1. Übungsblatt. Markus Reiß Vorlesung Stochastik I Sommersemester 2016 Humboldt-Universität zu Berlin
|
|
- Kristina Vogel
- vor 7 Jahren
- Abrufe
Transkript
1 1. Übungsblatt 1. Beim TÜV werden n Fahrzeuge überprüft. Für i = 1,..., n bezeichne A i das Ereignis das i-te Fahrzeug erhält die Prüfplakette. Beschreiben Sie die folgenden Ereignisse durch mengentheoretische Verknüpfungen der Ereignisse A i : (a) mindestens eines der n Fahrzeuge erhält keine Plakette; (b) kein Fahrzeug erhält eine Plakette; (c) genau ein Fahrzeug erhält keine Plakette; (d) höchstens ein Fahrzeug erhält eine Plakette. 2. Es seien F eine σ-algebra über Ω und Q : F [0, 1] eine normierte, additive Mengenfunktion (d.h. Q(Ω) = 1, Q(A B) = Q(A) + Q(B) für alle disjunkten A, B F ). Beweisen Sie, dass Q ein Wahrscheinlichkeitsmaß (d.h. σ-additiv) ist genau dann, wenn Q σ-stetig ist. Zusatzaufgabe: Finden Sie ein Beispiel einer normierten, additiven Mengenfunktion auf einer σ-algebra, die kein Wahrscheinlichkeitsmaß ist. Tipp: Recherchieren Sie das Konzept des Banach-Limes und betrachten Sie für A N einen Banach-Limes l((x n (A)) n 1 ) der Folge x n (A) := A {1,...,n} n. 3. Lösen Sie die folgenden Textaufgaben jeweils mit vollständiger Angabe und Begründung der wahrscheinlichkeitstheoretischen Modellierung: (a) Wie viele Rosinen müssen in 500g Teig vorhanden sein, damit ein 50g- Brötchen mit mindestens 99% Wahrscheinlichkeit eine Rosine enthält? (b) Ein gewisser Chevalier de Méré wunderte sich, dass er beim Werfen mit drei Würfeln die Augensumme 11 häufiger beobachtet hatte als die Augensumme 12, obwohl doch 11 durch die Kombinationen 6 4 1, 6 3 2, 5 5 1, 5 4 2, 5 3 3, und die Augensumme 12 durch ebensoviele (welche?) Kombinationen erzeugt würde. Kann diese Beobachtung als vom Zufall bedingt angesehen werden oder ist die Argumentation falsch?
2 4. Für ganze Zahlen N 1, 0 W N, 0 n N, 0 w W gebe p N,W,n (w) die Wahrscheinlichkeit an, dass bei n-fachem Ziehen (ohne Zurücklegen) aus einer Urne mit W weißen und N W schwarzen Kugeln genau w weiße Kugeln gezogen werden. (a) Begründen Sie mit kombinatorischen Argumenten die Formel p N,W,n (w) = ( N W n w )( W w ) ( N n). (b) Weisen Sie anhand der Formel nach, dass p N,W,n eine Zähldichte auf Ω = {0, 1,..., W } ist (diese definiert die hypergeometrische Verteilung). (c) Berechnen Sie mit Hilfe dieser Formel die Wahrscheinlichkeit für k Richtige im Lotto 6 aus 49 (0 k 6). Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
3 2. Übungsblatt 1. Zu einer Tanzstunde kommen n Paare. Um für Abwechslung zu sorgen, wird jeder Dame rein zufällig einer der Herren zugelost. Wie groß ist die Wahrscheinlichkeit, dass mindestens ein ursprüngliches Paar miteinander tanzen wird? Bestimmen Sie den Grenzwert dieser Wahrscheinlichkeit für n. Anleitung: Sei A k das Ereignis Dame k wird ursprünglicher Partner zugelost. Beweisen Sie die Einschluss-Ausschluss-Formel: ( n P k=1 A k ) = n (( 1) l 1 P ( ) ) A k1 A kl. l=1 {k 1,...,k l } {1,...,n} Bestimmen Sie die rechte Seite mittels der Ergebnisse für Urnenmodelle. 