statistik für Informatiker, SS 2018 1.4 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/ 14.5.2018 / 28.5.2018
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2012
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 202 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrStatistik für Informatiker, SS Erwartungswert, Varianz und Kovarianz
1/65 Statistik für Informatiker, SS 2017 1.3 Erwartungswert, Varianz und Kovarianz Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 7.6.2017 / 14.6.2017 2/65 Der Erwartungswert ist eine
MehrKapitel 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
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrWirtschaftswissenschaftliches 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
Mehr11.4 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
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2018/19
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 08/9 PD Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Die Klausur besteht
MehrBeispiel: Zufallsvariable
Beispiel: Zufallsvariable 3 Münzen werden unabhängig voneinander geworfen. Jede Münze kann entweder Kopf oder Zahl zeigen. Man ist nur an der Zahl der Köpfe interessiert. Anzahl Kopf Elementarereignis
Mehr[ 2 ] Die Zufallsvariablen X und Y haben die in der Tabelle gegebene gemeinsame Wahrscheinlichkeitsfunktion
Paare von Zufallsvariablen Kapitel : Paare von Zufallsvariablen A: Übungsaufgaben: [ ] Die Zufallsvariable X kann die Werte, 2 und die Zufallsvariable Y die Werte 0,, 2 annehmen. Die gemeinsame Verteilungsfunktion
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
Mehr1.3 Zufallsgrößen und Verteilungsfunktionen
.3 Zufallsgrößen und Verteilungsfunktionen.3. Einführung Vielfach sind die Ergebnisse von Zufallsversuchen Zahlenwerte. Häufig möchte man aber auch in den Fällen, wo dies nicht so ist, Zahlenwerte zur
MehrY = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2
Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten
Mehr