Beispiele zur UE Statistik 1 bei Nagel
|
|
- Helene Lange
- vor 6 Jahren
- Abrufe
Transkript
1 Beispiele zur UE Statistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum in einem 6x6 - Punkteraster darzustellen. Was sind die folgenden Ereignisse? (a) A: Die Augenzahl der beiden Würfel ist ident. (b) B: Die Augenzahl der beiden Würfel unterscheidet sich um 1. (c) C: Die Augenzahl der beiden Würfel unterscheidet sich um 2. (d) Was sind die Wahrscheinlichkeiten dafür? 2. In einer Urne sind 6 Kugeln, die mit den Zahlen 1 bis 6 beschriftet sind. Zwei Kugeln werden ohne Zurücklegen gezogen. Versuchen Sie, den Stichprobenraum Ω in einem 6x6 - Punkteraster darzustellen. Was sind die folgenden Ereignisse? (a) A: Die Augenzahl der beiden Würfel ist ident. (b) B: Die Augenzahl der beiden Würfel unterscheidet sich um 1. (c) C: Die Augenzahl der beiden Würfel unterscheidet sich um 2. (d) Was sind die Wahrscheinlichkeiten dafür? (e) Was hätte sich geändert, wenn die Ziehung mit Zurücklegen der Kugeln durchgeführt worden wäre % aller Männer verfolgen regelmäßig die Formel 1 im Fernsehen, bei der Fußball-Champions-League sind es 30%. 6% verfolgen beide Sportereignisse. (a) Wieviel Prozent der Männer verfolgen zumindest eine der beiden Sportveranstaltungen? (b) Wieviel Prozent der Männer verfolgen keine der beiden Sportveranstaltungen? 4. In einer Ortschaft wurden alle arbeitenden und arbeitsuchenden Personen erhoben und eine Aufteilung bezüglich Geschlecht ergab folgende Tabelle: Weiblich Männlich Beschäftigt Arbeitslos Die Ereignisse A, B, W, M seien für zufällig ausgewählte Personen wie folgt definiert: A... die Person ist arbeitslos B... die Person ist beschäftigt W... die Person ist weiblich M... die Person ist männlich (a) Berechnen Sie die Wahrscheinlichkeiten für das Eintreten der jeweiligen Ereignisse. (b) Berechnen Sie p(a W ) und p(w A). Sind A und W unabhängig? (c) Geben Sie die Frauenarbeitslosigkeit als bedingte Wahrscheinlichkeit an. (d) In Ö1 wurde in einem Journal-Panorama über die Region Braunau der folgende Satz geäußert: Die Arbeitslosenrate liegt bei 8% und ist bei Frauen und Männern in etwa gleich, nämlich ca. 4%. Was ist an dieser Aussage vom statistischen Standpunkt aus ein Schwachsinn? 1
2 5. In einem Unternehmen wird ein Produkt an drei unterschiedlich alten Maschinen gefertigt; die alte Maschine I wird nur mehr bei Produktionsengpässen eingesetzt, die zweitälteste Maschine (II) wird noch regelmäßig eingesetzt, die neueste Maschine (III) ist aber schneller und verlässlicher. Dies kommt in der folgenden Übersicht zum Vorschein. Maschine Produktionsanteil (in %) Ausschussrate (in %) I 10 5 II 40 2 III 50 1 (a) Man bestimme die Ausschussrate der Produktion. (b) Mit welcher Wahrscheinlichkeit wurde ein defektes Stück an der alten Maschine produziert? 6. In einer Bevölkerung beträgt die Wahrscheinlichkeit, älter als 70 Jahre zu werden, 0.9 und die Wahrscheinlichkeit, älter als 80 zu werden, 0.4. Wie groß ist die Wahrscheinlichkeit, dass eine Person, die soeben 70 Jahre alt wurde, ihren 80. Geburtstag noch erlebt? 7. Eine Zeitschrift hat in Altersgruppen unterschiedliche Leseranteile, die in folgender Tabelle enthalten sind. Altersgruppe Bevölkerungsanteil (in %) Leseranteil (in %) (a) Wie hoch ist der Leseranteil in der Gesamtbevölkerung? (b) Mit welcher Wahrscheinlichkeit stammt ein Leser der Zeitschrift aus der jüngsten Altersgruppe? 8. In einer Stadt werden Diebstähle von Fahrzeugen untersucht. In Abhängigkeit vom Fahrzeugtyp sind Daten zu Diebstahl und Aufklärungsrate in folgender Tabelle enthalten. Fahrzeug Anteil an Aufklärungs- Diebstählen (in %) rate (in %) Auto (incl. LKW) Motorrad, Mofa Fahrrad 65 9 (a) Wie hoch ist die Aufklärungsrate insgesamt bei Fahrzeugdiebstählen? (b) Eine Polizeistreife ertappt einen Dieb direkt beim Diebstahl eines Fahrzeugs. Mit welcher Wahrscheinlichkeit wollte der Dieb ein Auto stehlen? 9. In einem Zeitungsartikel lautete ein Zwischentitel: Jede vierte Frau ist Führungskraft. Welche zwei bedingten Wahrscheinlichkeiten wurden dabei wohl verwechselt? 10. Ein Würfel wird zweimal geworfen, die geworfenen Augenzahlen sind von Interesse. Der Stichprobenraum Ω kann in einem 6x6 - Punkteraster dargestellt werden. Was sind die folgenden Ereignisse? (a) A: Mindestens ein Würfel zeigt die Augenzahl 3. (b) B: Die Summe der beiden Augenzahlen ist