2. Bei einer Stichwahl zwischen Kandidaten A und B werden die Stimmen nacheinander ausgezählt. Am Ende hat Kandidat A mit a Stimmen gegen Kandidat B mit b Stimmen gewonnen (a > b). Wie groß ist die Wahrscheinlichkeit, dass A während der gesamten Auszählung vorne lag? Anleitung: (a) Begründen Sie die zwei Modellierungen mit der Grundmenge Ω 1 = {M {1,..., a + b} M = a} bzw. Ω 2 = {g : {0,..., a + b} N 2 0 g(0) = (0, 0), g(a+b) = (b, a), g(i) g(i 1) {(0, 1), (1, 0)}, i = 1,..., a+b} und der jeweiligen Gleichverteilung. Interpretieren Sie Ω 2 als Pfade auf dem Gitter N 2 0 und stellen Sie eine Realisierung gemeinsam mit der Diagonalen in dem Gitter dar. (b) Formalisieren Sie die Ereignisse A 1 = Pfad geht durch den Punkt (1, 0) und A 2 = Pfad geht durch den Punkt (0, 1), liegt aber nicht oberhalb der Diagonalen in Ω 2. Weisen Sie A 1 A 2 = und mit geeignetem Spiegelungsargument A 1 = A 2 nach. (c) Schließen Sie darauf, dass die gesuchte Wahrscheinlichkeit (a b)/(a + b) beträgt, indem Sie das entsprechende Ereignis durch A 1 und A 2 ausdrücken.
4 3. Es sei Z = {Z i i I} mit einer Indexmenge I N eine abzählbare Zerlegung von Ω in disjunkte Teilmengen. (a) Geben Sie die kleinste σ-algebra σ(z) über Ω an, die das Mengensystem Z umfasst, und beschreiben Sie alle (σ(z), B R )-messbaren Funktionen g : Ω R. (b) Bestimmen Sie mittels (a) für Ω = [0, 1) ({ }) F n := σ [k2 n, (k + 1)2 n ) k {0, 1,..., 2 n 1}. Zeigen Sie, dass F := n 1 F n eine Algebra über [0, 1) bildet. Ist F auch eine σ-algebra? (c) Bestimmen Sie zu f(x) = x und n N die (F n, B R )-messbare Funktion f n : [0, 1) R, die f f n 2 L 2 = [0,1) (f(x) f n(x)) 2 dx unter allen (F n, B R )-messbaren Funktionen minimiert. Untersuchen Sie lim n f n (x). 4. Es sei F : R [0, 1] gegeben durch F (x) = 2 n 1 [1/n, ) (x). n=1 Zeigen Sie, dass es sich um die Verteilungsfunktion eines Wahrscheinlichkeitsmaßes P auf B R handelt, und berechnen Sie folgende Wahrscheinlichkeiten P ([1, )), P ([1/10, 1)), P ({0}), P (( 5, 1/2)), P (Q). Bestimmen Sie den Träger von P : supp(p ) = } {A R A ist abgeschlossen und P (A) = 1. Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
5 3. Übungsblatt 1. In einem Kreis vom Radius r werde rein zufällig eine Sehne ausgewählt. Mit welcher Wahrscheinlichkeit ist die Länge dieser Sehne größer als r? Verwenden Sie folgende Zufallsbeschreibungen: (a) Die Sehne ist durch ihren Mittelpunkt eindeutig bestimmt. Die Lage des Mittelpunkts ist gleichmäßig in der Kreisscheibe verteilt. (b) Die Sehne ist durch ihre Endpunkte eindeutig bestimmt und aus Symmetriegründen wählen wir den einen Endpunkt fest. Der andere möge gleichmäßig auf dem Kreisrand verteilt sein. (c) Die Sehne ist durch ihren Abstand vom Kreismittelpunkt und die entsprechende Richtung eindeutig festgelegt. Aus Symmetriegründen kann die Richtung fest gewählt werden, der Abstand sei gleichmäßig auf [0, r] verteilt. 2. Es sei X eine exponential-verteilte Zufallsvariable mit Parameter λ > 0. (a) Zeigen Sie, dass X in folgendem Sinne gedächtnislos ist: t, x > 0 : P (X > x + t X > t) = P (X > x). Erklären Sie diese Eigenschaft am Beispiel einer zufälligen Wartezeit. (b) Beweisen Sie umgekehrt, dass jede solche gedächtnislose Zufallsvariable auf (R +, B R +) exponential-verteilt ist. (c) Bestimmen Sie die Verteilung einer Zufallsvariable Y auf (N 0, P(N 0 )), die im folgenden diskreten Sinne gedächtnislos ist: m, n N 0 : P (Y m + n Y m) = P (Y n). 