Übungen zur Stochastik, Blatt Nr. 1

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Übungen zur Stochastik, Blatt Nr. 1"

Transkript

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 groß ist die Wahrscheinlichkeit, dass mit zwei Würfeln eine Augensumme von 2 erzielt wird? c) Wie groß ist die Wahrscheinlichkeit, dass eine Augensumme von erzielt wird? d) Wie groß ist die Wahrscheinlichkeit, dass zweimal die Drei gewürfelt wurde, wenn die Augensumme 6 beträgt? 2) Als Grundraum für das Würfeln mit zwei nicht unterscheidbaren Würfeln könnte man auch die Menge aller der Größe nach geordneten Zahlenpaare Ω A := {(i, k) A i k 6} benutzen (d.h. die Augenpaare werden stets der Größe nach sortiert aufgeschrieben). Warum ist ein Laplace-Modell hierfür nicht sinnvoll? Warum sollte das Ereignis {(5, 6) A } und {(6, 6) A } unterschiedliche Wahrscheinlichkeit haben? 3) Es wird dreimal eine Münze geworfen. a) Geben Sie alle Elemente des Grundraums Ω an! b) Wie groß ist die Wahrscheinlichkeit, dass zweimal Wappen und einmal Zahl (ohne Berücksichtigung der Reihenfolge) geworfen wird? 4) Auf einer Geburtstagsparty werden 4 Lottozahlen aus insgesamt 2 gezogen. Wie groß ist die Wahrscheinlichkeit, dass die Lottozahlen {, 3, 5, 7} sind? 5) Machen Sie sich mit Wahrheitstafeln nach Art der folgenden Beispiele klar, A B A und B w w w w f f f w f f f f A B A oder B w w w w f w f w w f f f dass tatsächlich für alle zugelassenen Ereignisse A, B Ω gilt, dass ω A B ω A c B c c 6) Für die Lebensdauer eines elektronischen Bauteils wählt man Ω = R + = ]0, [. Aufgrund von zahlreichen Untersuchungen geht man davon aus, dass P (]t 0, [) = c e t 0 τ eine sinnvolle Wahrscheinlichkeit dafür darstellt, dass die Lebensdauer T>t 0 erfüllt. Dabei hängt die Zeitkonstante τ von der Art des Bauteils ab. a) Welchen Wert muß die Konstante c haben, damit hierdurch ein Wahrscheinlichkeitsmaß definiert ist?

2 b) Wie groß ist die Wahrscheinlichkeit, dass die Lebensdauer T die Ungleichung t <T t 2 erfüllt (T also im Intervall ]t,t 2 ] liegt)? (Lösungshinweis: Benutzen Sie Axiom (c) für ]t,t 2 ] ]t 2, [.) c) Berechnen Sie die Wahrscheinlichkeit P (]0,t ]) dafür, dass die Lebensdauer 0 <T t erfüllt! d) Berechnen Sie die Wahrscheinlichkeit P (]0,t [) dafür, dass für die Lebensdauer 0 < T<t gilt. (Beachten Sie den Unterschied zu Teilaufgabe c)!) Benutzen Sie dabei das Ergebnis von Teilaufgabe b), das Ihnen die Wahrscheinlichkeit für Intervalle liefert, deren rechter Randpunkt dazugehört und verwenden Sie ]0,t [=]0, 2 t ] ] 2 t, 2 3 t ] ] 2 3 t, 3 4 t ] = k= k k t k, k+ t sowie die Grundregel (c). e) Welche Folgerung ergibt sich aus der Grundregel (c) sowie den Ergebnissen von Teilaufgabe c) und d) und der Darstellung ]0,t ]=]0,t [ {t } für die Wahrscheinlichkeit P ({t }), also die Wahrscheinlichkeit dafür, dass die Lebensdauer T = t erfüllt? 7) Bei einer Spielshow soll ein Kandidat eines von drei aufgebauten Toren auswählen. Hinter einem verbirgt sich der Gewinn, ein Auto, hinter den anderen beiden jeweils eine Ziege, also Nieten. Der Spielablauf ist immer gleich: Der Kandidat wählt zufällig ein Tor aus. Daraufhin öffnet der Moderator, der die Position des Gewinns kennt, eines der beiden anderen Tore, hinter dem sich eine Ziege befindet. Der Moderator bietet dem Kandidaten an, seine Entscheidung zu überdenken und das andere Tor zu wählen. Wie soll der Kandidat sich entscheiden, um seine Gewinnchance zu maximieren? Soll er wechseln oder bei seiner ersten Entscheidung bleiben? Hinweis: Die Beschreibung des Spiels ist entnommen, dort finden Sie auch mathematische Hinweise zu diesem Spiel. Die Abbildung entstammt einer früheren Webseite der Universität Osnabrück zum,,ziegenproblem, die leider nicht mehr verfügbar ist.