3 11. Mit den Angaben für A und B aus dem vorigen Beispiel berechnen Sie: (a) p(a) (b) p(b) (c) p(a B) (d) Sind A und B unabhängig (kurze Begründung)? 12. In einem Wellness-Hotel erfolgen 70% der Buchungen von Frauen. Während bei der Buchung von Frauen schon in 80% der Fälle auch Wellness-Anwendungen vorbestellt werden, ist diese Vorbestellung bei Buchung durch Männer nur in 20% der Fälle üblich. (a) In wieviel Prozent der Fälle werden Wellness-Angebote schon bei der Buchung vorbestellt? (b) Eine Buchung mit Vorbestellung von Wellness-Angeboten ist gerade erfolgt. Mit welcher Wahrscheinlichkeit ist die Buchung von einer Frau erfolgt? 13. Von zwei Ereignissen A und B wissen wir: p(a) = 0.5 p(a B) = 0.7. (a) Wenn A und B disjunkt sind: p(b) =? (b) Wenn A und B unabhängig sind: p(b) =? (c) Berechnen Sie für beide Fälle: p(a B) 14. Ein neues Rauchentwöhnungsprogramm wird getestet. Bei leichten Rauchern ist die Erfolgsrate 24%, bei schweren Rauchern 16%. 70% der Raucher sind leichte Raucher. (a) Wie hoch ist die Erfolgsrate dieses neuen Rauchentwöhnungsprogramms? (b) Jemand hat das Programm erfolgreich absolviert. Mit welcher Wahrscheinlichkeit war er schwerer Raucher? 15. Was wird in R nach dem letzten Befehl der jeweiligen Befehlssequenz angezeigt? (a) a <- c(2, 4, -6) b <- a**2 b (b) a <- -10:10 sum(a) (c) a <- 0:5 aa <- a*a aa[5] 3
4 2 Diskrete Zufallsvariablen und ihre Momente 1. Gegeben Sei eine diskrete Verteilung auf den Punkten 1,2,3 und 4. Die Wahrscheinlichkeiten der einzelnen Punkte sind p 1 = 0.1, p 2 = 0.5, p 3 = 0.15 und p 4 =?. (a) Berechnen und skizzieren Sie die (kumulative) Verteilungsfunktion! (b) Berechnen Sie Erwartungswert und Varianz! 2. Zwei Zufallsvariablen X 1 und X 2 folgen derselben Wahrscheinlichkeitsverteilung: x F (x) Es seien X 1 und X 2 unabhängig und X = X 1 + X 2. (a) Berechnen und skizzieren Sie die (kumulative) Verteilungsfunktion von X! (b) Berechnen Sie Erwartungswert und Varianz von X! 3. Ein Würfel wird zweimal geworfen, die Augenzahlen der beiden Würfe sind X 1 und X 2. Man bildet M = max(x 1, X 2 ). (a) Welche Werte kann M annehmen? Berechnen Sie die Wahrscheinlichkeiten dafür, dass diese Werte angenommen werden und bestimmen Sie die Verteilungsfunktion von M! (b) Berechnen Sie den Erwartungswert von M! 4. In England und Amerika wurde auf Jahrmärkten das folgende Glücksspiel (Chuck a luck) gerne gespielt: Ein Spieler wählt eine Zahl zwischen 1 und 6 und wirft dann drei Würfel. Zeigen alle drei Würfel die angesagte Zahl, erhält er drei Pfund (bzw. Dollar); zeigen zwei Würfel diese Zahl, erhält er zwei Pfund (Dollar); zeigt ein Würfel diese Zahl, erhält er ein Pfund (Dollar). Nur wenn kein Würfel diese Zahl anzeigt, muss der Spieler ein Pfund zahlen. (a) Der Gewinn des Spielers ist eine Zufallsvariable G. Welche Werte kann G annehmen? Berechnen Sie die Wahrscheinlichkeiten dafür, dass diese Werte angenommen werden und bestimmen Sie die Verteilungsfunktion von G! (b) Berechnen Sie den erwarteten Gewinn des Spielers! 5. Eine Münze wird dreimal geworfen. X ist die Zufallsvariable dafür, wie oft Kopf gefallen ist. Beschreiben Sie X durch die Verteilungsfunktion und passende Kennzahlen! 6. In einem neu eröffneten Einkaufszentrum wird als Attraktion folgendes Glücksspiel veranstaltet: Zu jeder vollen Stunde (täglich von 11 bis 18 Uhr, also 8-mal) wird am zentralen Platz des Einkaufszentrums eine Person zufällig ausgewählt, die ein Glücksrad (mit den Zahlen 1 bis 10) drehen kann. Jede Zahl gewinnt einen Sachpreis, die 10 gewinnt zusätzlich 500 Euro. (a) Sei X die Anzahl Spieler, die an einem Tag den Geldpreis gewinnen. Berechnen Sie Erwartungswert und Varianz von X! (b) Wie groß ist die Wahrscheinlichkeit, dass an einem Tag mindestens 2 Spieler einen Geldpreis gewinnen? (c) Sei Y die Summe Geldes, die an einem Tag von den Teilnehmern an diesem Spiel gewonnen wird. Berechnen Sie Erwartungswert und Varianz von Y! 7. Eine Würfel wird solange geworfen, bis eine Augenzahl kleiner 3 erscheint. Es sei X die Anzahl der Fehlversuche, die bis zum Wurf einer Augenzahl kleiner 3 notwendig waren. (a) Welche Werte kann X annehmen? Berechnen Sie die Wahrscheinlichkeit dafür, dass mindestens 2 Fehlversuche auftreten! (b) Berechnen Sie E(X)! 4