3. Betrachten Sie eine Lichtquelle im Abstand r > 0 einer (unendlich langen) Projektionsfläche, die im Winkel Φ ( π/2, π/2) strahlt. Wie ist der projizierte Lichtpunkt X R verteilt, wenn Φ gleichmäßig verteilt ist? 4. Simulation von Normalverteilungen: Es seien U, V unabhängige U((0, 1))-verteilte Zufallsvariablen. Setze R = 2 log(u), X = R cos(2πv ) und Y = R sin(2πv ). Beweisen Sie, dass X und Y unabhängige standard-normalverteilte Zufallsvariablen sind. Tipp: Berechnen Sie die Dichte von R und betrachten Sie dann die Polarkoordinatentransformation (R, V ) (X, Y ) unter Verwendung des Dichtetransformationssatzes.
6 5. Betrachten Sie den Ergebnisraum Ω = {0, 1} N des unendlich oft wiederholten Münzwurfs. Es sei Π n : Ω {0, 1} n die durch Π n (ω) = (ω 1,..., ω n ) gegebene Kooordinatenprojektion. Zeigen Sie, dass das System der Zylindermengen A := {Π 1 n (A n ) n N, A n {0, 1} n } eine Algebra über Ω bildet. Setzen Sie P (Π 1 n (A n )) := A n /2 n und weisen Sie nach, dass P ein Prämaß auf A definiert. Konstruieren Sie damit einen Wahrscheinlichkeitsraum und unabhängige Zufallsvariablen (X k ) k 1 mit P (X k = 1) = P (X k = 0) = 1/2, k N (unendliches Bernoulli-Schema). 6. Es seien (X k ) k 1 wie in Aufgabe 5 sowie Y := X k 2 k. k=1 (a) Begründen Sie, weshalb Y eine Zufallsvariable ist, und bestimmen Sie P (Y ((m 1)2 n, m2 n ]) für beliebige n N und m = 0, 1,..., 2 n. (b) Schließen Sie, dass die Verteilungsfunktion von Y mit der Verteilungsfunktion der gleichmäßigen Verteilung auf [0, 1] übereinstimmt (d.h. Y ist U[0, 1]-verteilt). (c) Betrachten Sie nun die Zufallsvariablen Z n := n 2X k 3 k, Z := k=1 2X k 3 k. Zeichnen Sie die Verteilungsfunktion von Z n für n = 1, 2, 5 exakt und skizzieren Sie die von Z (Computereinsatz gestattet). (d) Ist die Verteilungsfunktion von Z stetig? Besitzt Z eine Wahrscheinlichkeitsdichte? 7. [Zusatzsatzaufgabe] Ein Schatzsucher vermutet einen Schatz auf der Verbindungslinie zweier Pyramiden. Er überlegt sich folgende Strategie, um den Schatz zu finden: er gräbt zunächst rein zufällig an einem Punkt auf der Linie. Dann verfährt er iterativ: er wählt eine der beiden Pyramiden rein zufällig aus, geht die halbe Strecke (zwei Drittel der Strecke) in Richtung dieser Pyramide und gräbt; dies iteriert er bis zum Finden des Schatzes. Wird er bei beliebig langer Suche so den Schatz letztlich finden? Simulieren Sie beide Varianten für Iterationen auf dem Intervall [0, 1] und zeichnen Sie jeweils einen Punkt für jeden Grabungsort. Erklären Sie das Ergebnis mittels Aufgabe 6. Was ergibt sich im Fall, dass der Schatz im von drei Pyramiden aufgespannten Dreieck liegt und der Schatzsucher jeweils eine der drei Pyramiden zufällig wählt? k=1 Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem Die Aufgaben sind mit Namen, Matrikelnummer und Übungsgruppe zu versehen. Korrektorensprechstunde: Freitags, 12:45 bis 13:30 Uhr, Raum 1.104, RUD 25.