3 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 2 8) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. Die Zufallsvariable X(ω) ist die Augensumme. a) Welche Werte k kann diese Zufallsvariable annehmen? Berechnen Sie die Wahrscheinlichkeiten p k = P {X = k} und stellen Sie diese in einem Balkendiagramm grafisch dar! Lösungshinweis: Benutzen Sie das Ergebnis von Aufgabe )a) und markieren Sie die Elemente mit derselben Augensumme. b) Berechnen Sie die Werte der Verteilungsfunktion zugehörigen Verteilungsfunktion F X (t), die notwendig sind, um diese für t 5 grafisch darzustellen, und stellen Sie dieses grafisch dar! c) Berechnen Sie mit einem Taschenrechner oder Computer den Erwartunswert und die Standardabweichung für diese Zufallsvariable. 9) Bei einem unzuverlässigen Übertragungskanal ist p =0, die Wahrscheinlichkeit, dass ein Übertragungsfehler auftritt bei der Übertragung eines Bits. Beschreiben Sie den Grundraum für die Übertragung eines Bits durch Ω 0 = {0, }, wobei A = {} das Ereignis darstellt, dass ein Fehler auftritt. Das Auftreten von Übertragungsfehlern bei der Übertragerung mehrer Bits soll voneinander unabhängig sein, also durch die Produktwahrscheinlichkeit beschrieben werden. a) Geben Sie den Grundraum Ω für die Übertragung von 4 Bits an! Wie viele Elemente hat er? b) Die Zufallsvariable X(ω) seidiesummederübertragungsfehler bei der Übertragung von 4 Bits. Welche Werte k kann diese Zufallsvariable annehmen? Berechnen Sie die Wahrscheinlichkeiten p k = P {X = k} für k =0,, 2, 3, 4 und stellen Sie diese in einem Balkendiagramm grafisch dar (mit Benutzung eines Taschenrechners)! c) Berechnen Sie den Erwartungswert und die Standardabweichung für diese Zufallsvariable. 0) Zur Produktion eines elektronischen Bauteils werden zwei Maschinen M und M 2 benutzt. Die Wahrscheinlichkeit, dass ein zufällig der Produktion entnommenes Bauteil von Maschine M stammt, sei p = 0, 6, dass es vom Maschine M 2 stammt, sei p 2 =0, 4. Wenn ein Bauteil von Maschine M produziert wurde, dann ist die Wahrscheinlichkeit, dass es defekt ist, q =0, 0, wenn es von M 2 stammt, dann ist die Wahrscheinlichkeit, dass es defekt ist, r = 0, 02. a) Wie groß ist die Wahrscheinlichkeit, dass ein beliebig der Produktion entnommenes Bauteil defekt ist? b) Wie groß ist die Wahrscheinlichkeit bei einem defekten Bauteil, dass es von der Maschine M produziert wurde? )a) Geben Sie ein Wahrscheinlichkeitsmaß P auf N 0 = N {0} an, das p k = P {k} =0 erfüllt für unendlich viele k N 0. (Beachten Sie die Bedingung P (N 0 ) = und die Rechenregeln für Wahrscheinlichkeiten, N bezeichne die Menge der natürlichen Zahlen.) b) Betrachten Sie die triviale Zufallsvariable X(n) =n für alle n N 0. Überlegen Sie, ob der Erwartungswert E(X) für Ihre Lösung von Teilaufgabe a) existiert. Können

4 Sie ihn berechnen? Können Sie eine Lösung von a) angeben, für das er leicht zu berechnen ist? Können Sie ein Wahrscheinlichkeitsmaß P auf N 0 angeben, für das der Erwarungswert E(X) nichtexistiert? 2) Für das Nadelexperiment von Buffon (siehe Skript, Abschnitt 4..) ist der Grundraum Ω =[0, [ ] π 2, +π 2 ] und das Ereignis Die Nadel trifft keine Parallele entspricht der Teilmenge A = {(a, ϕ) Ω a> 2 cos(ϕ) und( a) > 2 cos(ϕ)} Als Wahrscheinlichkeitsmaß war in der Vorlesung P (B) = F (B) π angegeben worden, wobei F (B) die Fläche der Teilmenge von Ω ist, die dem Ereignis B entspricht. Berechnen Sie die Wahrscheinlichkeit für das Ereignis Die Nadel trifft keine Parallele, indem Sie in der untenstehende Abbildung die Fläche A markieren und ihren Flächeninhalt durch eine Integration bestimmen. Die Beachtung von Symmetrien kann hierbei Arbeit ersparen.