5 8. Eine Münze wird solange geworfen, bis die Seite Kopf erscheint. Es sei X die Anzahl der Versuche, die notwendig sind, bis Kopf erscheint. (a) Welche Werte kann X annehmen? Berechnen Sie die Wahrscheinlichkeiten dafür, dass diese Werte angenommen werden! (b) Berechnen Sie E(X)! 9. Für eine binomialverteilte Zufallsvariable X gilt: E(X) = 5 V ar(x) = 4. Welche Werte haben die Parameter n und p der Binomialverteilung? 10. Für eine Zufallsvariable X gelte: E(X) = 10 V ar(x) = 9. (a) Für welchen Wert von a in Y 1 = X a gilt: E(Y 1 ) = 0? (b) Für welchen Wert von b in Y 2 = X/b gilt: V ar(y 2 ) = 1? (c) Für welche Werte von a und b in Y = X a b gilt: E(Y ) = 0 und V ar(y ) = 1? 11. In einer Bevölkerungsgruppe sind 15% der Frauen Raucherinnen; aus dieser Bevölkerungsgruppe wird eine Zufallsstichprobe von 240 Frauen gezogen. X bezeichne die Anzahl von Raucherinnen in der Stichprobe. (a) Wie ist X verteilt (Name der Verteilung, Werte für die Parameter)? (b) Erwartungswert und Varianz von X. (c) Pro Raucherin wird eine Zusatzinterview im Zeitausmaß von 20 Minuten geführt. Das gesamte Zeitausmaß (in Minuten) für Zusatzinterviews ist eine Zufallsvariable T. Berechnen Sie E(T ) und V ar(t ). 12. Ein Würfel wird solange geworfen, bis eine Augenzahl >4 aufscheint. X bezeichne die Anzahl von Versuchen bis (einschließlich) zu einer Augenzahl >4. (a) Wie groß ist die Wahrscheinlichkeit, dass genau 7 Versuche notwendig sind? (b) Wie groß ist die Wahrscheinlichkeit, dass mindestens 2 Versuche notwendig sind? (c) Erwartungswert von X? 13. Eine Zufallsvariable X nimmt drei Werte mit folgenden Wahrscheinlichkeiten an: x p(x = x) (a) Bestimmen Sie Erwartungswert und Varianz von X! (b) Welcher der drei Plots in der Abbildung 1 entspricht der Verteilungsfunktion von X? 14. In Österreich sind 7% der Bevölkerung in der Altersgruppe zwischen 30 und 65 Jahren tatsächlich arm (d.h. nicht nur gefährdet). X ist die Anzahl der Armen in einer Stichprobe von 22 Personen aus dieser Altersgruppe. (a) Wie ist X verteilt (Name der Verteilung, Werte für die Parameter)? (b) Erwartungswert und Varianz von X. (c) Wie hoch ist die Wahrscheinlichkeit, dass in der Stichprobe mindestens 2 Arme sind? 15. Was bewirken jeweils die folgenden R - Befehlssequenzen? 5
6 Plot 1 Plot 2 Plot Abbildung 1: Verteilungsfunktionen (a) x <- 0:3 fx <- c( 1, 3, 3, 1)/8 Fx <- cumsum(fx) cbind( x, fx, Fx) EX <- sum(x*fx) EX (b) x <- seq(10, 40, 10) fx <- c( 0.4, 0.3, 0.2, 0.1) Fx <- cumsum(fx) cbind( x, fx, Fx) EX <- sum(x*fx) VarX <- sum(x**2*fx) - EX**2 (c) # 10 x wuerfeln n <- 10 p <- 1/6 k <- 0:n # anzahl 6er pk <- choose(n, k) * (p**k) * ((1-p)**(n-k)) (d) # 30 x muenzwurf n <- 30 p <- 1/2 k <- 0:n # anzahl kopf pk <- dbinom( k, n, p) barplot(pk) 6
7 3 Asymptotik und stetige Zufallsvariablen Abbildung 2: Dichten und Verteilungen 1. X sei gleichverteilt auf dem Intervall [0, 7]. Berechnen Sie: (a) p(x < 1) (b) p(x > 6) (c) p(x 5) (d) p(x 3) 2. Eine Münze wird 100-mal geworfen. X ist die Zufallsvariable dafür, wie oft Kopf gefallen ist. (a) Welcher Verteilung folgt X? Berechnen Sie E(X) und V ar(x). (b) Was kann nach der Tschebyscheff Ungleichung für den folgenden Ausdruck abgeleitet werden? p( X 50 > 10) (c) Welcher Wert gilt exakt für den obigen Ausdruck? (d) Was kann nach der Tschebyscheff Ungleichung zu folgender Frage gesagt werden? Mit welcher Wahrscheinlichkeit werden mindestens 35 aber höchstens 65 Köpfe geworfen? 3. In Abbildung 2 sind oben Dichtefunktionen und unten Verteilungsfunktionen abgebildet, nicht notwendig direkt untereinander. Ordnen Sie Dichte- und Verteilungsfunktionen richtig zu. 4. In Abbildung 3 sind die Dichtefunktionen von Normalverteilungen abgebildet. Ihre Varianzen sind entweder 1 oder 4. Geben Sie jeweils die Parameter µ und σ für die drei Plots an! 5. In Abbildung 4 sind die Dichtefunktionen von Exponentialverteilungen abgebildet. Ihre Parameter sind 1, 1/2 und 1/3. Geben Sie jeweils die Parameter für die drei Plots an! 7
8 Dichte 1 Dichte 2 Dichte Abbildung 3: Normalverteilungen Dichte 1 Dichte 2 Dichte Abbildung 4: Exponentialverteilungen 8