7 4. Übungsblatt 1. Über einen verrauschten Kanal werden binäre Ziffern versendet. Die Wahrscheinlichkeit, dass eine 0 oder 1 übertragen werden soll, ist jeweils 0, 5. Die Wahrscheinlichkeit, dass die empfangene Ziffer der versendeten entspricht, ist 0, 9. (a) Was ist die Wahrscheinlichkeit, dass eine 1 versendet wurde, wenn eine 1 empfangen wurde? (b) Es wird nun zur Sicherheit die zu übertragende Ziffer jeweils dreimal verschickt (d.h. 111 oder 000). Was ist die Wahrscheinlichkeit, dass eine 1 übertragen werden sollte, wenn 111 empfangen wurde? Was ist die Wahrscheinlichkeit, dass eine 1 übertragen werden sollte, wenn bekannt ist, dass die Summe der drei empfangenen Ziffern gleich 2 ist? 2. Es seien (X i ) i I eine Familie unabhängiger (S i, S i )-wertiger Zufallsvariablen und g i : S i T i (S i, T i )-messbare Funktionen. Zeigen Sie, dass dann auch die Familie (g i (X i )) i I unabhängige Zufallsvariablen mit Werten in (T i, T i ) bildet. 3. Es seien X 1,..., X n unabhängige reellwertige Zufallsvariablen mit Verteilungsfunktionen F 1,..., F n. (a) Zeigen Sie, dass die Verteilungsfunktionen von M = max(x 1,..., X n ) und m = min(x 1,..., X n ) gegeben sind durch F M (x) = n i=1 F i(x) bzw. F m (x) = 1 n i=1 (1 F i(x)). (b) Bestimmen Sie für den Fall, dass jedes X i gleichmäßig auf [0, 1] verteilt ist, die Dichte von M und m. Sind M und m unabhängig? (c) Die Zeit bis zum Zerfall eines radioaktiven Atoms wird durch die Exponentialverteilung Exp(λ) beschrieben. Wie ist die Zeit bis zum ersten Atomzerfall in einer Probe aus N solchen Atomen verteilt?