5 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 3 3) Zwei Würfel werden gleichzeitig oder nacheinander geworfen. Die Zufallsvariable X sei die Augenzahl des ersten, X 2 die des zweiten Würfels. Die Zufallsvariable X s := X + X 2 sei die Summe, X d := X X 2 die Differenz der Augenzahlen. a) Wie groß ist die Wahrscheinlichkeit p, dass zweimal die Zwei gewürfelt wurde, wenn man weiß, dass die Augensumme X s =4erfüllt? b) Berechnen Sie die Wahrscheinlichkeiten p 2 = P {X s =5} und p 3 = P {X d =3}. c) Sind die beiden Ereignisse {X s =5} und {X d =3} stochastisch unabhängig? Begründen Sie Ihre Antwort! 4) Auf einer Geburtstagsparty werden 5 Lottozahlen aus insgesamt gezogen. Wie groß ist die Wahrscheinlichkeit, dass die Lottozahlen {3, 7, 8, 9, } sind? Die Wahrscheinlichkeit ist möglichst explizit als Bruch ganzer Zahlen auszurechnen. (Hinweis: Es kommt nur darauf an fünf Richtige zu haben, die Reihenfolge, in der die Zahlen gezogen wurden, hat keinen Einfluß auf die Gewinnentscheidung.) 5) Es werden digitale Signale über eine unzuverlässige Übertragungststrecke übertragen. Die Wahrscheinlichkeit q dafür, dass bei der Übertragung eines einzelnen Bits ein Übertragungsfehler auftritt, sei bekannt. Das Auftreten eines Fehlers beim Übertragen der nachfolgenden Bits wird als gleich wahrscheinlich und stochastisch unabhängig angenommen. a) Wie groß ist die Wahrscheinlichkeit p k beim Übertragen von mehreren Bits, dass der erste Übertragungsfehler beim Übertragen des k. Bits auftritt (also vor der Übertragung des k. Bits kein Fehler auftritt, k N beliebig)? Die Wahrscheinlichkeit p k soll durch die Wahrscheinlichkeit q für das Auftreten eines Fehlers beim Übertragen eines einzelnen Bits ausgedrückt werden. Lösungshinweis: Berechnen Sie zunächst p, p 2, p 3, p 4. b) Es werden 5 Bits übertragen und die Wahrscheinlichkeit q dafür, dass bei der Übertragung eines einzelnen Bits ein Übertragungsfehler auftritt, sei q = 5. Wie groß ist die Wahrscheinlichkeit p dafür, dass insgesamt genau drei Übertragungsfehler auftreten? Diese Wahrscheinlichkeit p ist als Bruch ganzer Zahlen auszurechnen, dieser Bruch ist dabei so weit wie möglich zu kürzen! c) Die Zufallsvariable X sei die gesamte Anzahl der Übertragungsfehler beim Übertragen von 024 Bit. Berechnen Sie den Erwartungswert E(X), wenn die Wahrscheinlichkeit q dafür, dass bei der Übertragung eines einzelnen Bits ein Übertragungsfehler auftritt, q = 5 ist. Das Ergebnis ist als Bruch ganzer Zahlen oder als Dezimalbruch mit 2 Nachkommastellen anzugeben.

6 6) Die Zufallsvariable X hat die Verteilungsfunktion 0 falls t<2 2 5 falls 2 t<3 F X (t) = 2 falls 3 t<4 9 0 falls 4 t<5 falls 5 t a) Geben Sie alle Werte x k an, die diese Zufallsvariable annimmt. b) Geben Sie alle Wahrscheinlichkeiten p k = P {X = x k } an. c) Berechnen Sie den Erwartungswert E(X) (als Bruch ganzer Zahlen, der so weit wie möglich gekürzt ist, oder als Dezimalbruch mit mindestens drei Nachkommastellen). 7) Die Zufallsvariable X besitzt die Verteilungsfunktion. a) Geben Sie die Wahrscheinlichkeiten F X (t) = tanh(t) p = P {X< }, p 2 = P {X>}, p 3 = P { <X<} möglichst explizit an (dabei dürfen nicht ausgerechnete Funktionswerte von tanh auftreten). b) Geben Sie die Wahrscheinlichkeitsdichte f X (t) für diese Zufallsvariable an. 8) Die Verteilungsfunktion einer Zufallsvariablen X ist 2 F X (t) = e t τ falls t<0 2 e t τ falls t 0 Dabei ist τ > 0 eine Konstante. a) Geben Sie die Wahrscheinlichkeiten an. p = P {X< τ}, p 2 = P {X>τ}, p 3 = P { τ <X<τ} b) Geben Sie eine Wahrscheinlichkeitsdichte f X (t) für die Zufallsvariable X an. Lösungshinweis: Hierfür kann die Fallunterscheidung t < 0undt 0 nützlich sein, d.h. Sie können f X (t) in der Form... falls t<0 f X (t) =... falls t 0 angeben.