9 6. Die Dichtefunktion f einer Zufallsvariablen X ist durch 0 : x < 0 f(x) = ax : 0 x 4 0 : x > 4 gegeben. (a) Bestimmen Sie a so, dass f tatsächlich eine Dichtefunktion ist! (b) p(x 3) (c) p(x > 6) (d) p(1 X < 3) (e) Berechnen Sie den E(X)! Plot 1 Plot 2 Plot Abbildung 5: Chi-Quadrat-Verteilungen 7. Abbildung 5 zeigt die Dichtefunktionen für χ 2 -Verteilungen mit 3, 5 und 7 Freiheitsgraden. (a) Welcher Plot gehört zu welcher χ 2 -Verteilung? (b) Wie groß sind die jeweiligen Erwartungswerte und Varianzen? (c) Bei wieviel Freiheitsgraden ist die Varianz kleiner als der Erwartungswert? 8. Von einer Chi-Quadrat-verteilten Zufallsvariablen X ist bekannt, dass E(X 2 ) = 80. Bestimmen Sie die Freiheitsgrade von X! 9. Abbildung 6 zeigt die Dichtefunktionen für t-verteilungen mit 3, 5 und 10 Freiheitsgraden. (a) Welcher Plot gehört zu welcher t-verteilung? (b) Wie groß sind die jeweiligen Erwartungswerte und Varianzen? (c) Bei wieviel Freiheitsgraden ist die Varianz <1? 10. Der Intelligenzquotient IQ in der Bevölkerung ist normalverteilt mit µ = 100 und σ = 10, also IQ N(100, 100). (a) Mit welcher Wahrscheinlichkeit liegt der IQ einer zufällig ausgewählten Person über 110? (b) Wie ist IQ s = (IQ 100)/10 verteilt? (c) Wie ist die Summe von zwei zufällig ausgewählten Personen verteilt? (d) Wie ist der mittlere IQ von 4 zufällig ausgewählten Personen verteilt? Mit welcher Wahrscheinlichkeit liegt dieser mittlere IQ über 110? 9
10 Plot 1 Plot 2 Plot Abbildung 6: t-verteilungen (e) Wie ist der mittlere IQ von 25 zufällig ausgewählten Personen verteilt? Mit welcher Wahrscheinlichkeit liegt dieser mittlere IQ über 110? 11. (4 Punkte) Die Verteilungsfunktion einer stetigen Zuvallsvariablen X ist gegeben: 0 für x < 1 F (x) = a(x 1) für 1 x 4 1 für x > 4 (a) Bestimmen Sie a (also so, dass F tatsächlich eine Verteilungsfunktion ist)! (b) Welchem Plot in der Grafik 7entspricht die gegebene Verteilungsfunktion? (c) p(x 3) =? (d) Wie lautet die Dichtefunktion f von X? Plot 1 Plot 2 Plot Abbildung 7: Verteilungsfunktionen 12. Die Zufallsvariable X folgt einer t-verteilung, ihre Varianz ist mit V ar(x) = 1.4 gegeben. Die Zufallsvariable Y steht mit X in Verbindung: Y = 2 3 X (a) Wieviel Freiheitsgrade hat X? 10
11 (b) Berechnen Sie Erwartungswert und Varianz von Y? 13. Die Verteilungsfunktion einer stetigen Zuvallsvariablen X ist gegeben: 0 für x < 2 F (x) = a(x 2) 2 für 2 x 5 1 für x > 5 (a) Bestimmen Sie a (also so, dass F tatsächlich eine Verteilungsfunktion ist)! (b) p(x 3) =? (c) Wie lautet die Dichtefunktion f von X? (d) Berechnen Sie E(X). 14. Was bewirken jeweils die folgenden R - Befehlssequenzen? (a) Standardnormalverteilung N(0,1) x <- seq(0, 3, 0.1) Fx <- pnorm(x) cbind( x, Fx) (b) Normalverteilung N(mu, sigma**2) mu <- 10 sigma <- 3 x <- seq(0, 3, 0.1) Fx <- pnorm(x, mean=mu, sd=sigma) cbind( x, Fx) (c) Normalverteilung N(mu, sigma**2) mu <- 100 sigma <- 10 x <- seq(0, 1, 0.1) Qx <- qnorm(x, mean=mu, sd=sigma) cbind( x, Qx) (d) Exponentialverteilungen x <- seq(0, 3, 0.2) Ex1 <- pexp(x, rate=2) Ex2 <- pexp(x, rate=1/2) cbind( x, Ex1, Ex2) (e) IQ - Beispiel iq <- 110 piq110 <- 1 - pnorm(iq, mean = 100, sd = 10) 11
12 4 Schätzen 1. Gegeben ist die gemeinsame Wahrscheinlichkeitsfunktion (Dichtefunktion) von zwei diskreten Zufallsvariablen X und Y : Y X 1 1/24 2/24 3/24 2 2/24 4/24 6/24 3 1/24 2/24 3/24 (a) Bestimmen Sie die gemeinsame Verteilungsfunktion! (b) Bestimmen Sie die eindimensionalen Randverteilungen, also auch die Wahrscheinlichkeitsfunktionen von X und Y! (c) Sind X und Y unabhängig? (d) Bestimmen Sie die Kovarianz von X und Y! 2. Gegeben ist die gemeinsame Wahrscheinlichkeitsfunktion (Dichtefunktion) von zwei diskreten Zufallsvariablen X und Y : Y X (a) Bestimmen Sie die gemeinsame Verteilungsfunktion! (b) Bestimmen Sie die eindimensionalen Randverteilungen, also auch die Wahrscheinlichkeitsfunktionen von X und Y! (c) Sind X und Y unabhängig? 3. Von zwei Zufallsvariablen X und Y sind die Varianzen mit V ar(x) = 4 und V ar(y ) = 6 gegeben. Weiters ist V ar(x + Y ) = 14 bekannt. Wie groß ist die Kovarianz σ XY? 4. Für die Renditen X 1 und X 2 von zwei Wertpapieren gelte: V ar(x 1 ) = 4 V ar(x 2 ) = 6 σ X1X 2 = 2 (a) Die einseitigen Veranlagungen (zu 100% auf eines der beiden Wertpapiere) P = 1X 1 + 0X 2 bzw. P = 0X 1 + 1X 2 führen zu Portfolios, deren Varianz V ar(p ) leicht zu bestimmen sind. (b) Wie groß ist die Varianz von: P = 0.3X X 2? (c) Spezialaufgabe: Wie wäre die Aufteilung zwischen X 1 und X 2 in einem Portfolio mit minimaler Varianz? Also α so, dass P = αx 1 + (1 α)x 2 mit V ar(p ) min. 5. Von einer Zufallsvariablen X wissen wir: X Exp(τ) E(X) = 2 (a) Welchen Wert nimmt τ an? (b) Wie groß ist V ar(x)? 12