8 4. Es seien (X i ) i N unabhängige, auf { 1, 1} gleichverteilte Zufallsvariablen und S 0 := 0; S n := n X i, n N. i=1 (S n ) n N0 ist die sogenannte symmetrische Irrfahrt. (a) Zeigen Sie für alle festen k N: P ( S n+k S n = k für unendlich viele n N) = 1. (b) Schließen Sie aus (a) auf P ( S n m für alle n N) = 0 für jedes feste m N und folgern Sie ( ) P S n = = 1. sup n N (c) Zeigen Sie P (sup n N S n = ) = P (inf n N S n = ) 1/2 und verwenden Sie das 0-1-Gesetz von Kolmogorov, um die Wahrscheinlichkeit exakt zu bestimmen. Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
9 5. Übungsblatt 1. Beweisen Sie: Besitzen P und Q Zähldichten p bzw. q auf Z (auf N 0 ), so besitzt P Q die Zähldichte (p q)(k) := m Z p(k m)q(m) (auf N 0: (p q)(k) := k m=0 p(k m)q(m)). Bestimmen Sie Bin(n 1, p) Bin(n 2, p) für n 1, n 2 N, p [0, 1]. 2. Es seien U 1, U 2, U 3, U 4 unabhängige gleichmäßig auf [ 1, 1] verteilte Zufallsvariablen. (a) Bestimmen Sie die Dichten von U 1 + U 2 und U 1 + U 2 + U 3. (b) Zeichnen Sie die Dichte von Sn := 3 n (U U n ) für n = 1, 2, 3, 4 sowie die Dichte der Standardnormalverteilung in ein Koordinatensystem (Computereinsatz gestattet). 3. Die Anzahl der Eier, die ein Insekt legt, sei Poisson-verteilt zum Parameter λ > 0. Aus jedem der sich unabhängig voneinander entwickelnden Eier schlüpfe mit Wahrscheinlichkeit p [0, 1] eine Larve. Berechnen Sie die Verteilung der Anzahl der Larven. Hinweis: Bedingen Sie auf die Anzahl der gelegten Eier unter Verwendung der Formel von der totalen Wahrscheinlichkeit. 4. Bestimmen Sie für eine Zufallsvariable X den Erwartungswert E[X] (sofern er existiert) im Fall folgender Verteilungen: (a) N(µ, σ 2 ); (b) Exp(λ); (c) Cauchyverteilung (d.h. f X (x) = 1 π (d) χ 2 (1)-Verteilung. 1 1+x 2 ) und Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
10 6. Übungsblatt 1. Zeigen Sie E[X] = 0 P (X x) dx für beliebige nichtnegative Zufallsvariablen X, indem Sie P (X x) = R 1(y x)p X (dy) und anschließend die Integralvertauschung begründen. Darf man auch P (X > x) statt P (X x) einsetzen? 2. Es sei µ ein beliebiges Maß auf (R, B R ) sowie X eine reellwertige Zufallsvariable mit µ-dichte f X : R [0, ), das heißt f X ist Borel-messbar mit P (X B) = B f X dµ, B B R. (a) Beweisen Sie: Für eine Borel-messbare Funktion h : R R gilt h(x) L 1 R h(x) f X (x) µ(dx) <. In dem Fall gilt die Formel E[h(X)] = R h(x)f X (x) µ(dx). (b) Was ergibt sich in (a) mit dem Zählmaß µ auf Z für eine diskrete Zufallsvariable X mit Zähldichte p X? (c) Bestimmen Sie den Erwartungswert einer zensierten Exponentialverteilung mit Parametern λ, z > 0, das heißt einer Zufallsvariablen X mit P (X B) = λe λx dx + e λz 1(z B), B B R, [0,z] B indem Sie ein geeignetes Maß µ definieren, so dass X eine µ-dichte f X besitzt. Hinweis: Es gilt f d(µ 1 + µ 2 ) = f dµ 1 + f dµ 2 für f L 1 (µ 1 + µ 2 ). 3. Charakterisieren Sie die Minimalstellen m R der Funktion d : R [0, ) mit d(x) := E[ X x ] für eine beliebige Zufallsvariable X L 1. Anleitung: Zeigen Sie für beliebige x < m E[ X x ] E[ X m ] (x m)p (X < m) + (m x)p (X m), indem Sie 1 = 1(X x) + 1(X (x, m)) + 1(X m) schreiben, und betrachten Sie analog den Fall x > m.