7 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 4 9)a) Rechnen Sie für die Binomialverteilung mit den Parametern n =5undp = 2 die Wahrscheinlichkeiten p k = P {X = k} für k =0,, 2, 3, 4, 5 aus und stellen Sie sie grafisch als Balkendiagramm dar. Stellen Sie auch die zugehörige Verteilungsfunktion F X (t) grafisch dar für t [, 6]. b) Führen Sie mit Hilfe eines Taschenrechners oder Computers dasselbe durch für die Parameter n = 0 und p = 4. 20) Berechnen Sie für die Wahrscheinlichkeiten p k = P {X = k} für die Binomialverteilung mit beliebigen Parametern n N und 0 <p< die Summe n k=0 wobei p k = P {X = k}. Welches Ergebnis erwarten Sie? Lösungshinweis: Schreiben Sie den binomischen Lehrsatz auf und vergleichen Sie mit n p k. k=0 2) Zeigen Sie durch eine explizite Rechnung, dass bei der Binomialverteilung p k Var(X) =n p ( p) und vervollständigen Sie damit den Beweis von Satz 4.4. im Skript. Lösungshinweis: Berechnen Sie zunächst E(X 2 ). Gehen Sie dabei völlig analog zur Berechnung von E(X) im Skript vor (beim Beweis von E(X) = n p). Vereinfachen Sie (siehe Satz 4.3.6) Var(X) =E(X 2 ) E(X) 2 = E(X 2 ) n 2 p 2 und vergleichen Sie mit n p ( p). 22) Berechnen Sie für die Poisson-Verteilung mit beliebigem Parameter µ>0 mit den Wahrscheinlichkeiten p k = P {X = k} den Grenzwert der Reihe Welches Ergebnis erwarten Sie? k=0 23)a) Wie müssen Sie den Parameter µ wählen, um mit einer Poissonverteilung die Binomialverteilung von Aufgabe 9)a) zu approximieren? Berechnen Sie mit einem Taschenrechner oder Computer die entsprechenden Wahrscheinlichkeiten p k der zugehörigen Poisson-Verteilung für k =0,, 2, 3,...5 und vergleichen Sie diese mit den entsprechenden Werten der Binomialverteilung. b) Führen Sie dasselbe durch, um die Werte von Aufgabe 9)b) zu approximieren. Berechnen Sie die entsprechenden Wahrscheinlichkeiten p k für die Poissonverteilung für k =0,, 2,...0. Stellen Sie fest, ob die Poisson-Verteilung in diesem Fall eine bessere Näherung für die Binomialverteilung ist als im Fall a). p k

8 24)a) Berechnen Sie durch eine Substitution im Integral für die Verteilungsfunktion der Standardnormalverteilung Φ(t) = 2π t e 2 x2 dx den Grenzwert lim Φ(t). Welches Ergebnis erwarten Sie? Dabei dürfen Sie selbstverständlich das Ergebnis e x2 dx = π t + benutzen. b) Berechnen Sie durch eine ähnliche Rechnung für die Verteilungsfunktion F X (t) der Normalverteilung (also (X N (µ, σ 2 )) mit der Wahrscheinlichkeitsdichte f(x) = σ 2π (x µ) 2 e 2σ 2 den Grenzwert lim t F X (t). Welches Ergebnis erwarten Sie hier?

9 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 5 25) Die Verteilung der Zufallsvariable besitzt die Dichtefunktion f(x) = wobei λ > 0 eine Konstante ist. 0 falls x<0 λ e λx falls x 0 a) Berechnen Sie die zugehörige Verteilungsfunktion F X (t). Bei welchem Anwendungsbeispiel ist Ihnen diese Verteilungsfunktion oder das zugehörige Wahrscheinlichkeitsmaß schon begegnet? Wodurch ist der Parameter λ in diesem Anwendungsbeispiel festgelegt? b) Berechnen Sie den Erwartungswert E(X) sowie die Varianz Var(X) für diese Verteilung. Lösungshinweis: Benutzen Sie Var(X) =E(X 2 ) E(X) 2 (siehe Satz 4.3.6). c) Vergleichen Sie die bedingte Wahrscheinlichkeit P {X > s + t} {X > t} mit der Wahrscheinlichkeit P {X>s} für s>0undt>0. Hat das Ergebnis Ihres Vergleichs eine Interpretation in der Praxis (in dem Anwendungsbeispiel, das schon behandelt wurde)? Hinweis: Diese Verteilung heißt Exponentialverteilung mit Parameter λ. 26) Bei vielen Anwendungen legen Experimente nahe, dass eine Zufallsvariable X eine Verteilung mit einer Wahrscheinlichkeitsdichte der Form mit c>0undb>0 besitzt. f(x) =c e x µ b a) Wie groß ist der Parameter c, wenn man b aus den Daten bestimmt bzw. kennt? b) Berechnen Sie die zugehörige Verteilungsfunktion F X (t). Lösungshinweis: Unterscheiden Sie die Fälle t µ und t < µ. c) Berechnen Sie den Erwartungswert E(X) sowie die Varianz Var(X) für diese Verteilung. Sie können Rechenarbeit sparen, indem Sie Zwischenergebnisse von Aufgabe 25) benutzen. Hinweis: Diese Verteilung heißt Laplaceverteilung. 27) Eine Zufallsvariable besitzt die Wahrscheinlichleitsdichte mit dem Parameter λ > 0. f(x) = λ2 x e λx falls x 0 0 falls x<0 a) Berechnen Sie die zugehörige Verteilungsfunktion F X (t). b) Berechnen Sie den Erwartungswert E(X) sowie die Varianz Var(X) für diese Verteilung. Sie können Rechenarbeit sparen, indem Sie Zwischenergebnisse von Aufgabe 25) benutzen. Hinweis: Diese Verteilung ist ein Spezialfall der Gammaverteilung.