13 (c) Die Verteilungsfunktion einer exponentialverteilten Zufallsvariablen kann mit F (x) = 1 e x/τ angegeben werden. Wie groß ist der Median von X? 6. In Abbildung 8 sind Verteilungsfunktionen abgebildet. Bestimmen Sie jeweils grafisch den Median! Verteilung 1 Verteilung 2 Verteilung Abbildung 8: Verteilungsfunktionen 13
14 5 Testen 1. Die Morde in New Jersey im Jahr 2003 nach Wochentagen aufgegeliedert, gibt die folgende Tabelle wieder: So Mo Di Mi Do Fr Sa Man führe einen Test durch, ob für Morde jeder Wochentag gleich wahrscheinlich ist. 2. An einem Department werden Prüfungsmodalitäten geändert. Die Vertretung der Studierenden erhebt bei einigen Prüfungen die erreichten Noten und kommt zu folgender Verteilung: Noten frühere Anteile (in %) Stichprobe (absolut) Hat sich durch die neuen Prüfungsmodalitäten eine Veränderung in der Notenverteilung ergeben? 3. In regelmäßigen Abständen tauchen Ergebnisse von Meinungsumfragen zur sog. Sonntagsfrage auf. Im hypothetischen Land Demokrastan hat eine Meinungsumfrage (n = 500) vier Wochen vor der Wahl folgendes Ergebnis gebracht: Partei absolut letzte Wahl (%) AP BP CP DP (a) Kann man auf eine Veränderung in der Parteipräferenz schließen? (b) Wird man auf eine Veränderung bei der Partei CP schließen? 4. Eine Sportwissenschaftlerin untersucht die Laufwege von Fußballspielern. Bei sechs Außenverteidigern beobachtete sie in sechs Spielen der nationalen Meisterschft folgende Laufstrecken (in km): (a) Bestimmen Sie Mittelwert und Standardabweichung in der Stichprobe! (b) Kann man aufgrund der Stichprobe schließen, dass die durchschnittliche Laufleistung von Außenverteidigern über 11km liegt? 5. Was kann man aus dem folgenden R-Output ablesen? One Sample t-test data: laufl t = , df = 5, p-value = alternative hypothesis: true mean is greater than percent confidence interval: Inf sample estimates: mean of x Die Log-Returns einer Aktie sind über einen längeren Zeitraum betrachtet durchschnittlich x = 0.022, die Standardabweichung ist s = (n = 77). (a) Kann man aufgrund der Stichprobe schließen, dass die Log-Returns positiv sind? (b) Kann man aufgrund der Stichprobe schließen, dass im Durchschnitt die Log-Returns über 2% sind? 14
15 7. Für eine Schuldnerberatung galt bis zum Jahr 2008 für die Hauptursache bei Verschuldung die Verteilung wie sie in unten stehender Tabelle angegeben ist. In einer Stichprobe bei 400 zufällig ausgewählten Fällen wurde ebenfalls der Hauptgrund für die Verschuldung erhoben. Verschuldungsurasache Anteil (in %) bis 2008 Sichprobe 2014 Hohe Kreditaufnahme Arbeitslosigkeit Sonstiges Führen Sie einen geeigneten χ 2 -Test durch! Geben Sie den Wert der Teststatistik, den Verwerfungsbereich und die Entscheidung aufgrund des Tests an! 8. Die Attentate von Paris führen zu Rufen nach Vergeltung. In einer Befragung waren 170 Befragte für Militärschläge gegen den IS in Syrien, 80 Befragte waren dagegen. Ist das mit der Behauptung vereinbar, dass 80 Prozent der Bevölkerung für Militärschläge sind? (a) Wie hoch ist der Wert der Teststatistik? (b) Wie lautet die Entscheidung nach dem Test? (c) Interpretieren Sie in einem Satz das Ergebnis (ohne technische Fachausdrücke)! 9. Anträge für einen Kuraufenthalten verursachen einigen Verwaltungsaufwand. Mit einer Neuorganisation der Antragsbearbeitung soll die Bearbeitungszeit für solche Anträge vermindert werden. Nach einem Monat wurde für einige Anträge die Bearbeitungszeit (in Minuten) erhoben und mit einem t-test mit der durchschnittlichen Bearbeitungszeit nach dem alten Ablauf verglichen: One Sample t-test data: bearbeitung t = , df = 75, p-value = alternative hypothesis: true mean is less than 540 (a) Was waren Null- und Alternativhypothese bei diesem Test? (b) Was ist der Vergleichswert nach dem alten Verwaltungsablauf? (c) Wieviele Anträge wurden untersucht? (d) Was ist der Wert der Teststatistik? (e) Wie lautet die Entscheidung nach dem Test (5% Signifikanzniveau)? (f) Interpretieren Sie kurz das Ergebnis (ohne technische Fachausdrücke)! 10. Was bewirken jeweils die folgenden R - Befehlssequenzen? (a) Morde in New Jersey morde <- c(53, 42, 51, 45, 36, 37, 65) chisq.test(morde) (b) Sonntagsfrage umfrage <- c(240, 120, 95, 45) zuletzt <- c(0.4, 0.3, 0.2, 0.1) chisq.test(umfrage, p = zuletzt) (c) Laufleistungen laufl <- c(13, 12, 14, 10, 11, 12) lauflmw <- mean(laufl) lauflsd <- sd(laufl) testst <- sqrt(6)*(lauflmw - 11) / lauflsd pwert <- 1 - pt(testst, df=5) 15