10 28) Für die diskrete Zufallsvariable sind die Wahrscheinlichkeiten durch p k = {X = k} = 6 π 2 k 2, k N gegeben. a) Ist hierdurch tatsächlich eine Zufallsvariable definiert? Welchen Bedingungen müssen die Wahrscheinlichkeiten p k genügen, damit durch die Vorgabe von Zahlenwerten für p k eine Zufallsvariable definiert wird? Sind diese Bedingungen hier erfüllt? Lösungshinweis: Man kennt den Grenzwert k= k 2 = π2 6. b) Existiert der Erwartungswert E(X) für die so definierte Zufallsvariable? Wenn ja, berechnen Sie ihn!

11 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 6 29) Zwei Würfel werden geworfen. X sei die Augenzahl des ersten, X 2 die Augenzahl des zweiten Würfels. Wir betrachten die Summe und die Differenz der Augenzahlen: a) Berechnen Sie die Wahrscheinlichkeiten X s := X + X 2, X d := X X 2 P {X s = } {X d =} und P {X s = } sowie P {X d =} Welche Antwort erhält man daraus auf die Frage, ob X s und X d stochastisch unabhängig sind? b) Berechnen Sie die Kovarianz Cov(X s,x d )=Cov(X + X 2,X X 2 ) Folgt aus Cov(X, Y ) = 0, dass X und Y stochastisch unabhängig sind? Lösungshinweis: Benutzen Sie die Gleichung (65) nach der Definition der Kovarianz sowie die in Satz zusammengefassten Rechenregeln für Erwartungswerte. Beachten Sie auch Satz c) Berechnen Sie die gemeinsame Verteilung von X s und X d sowie die beiden Randverteilungen, indem Sie die entsprechenden Zahlen in die folgende Tabelle eintragen. Benutzen Sie dazu eine Darstellung des Grundraums Ω = {, 2, 3...6} 2,wiesiebeim Ergebnis von Aufgabe 8) angegeben wurde d) Berechnen Sie die Erwartungswerte E(X s )unde(x d ) sowie die Varianzen Var(X s ) und Var(X d ). Können Sie die Erwartungswerte aus anschaulichen Überlegungen vorhersagen? Überprüfen Sie die Vorhersage durch eine Rechnung! 30) Wir betrachten zwei auf demselben Grundraum definierte diskrete Zufallsvariable X mit den Funktionswerten x,x 2,...x m und Y mit den Funktionswerten y,y 2,...y n. Durch die Wahrscheinlichkeiten q ik := P X = x i } {Y = y i } wird eine (m n)- Matrix Q, die gemeinsame Verteilung von X und Y, definiert (deren Matrixelemente die Zahlen q ik sind). Berechnen Sie die beiden Randverteilungen p X i := P {X = x i } und p Y k := P {Y = y k }

12 wenn die Matrizen Q gegeben sind durch a) Q = b) Q = 0, 40 0, 24 0, 6 0, 0 0, 06 0, 04 c) Ermitteln Sie aus diesen Matrizen (in den beiden Fällen a) und b)), ob die Zufallsvariablen X und Y stochastisch unabhängig sind. d) Betrachten Sie die Zufallsvariablen X und Y, die durch die gemeinsame Verteilung der Matrix Q von Teilaufgabe a) festgelegt sind. Nehmen Sie an, dass die Funktionswerte x k = y k = k für k =, 2, 3 erfüllen. Man wählt beispielsweise als gemeinsamen Grundraum Ω = {, 2, 3}, und die Zufallsvariablen (als Funktionen Ω R) erfüllen X(k) = Y (k) = k. Berechnen Sie hierfür die Erwartungswerte E(X) und E(Y ), die Varianzen Var(X) und Var(Y ) sowie die Kovarianz Cov(X, Y ). e) Berechnen Sie den Rang der beiden Matrizen und vergleichen Sie das Ergebnis mit den Ergebnissen von Teilaufgabe c). f) Was können Sie im allgemeinen Fall über den Rang dieser Matrix Q der gemeinsamen Verteilung zweier Zufallsvariabler sagen, wenn die beiden Zufallsvariablen X und Y stochastisch unabhängig sind? Lösungshinweis: Drücken Sie die Bedingung, dass X und Y stochastisch unabhängig sind, formelmäßig durch die eingeführten Schreibabkürzungen q ik sowie p X i und p Y k aus. Betrachten Sie dann die Komponenten des k. Spaltenvekors von Q q k,q 2k,q 3k,...q mk Was können Sie im Fall der stochastischen Unabhängigkeit zur Frage sagen, ob die Spaltenvektoren linear abhängig oder linear unabhängig sind? zu Aufgabe 26) (von distribution) links die Wahrscheinlichkeitsdichte f(x), rechts die Verteilungsfunktion F X (t) der Laplaceverteilung für verschiedene Werte der Parameter µ und b