16 (d) Laufleistungen Kurzversion laufl <- c(13, 12, 14, 10, 11, 12) t.test(laufl, mu=11, alternative="greater") 16
17 6 Regression In den folgenden Beispielen wird angenommen, dass die Fehler U 1,..., U n i.i.d. mit Erwartungswert 0 und Varianz σ 2 > 0 sind. Weiters nehmen wir an, dass X t nicht zufällig sind, dass X t 0 für ein t = 1,..., n und dass X t X s für mindestens ein Paar t s gilt. 1. Betrachten Sie das lineare Regressionsmodell Y t = a + U t, t = 1,..., n. (a) Bestimmen Sie den Kleinst-Quadrate Schätzer für a. (b) Ist der Kleinst-Quadrate Schätzer unverzerrt? 2. Betrachten Sie das homogene lineare Regressionsmodell Y t = bx t + U t, t = 1,..., n. (a) Bestimmen Sie den Kleinst-Quadrate Schätzer für b. (b) Ist der Kleinst-Quadrate Schätzer unverzerrt? 3. Von einem einfachen Regressionsmodell kennen wir: erklärende Var x w abhängige Var y???? Residuen e -1 v 1 1 Man bestimme v und w! 4. In einem Regressionsmodell Y t = a + b t + c t 3 + u t für t = 1, 2,..., 16 seien U i iid mit U i N(0, 9). Unter H 0 : b = c = 0 ist die Teststatistik des F-Tests F (r, s). Man bestimme r und s! 5. Betrachten Sie das lineare Regressionsmodell Y t = a + bx t + U t t = 1,..., 6. Gegeben seien die folgenden Daten: x: y: (a) Erstellen Sie ein Streudiagramm (x-y-diagramm)! (b) Berechnen Sie die Kleinst-Quadrate-Schätzer â und ˆb! (c) Veranschaulichen Sie die Einpassung der Regressionsgeraden im Streudiagramm! (d) Ermitteln und interpretieren Sie die Stichprobenkorrelation r x,y. 6. Wir nehmen das Beispiel von vorhin und verändern X t und Y t leicht. (a) Welchen Effekt für â und ˆb hätte eine Addition von 10 bei Y t? (b) Welchen Effekt hätte diese Addition für r x,y? (c) Welchen Effekt für â und ˆb hätte eine Multiplikation mit 5 bei Y t? (d) Welchen Effekt hätte diese Multiplikation für r x,y? (e) Welchen Effekt für â und ˆb hätte eine Addition von 2 bei X t. (f) Welchen Effekt hätte diese Addition für r x,y? (g) Welchen Effekt für â und ˆb hätte eine Multiplikation mit 4 bei X t? (h) Welchen Effekt hätte diese Multiplikation für r x,y? 17
18 7. Was bewirken jeweils die folgenden R - Befehlssequenzen? (a) Ausgangsbeispiel x <- 1:6 y <- c(2, 1, 4, 3, 6, 5) yx <- lm(y~x) summary(yx) plot(x,y) abline(yx) (b) Transformationen y + 10 y10 <- y + 10 y10x <- lm(y10~x) summary(y10x) (c) Transformationen y * 5 y5 <- y * 5 y5x <- lm(y5~x) summary(y5x) (d) Transformationen x + 2 x2 <- x + 2 yx2 <- lm(y~x2) summary(yx2) (e) Transformationen x * 4 x4 <- x * 4 yx4 <- lm(y~x4) summary(yx4) 18
Beispiele zur UE Statistik 1 bei Nagel
Beispiele zur UE Statistik 1 bei Nagel Februar 2017 c Herbert Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie,
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
MehrUE Statistik 1, WS 2015, letztes Update am 4. Oktober Übungsbeispiele
UE Statistik, WS 05, letztes Update am 4. Oktober 05 Übungsbeispiele Beispiele mit Musterlösungen finden Sie auch in dem Buch Brannath, W., Futschik, A., Krall, C., (00) Statistik im Studium der Wirtschaftswissenschaften.
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 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
MehrUE Statistik 1, letztes Update am 8. April 2019
UE Statistik, letztes Update am 8. April 29 Übungsbeispiele Kapiteln: Ereignisse und ihre Wahrscheinlichkeiten Diskrete Zufallsvariablen und Ihre Momente Asymptotik und stetige Zufallsvariablen Schätzen
MehrUE Statistik 1, SS 2015, letztes Update am 27. April Übungsbeispiele
UE Statistik, SS 05, letztes Update am 7. April 05 Übungsbeispiele Beispiele mit Musterlösungen finden Sie auch in dem Buch Brannath, W., Futschik, A., Krall, C., (00) Statistik im Studium der Wirtschaftswissenschaften.
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
MehrUE Statistik 1, letztes Update am 5. Mai 2019