13 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 7 3) Zwei Würfel werden gleichzeitig geworfen, ω sei die Augenzahl des ersten, ω 2 die des zweiten Würfels, X d = ω ω 2 sei der Betrag der Differenz der beiden Augenzahlen. a) Geben Sie die Wahrscheinlichkeit p an, dass der Betrag der Differenz der beiden Augenzahlen gleich 4 ist, d.h. geben Sie p = P {X d =4} an. Ein im Ergebnis auftretender Bruch ist so weit wie möglich zu kürzen. b) Geben Sie die Wahrscheinlichkeit p 2 dafür an, dass mindestens ein Würfel eine zeigt, wenn man weiß, dass der Betrag der Differenz der beiden Augenzahlen gleich 4 ist, also X d = 4 erfüllt ist. Ein im Ergebnis auftretender Bruch ist so weit wie möglich zu kürzen. 32) Es werden digitale Signale über eine unzuverlässige Übertragungststrecke übertragen. Die Wahrscheinlichkeit dafür, dass bei der Übertragung eines einzelnen Bits ein Übertragungsfehler auftritt, sei q = 5. Das Auftreten eines Fehlers beim Übertragen der nachfolgenden Bits wird als gleich wahrscheinlich und stochastisch unabhängig angenommen. a) Es werden 4 Bits übertragen. Die Zufallsvariable X sei die gesamte Anzahl der Übertragungsfehler. Wie groß ist die Wahrscheinlichkeit p a dafür, dass insgesamt genau 2 Übertragungsfehler auftreten? Diese Wahrscheinlichkeit p a ist als Bruch ganzer Zahlen auszurechnen, dieser Bruch ist dabei so weit wie möglich zu kürzen! b) Es werden 4 Bits übertragen. Die Zufallsvariable X sei die gesamte Anzahl der Übertragungsfehler. Wie groß ist die Wahrscheinlichkeit p b dafür, dass insgesamt maximal 2 Übertragungsfehler auftreten? Diese Wahrscheinlichkeit p b ist als Bruch ganzer Zahlen auszurechnen, dieser Bruch ist dabei so weit wie möglich zu kürzen! c) Die Zufallsvariable X sei die gesamte Anzahl der Übertragungsfehler beim Übertragen von 4096 Bit. Berechnen Sie den Erwartungswert E(X), wenn die Wahrscheinlichkeit q dafür, dass bei der Übertragung eines einzelnen Bits ein Übertragungsfehler auftritt, q = 5 ist. Das Ergebnis ist als Bruch ganzer Zahlen oder als Dezimalbruch mit 2 Nachkommastellen anzugeben. 33) Die Zufallsvariable X hat die Verteilungsfunktion 0 falls t< 5 falls t<2 2 5 falls 2 t<3 F X (t) = 3 5 falls 3 t<4 4 5 falls 4 t<5 falls 5 t a) Geben Sie alle Werte x k an, die diese Zufallsvariable annimmt. b) Geben Sie alle Wahrscheinlichkeiten p k = P {X = x k } an.

14 c) Berechnen Sie den Erwartungswert E(X) und die Varianz Var(X) (als Bruch ganzer Zahlen, der so weit wie möglich gekürzt ist, oder als Dezimalbruch mit mindestens 3 Nachkommastellen). 34) Die Zufallsvariable X besitzt die Verteilungsfunktion 0 falls t<0 F X (t) = 5 t falls 0 t 5 falls 5 <t a) Berechnen Sie die Wahrscheinlichkeit p = P { X 4}. Ein im Ergebnis auftretender Bruch ist so weit wie möglich zu kürzen. b) Geben Sie die Wahrscheinlichkeitsdichte f X (t) für diese Zufallsvariable an. c) Berechnen Sie Erwartungswert µ = E(X) undσ 2 = Var(X) für diese Verteilung. 35) Die Zufallsvariable X besitzt die Verteilungsfunktion. a) Geben Sie die Wahrscheinlichkeiten F X (t) = tanh(t) p = P {X< }, p 2 = P {X>}, p 3 = P { <X<} möglichst explizit an (dabei dürfen nicht ausgerechnete Funktionswerte von tanh auftreten). b) Geben Sie die Wahrscheinlichkeitsdichte f X (t) für diese Zufallsvariable an. c) Berechnen Sie den Erwartungswert E(X). 36) Die Verteilungsfunktion einer Zufallsvariablen X ist F X (t) = 2 e t τ falls t<0 2 e t τ falls t 0 Dabei ist τ > 0 eine Konstante. a) Geben Sie die Wahrscheinlichkeiten p = P {X< τ}, p 2 = P {X>τ}, p 3 = P { τ <X<τ} an. b) Geben Sie eine Wahrscheinlichkeitsdichte f X (t) für die Zufallsvariable X an. Lösungshinweis: Hierfür kann die Fallunterscheidung t < 0undt 0 nützlich sein, d.h. Sie können f X (t) in der Form... falls t<0 f X (t) =... falls t 0 angeben. c) Was ist der Erwartungswert µ = E(X) und die Varianz σ 2 = Var(X) für diese Verteilung?