UE Statistik, letztes Update am 5. Mai 29 Übungsbeispiele Kapiteln: Ereignisse und ihre Wahrscheinlichkeiten Diskrete Zufallsvariablen und Ihre Momente Asymptotik und stetige Zufallsvariablen Schätzen
MehrStetige 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
MehrÜbungsblatt 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
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
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrSie wissen noch, dass 18.99% der Surfer, die kein Smartphone haben, pro Monat weniger als 20 Stunden das Internet nutzen, d.h. f(y 1 X 2 ) =
Aufgabe 1 In einer Umfrage wird der Besitz eines Smartphones (Merkmal X) und die Nutzungsdauer des Internets pro Monat (Merkmal Y ) untersucht. Merkmal X hat zwei Ausprägungen: X 1 : Besitz und X 2 : Nichtbesitz.
MehrFit 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
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
MehrWS 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
Mehr3. Geben Sie Modus, Erwartungswert und Varianz der Zufallsvariablen X an.
Aufgabe 1 Der Student Paul fährt jeden Tag mit dem Fahrrad zur Uni. Die Strecke kreuzt drei Fußgängerüberwege mit Bedarfsampeln, die durch Fußgänger aktiviert werden. Wird Paul an einer Bedarfsampel gestoppt,
MehrA3.Die Lebensdauer eines elektronischen Gerätes werde als normalverteilt angenommen. Der Erwartungswert betrage
Aufgaben ~ Beispiele A1. Wir spielen Roulette mit einem Einsatz von 5 mit der Glückszahl 15. Die Wahrscheinlichkeiten und Auszahlungen beim Roulette sind in folgender Tabelle zusammengefasst: Ereignis
MehrBiomathematik für Mediziner, Klausur WS 2000/2001 Seite 1
Biomathematik für Mediziner, Klausur WS 2000/2001 Seite 1 Aufgabe 1: Von 2 gleichartigen Maschinen eines pharmazeutischen Betriebes stellt die erste 40% und die zweite 60% der Produkte her. Dabei verursacht
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,
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrZufallsvariablen. 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:
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
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
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
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
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrÜbungsblatt 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
MehrStatistik Übungen WS 2017/18
Statistik Übungen WS 2017/18 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Maathuis ETH Zürich Winter 2010 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Aufgabe
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrEindimensionale Zufallsvariablen
Eindimensionale Grundbegriffe Verteilungstypen Diskrete Stetige Spezielle Maßzahlen für eindimensionale Erwartungswert Varianz Standardabweichung Schwankungsintervalle Bibliografie Bleymüller / Gehlert
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Embrechts ETH Zürich Sommer 2015 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 10 4 10
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrStatistik Zusätzliche Beispiele WS 2018/19
Statistik Zusätzliche Beispiele WS 208/9 Blatt 2: Wahrscheinlichkeitsrechnung. Erstellen Sie zur Zufallsgröße Augensumme von drei fairen Würfeln eine Tabelle der Wahrscheinlichkeitsfunktion und vergleichen
MehrKlausur 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
MehrStatistik Übungen SS 2018
Statistik Übungen SS 2018 Blatt 2: Wahrscheinlichkeitsrechnung 1. Die nach dem französischen Mathematiker Pierre-Simon de Laplace benannten Laplace- Experimente beruhen auf der Annahme, dass bei einem
MehrMusterlösung zu Serie 8
Dr. Markus Kalisch Statistik I für Biol./Pharm. Wiss./HST) FS 15 Musterlösung zu Serie 8 1. a) Damit fx) eine Dichte ist, muss die Fläche des Dreiecks gleich 1 sein. Es muss also gelten c = 1. Daraus folgt
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
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
MehrZusammenfassung PVK Statistik
Zusammenfassung PVK Statistik (Diese Zusammenfassung wurde von Carlos Mora erstellt. Die Richtigkeit der Formeln ist ohne Gewähr.) Verteilungen von diskreten Zufallsvariablen Beschreibung Binomialverteilung
MehrSei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable.
Aufgabe 1 (5 + 2 + 1 Punkte) Sei X eine auf dem Intervall [2, 6] (stetig) gleichverteilte Zufallsvariable. a) Wie lautet die Verteilungsfunktion von X? Zeichnen Sie diese! 0 x < 2 1 F (x) = x 0.5 2 x 6
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 Testverteilungen Chi-Quadrat-Verteilung Sind X 1,..., X n iid N(0; 1)-verteilte
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
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.
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrÜbungen zur Vorlesung Statistische Methoden Kapitel 1-2
TECHNISCHE UNIVERSITÄT DORTMUND Sommersemester 2011 FAKULTÄT STATISTIK Dr. M. Arnold Dipl.-Stat. R. Walter Übungen zur Vorlesung Statistische Methoden Kapitel 1-2 Aufgabe 1: Gegeben ist eine diskrete Zufallsvariable
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrSammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien
Sammlung alter Klausuraufgaben zur Stochastik keine Abgabe keine Besprechung in den Tutorien Prof. F. Merkl 23. Mai 2016 Zu Ihrer Information und als zusätzliches Übungsmaterial sind hier die Aufgaben
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
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenho Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare
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.
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf. Vorlesung 04 Mathematische Grundlagen II,
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen II Dr. Klaus Lukas Carsten Neundorf 1 Was sollen Sie heute lernen? 2 Agenda Wiederholung stetige Renditen deskriptive Statistik Verteilungsparameter
MehrDr. M. Kalisch. Statistik (für Biol./Pharm. Wiss.) Winter Musterlösung
Dr. M. Kalisch. Statistik (für Biol./Pharm. Wiss.) Winter 2014 Musterlösung 1. (11 Punkte) a) Für welchen Parameter ist X ein geeigneter Schätzer? X ist ein geeigneter Schätzer für den Erwartungswert µ
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
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
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStatistik 1 Beispiele zum Üben
Statistik 1 Beispiele zum Üben 1. Ein Kühlschrank beinhaltet 10 Eier, 4 davon sind faul. Wir nehmen 3 Eier aus dem Kühlschrank heraus. (a Bezeichne die Zufallsvariable X die Anzahl der frischen herausgenommenen
Mehr(8 + 2 Punkte) = = 0.75
Aufgabe 1 (8 + 2 Punkte) Von 20 Teilnehmern einer Bergwanderung geben 8 Personen an Knieschmerzen zu haben. 6 Teilnehmer leiden an Sonnenbrand. 8 Teilnehmer blieben unversehrt. a) Wie groß ist die Wahrscheinlichkeit,
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
Mehr2. 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
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
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrUE Statistik I für VWL, WS 05/06
UE Statistik I für VWL, WS 05/06 Beispielsammlung 1. Zeigen Sie, dass die folgenden Rechenregeln für das Summenzeichen gelten, wobei die Summe durch n x i = x 1 + x 2 +... + x n 1 + x n, definiert ist.
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2009 Aufgabe 1 Nach dem von
MehrAufgabe 1. Übung Wahrscheinlichkeitsrechnung Markus Kessler Seite 1 von 8. Die Ereignisse A, B und C erfüllen die Bedingungen
Ü b u n g 1 Aufgabe 1 Die Ereignisse A, B und C erfüllen die Bedingungen P(A) = 0. 7, P(B) = 0. 6, P(C) = 0. 5 P(A B) = 0. 4, P(A C) = 0. 3, P(B C) = 0. 2, P(A B C) = 0. 1 Bestimmen Sie P(A B), P(A C),
MehrDeskriptive Statistik
Deskriptive Statistik 1. Die Aktienkurse jeweils zu Quartalsbeginn eines Jahres lauten: 130 175 151 184 (a) Wie hoch sind die Kursanstiege in den Quartalen? (b) Wie hoch ist der durchschnittliche Kursanstieg?
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,
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrÜbungsscheinklausur,
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:...
MehrWirtschaftswissenschaftliches Prüfungssekretariat Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2015
Wirtschaftswissenschaftliches Prüfungssekretariat Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 205 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 13.0.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
Mehr