15 Prof. Dr. A. Stoffel SS 202 Übungen zur Stochastik, Blatt Nr. 8 37) Die gemeinsame Dichtefunktion der (auf demselben Grundraum definierten) Zufallsvariablen X und Y ist f(x, y) = falls x [0, ] und y [0, ] 0 sonst a) Berechnen Sie die Covarianz Cov(X, Y ). b) Berechnen Sie die gemeinsame Verteilungsfunktion F (x, y) sowie die Verteilungsfunktionen der einzelnen Zufallsvariablen F X (t) sowief Y (t). Berechnen Sie auch die zugehörigen Dichtefunktionen. c) Sind die beiden Zufallsvariablen stochastisch unabhängig? Warum? 38) Die gemeinsame Dichtefunktion der (auf demselben Grundraum definierten) Zufallsvariablen X und Y ist f(x, y) = 4xy falls x [0, ] und y [0, ] 0 sonst a) Berechnen Sie die Covarianz Cov(X, Y ). b) Berechnen Sie die gemeinsame Verteilungsfunktion F (x, y) sowie die Verteilungsfunktionen der einzelnen Zufallsvariablen F X (t) sowief Y (t). Berechnen Sie auch die zugehörigen Dichtefunktionen. c) Sind die beiden Zufallsvariablen stochastisch unabhängig? Warum? 39) Die gemeinsame Dichtefunktion der (auf demselben Grundraum definierten) Zufallsvariablen X und Y ist mit ρ [0, [. f(x, y) = 2π x 2 2ρxy+y 2 ρ 2 e 2 ρ 2 a) Berechnen Sie die Dichtefunktionen f X (t) undf Y (t) der einzelnen Zufallsvariablen. b) Für welche Werte des Parameters ρ sind die Zufallsvariablen stochastisch unabhängig? 40) Die Zufallsvariablen X und Y seien stochastisch unabhängig und auf [ 2, 2 ] gleichverteilt, d.h. ihre Wahrscheinlichkeitsdichte erfüllt f X (t) =f Y (t) = falls t [ 2, 2 ] 0 sonst Berechnen Sie die Wahrscheinlichkeitsdichte f Z (t) der Zufallsvariablen Z = X + Y.

16 4) Die Zufallsvariable X sei standardnormalterteilt. Berechnen Sie die Wahrscheinlichkeitsdichte der Zufallsvariablen Y = X 2. 42) Die Zufallsvariable X sei standardnormaltverteilt. Berechnen Sie die Wahrscheinlichkeitsdichte der Zufallsvariablen Y = X. 43) Die Zufallsvariablen X und Y seien stochastisch unabhängig und auf [0, ] gleichverteilt, d.h. ihre Wahrscheinlichkeitsdichte erfüllt f X (t) =f Y (t) = falls t [0, ] 0 sonst Berechnen Sie den Erwartungswert und die Varianz von XY. 44) Die gemeinsame Dichtefunktion der (auf demselben Grundraum definierten) Zufallsvariablen X und Y ist f(x, y) = π falls x 2 + y 2 0 sonst a) Berechnen Sie die Verteilungsdichten der einzelnen Zufallsvariablen f X (t) sowie f Y (t) (also die Randverteilungen oder die Randdichten). b) Sind die Zufallsvariablen X und Y stochastisch unabhängig? Lösungshinweis: Es kann hilfreich sein, die Wahrscheinlichkeiten P {X [ 9 9 0, ]} {Y [ 0, ]} und zu vergleichen. P {X [ 9 0, ]} sowie P {X [ 9 0, ]}

2 Zufallsvariable und Verteilungsfunktionen

2 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

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

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

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

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

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

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität 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

Mehr

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal

Beispiel 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.

Mehr

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit

3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit 3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate

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

Probeklausur Statistik II

Probeklausur 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

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

4. Verteilungen von Funktionen von Zufallsvariablen

4. 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

Mehr

Finanzmathematische Modelle und Simulation

Finanzmathematische Modelle und Simulation Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf

Mehr

70 Wichtige kontinuierliche Verteilungen

70 Wichtige kontinuierliche Verteilungen 70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I 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........................

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

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

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr 1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir

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

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

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

2.2 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

Mehr

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=

Definition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)

Mehr

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung

Mathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit

Mehr

Mathematik 3 für Informatik

Mathematik 3 für Informatik Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält

Mehr

Wahrscheinlichkeit und Statistik: Zusammenfassung

Wahrscheinlichkeit und Statistik: Zusammenfassung HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1

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

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

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

Statistik für Ingenieure Vorlesung 2

Statistik für Ingenieure Vorlesung 2 Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen

Mehr

Übungsblatt 9 (25. bis 29. Juni)

Übungsblatt 9 (25. bis 29. Juni) Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell

Mehr

Klausur vom

Klausur vom UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen

Mehr

Weihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.

Weihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird. Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern

Mehr

D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Serie 11

D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin. Serie 11 D-ITET Wahrscheinlichkeitstheorie und Statistik FS 2017 Prof. P. Nolin Serie 11 1. Frau A und Herr B wollen sich treffen und verabreden sich für 16 Uhr in einem Café. Mit T A bzw. T B bezeichnen wir die

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

Wichtige Definitionen und Aussagen

Wichtige 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

Mehr

Mathematik 2 Probeprüfung 1

Mathematik 2 Probeprüfung 1 WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur

Mehr

Wahrscheinlichkeitsverteilungen

Wahrscheinlichkeitsverteilungen Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs Höhere Mathematik 3 Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse

Mehr

Wahrscheinlichkeit und Statistik BSc D-INFK

Wahrscheinlichkeit und Statistik BSc D-INFK Prof. Dr. M. Schweizer ETH Zürich Winter 2010/2011 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 15

Mehr

Zuverlässigkeitstheorie

Zuverlässigkeitstheorie 3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli

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

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

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

Fit for Abi & Study Stochastik

Fit for Abi & Study Stochastik Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen

Mehr

Probeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)

Probeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit) Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null

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

Klausur zur Vorlesung Stochastik II

Klausur zur Vorlesung Stochastik II Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,

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

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

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

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

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.

Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm. Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung

Mehr

Zentralübung Diskrete Wahrscheinlichkeitstheorie

Zentralübung Diskrete Wahrscheinlichkeitstheorie Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer

Mehr

Kapitel VII - Funktion und Transformation von Zufallsvariablen

Kapitel VII - Funktion und Transformation von Zufallsvariablen Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl

Mehr

Statistik III. Walter Zucchini Fred Böker Andreas Stadie

Statistik III. Walter Zucchini Fred Böker Andreas Stadie Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................

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

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

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

Zusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen

Zusammenfassung: 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

Mehr

8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.

8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W. 8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A

Mehr

Kapitel 8: Zufallsvektoren

Kapitel 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

Mehr

WS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.

WS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X. Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten

Mehr

Kapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte

Kapitel 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

Mehr

Woche 2: Zufallsvariablen

Woche 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

Mehr

2. Übung zur Vorlesung Statistik 2

2. Übung zur Vorlesung Statistik 2 2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen

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

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

Wiederholungsklausur DWT

Wiederholungsklausur DWT LÖSUNG Wiederholungsklausur DWT Sommersemester 2008 Hinweis: Alle Antworten sind zu begründen. Insbesondere sollte bei nicht-trivialen Umformungen kurz angegeben werden, weshalb diese Umformungen erlaubt

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

Teil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung

Teil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()

Mehr

Die 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 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

Mehr

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme

Wahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder

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

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler

Bestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler 6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung

Mehr

Lösungen zu Übungsaufgaben Blatt 9

Lösungen 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

Mehr

KAPITEL 5. Erwartungswert

KAPITEL 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

Mehr

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential

Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:

Mehr

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen

Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

4. Gemeinsame Verteilung und Grenzwertsätze

4. Gemeinsame Verteilung und Grenzwertsätze 4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen

Mehr

Reelle Zufallsvariablen

Reelle Zufallsvariablen Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen

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

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz

Mehr

Klausur Stochastik und Statistik 31. Juli 2012

Klausur Stochastik und Statistik 31. Juli 2012 Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf

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

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

Kapitel 10 VERTEILUNGEN

Kapitel 10 VERTEILUNGEN Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)

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

Mehr

Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19

Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19 Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert

Mehr

Erwartungswert und Varianz von Zufallsvariablen

Erwartungswert und Varianz von Zufallsvariablen Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis

Mehr

1.3 Zufallsgrößen und Verteilungsfunktionen

1.3 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

Mehr

Beziehungen zwischen Verteilungen

Beziehungen zwischen Verteilungen Kapitel 5 Beziehungen zwischen Verteilungen In diesem Kapitel wollen wir Beziehungen zwischen Verteilungen betrachten, die wir z.t. schon bei den einzelnen Verteilungen betrachtet haben. So wissen Sie

Mehr

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen

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

Sabrina Kallus, Eva Lotte Reinartz, André Salé

Sabrina Kallus, Eva Lotte Reinartz, André Salé Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften

Mehr

Vorlesung 4b. Die Varianz

Vorlesung 4b. Die Varianz Vorlesung 4b Die Varianz 1 X sei reellwertige Zufallsvariable mit endlichem Erwartungswert µ Die Varianz von X ist definiert als Var[X] := E[(X µ) 2 ], die erwartete quadratische Abweichung der Zufallsvariablen

Mehr

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

I 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........................

Mehr