11 4. Bei der Fußballeuropameisterschaft treten 24 Mannschaften mit einem Kader von jeweils 23 Spielern gegeneinander an. Es gibt von jedem Spieler ein Sammelbildchen. Am Kiosk wird ein sichtgeschützt verpacktes Bildchen für fünf Cent verkauft. Wieviel wird ein Sammler im Mittel am Kiosk ausgeben, bis er von jedem Spieler (mindestens) ein Bildchen besitzt? Tipp: Sei N i die Anzahl der erworbenen Bildchen, bis man von i Spielern ein Bildchen besitzt. Bestimmen Sie die Verteilung von D i = N i N i 1. Zusatzaufgabe: Was ergibt sich, falls sich zwei Sammler zusammentun und Bildchen tauschen? Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem Korrektorensprechstunde: Freitags, 12:30 bis 13:30 Uhr, Raum 1.104, RUD 25.
12 7. Übungsblatt 1. Zu Daten (x i, y i ) 1 i n in R 2 wird die Regressionsgerade y = âx + ˆb definiert mittels der Methode der kleinsten Quadrate: (â, ˆb) := argmin (a,b) R 2 { n i=1 ( ) 2 } y i (ax i + b). (a) Bestimmen Sie â und ˆb als Funktion der empirischen Mittel x = 1 n n i=1 x i, ȳ = 1 n n i=1 y i, der empirischen Varianzen σ 2 x = 1 n n i=1 (x i x) 2, σ 2 y = 1 n n i=1 (y i ȳ) 2 und der empirischen Korrelation ρ xy = 1 n n i=1 (x i x)(y i ȳ)/( σ x σ y ) (falls σ x, σ y > 0). (b) Um die Abhängigkeit der durch Melanome (Hautkrebs) verursachten Todesfälle von der Sonneneinstrahlung zu bestimmen, wurde in den Bundesstaaten der USA die Mortalität (Todesfälle pro 10 7 Einwohner) und der Breitengrad erfasst. Bestimmen Sie aus den Daten Staat Delaware Iowa Michigan New Hampshire Oklahoma Texas Wyoming Mort Breite die zugehörige Regressionsgerade und zeichnen Sie diese zusammen mit den Daten in ein Koordinatensystem (Computereinsatz gestattet). Welche Mortalität ist in Ohio (Breitengrad 40) in etwa zu erwarten? 2. Es sei X L 4 eine Zufallsvariable mit symmetrischer Verteilung (d.h. P (X x) = P (X x) für alle x R). Setze Y = X 2. Weisen Sie nach, dass X und Y unkorreliert, aber im Allgemeinen nicht unabhängig sind. Bestimmen Sie die beste lineare Vorhersage von Y durch X (bzgl. mittlerem quadratischen Fehler). Welche ist die beste nichtlineare Vorhersage?
13 3. Es seien X 1,..., X n unabhängige N(µ, σ 2 )-verteilte Zufallsvariablen mit µ R und σ > 0. Zeigen Sie für X = 1 n n i=1 X i, σ 2 = 1 n n i=1 (X i X) 2 : (a) Die Zufallsvariablen X und σ 2 sind unabhängig. Hinweis: Beweisen Sie zunächst, dass X und (X k X) 1 k n gemeinsam normalverteilt und unabhängig sind. (b) X ist N(µ, σ 2 /n)-verteilt und n σ 2 ist χ 2 (n 1)-verteilt (zur Erinnerung σ 2 χ 2 (p) = χ 2 (1) p ). Was ist der Erwartungswert von σ 2? 4. Es sei ein zweidimensionaler Zufallsvektor (X, Y ) mit Dichte f (X,Y ) gegeben. (a) Bestimmen Sie die bedingte Wahrscheinlichkeit P (X x Y [y h, y + h]) für x, y R, h > 0 mit f Y (y) > 0 und f Y stetig bei y. Zeigen Sie, dass der Grenzwert der bedingten Wahrscheinlichkeit für h 0 existiert und gleich x f (X,Y ) (ξ, y) dξ f Y =: F X Y =y (x) (y) ist. (b) Man definiert daher die bedingte Dichte von X gegeben Y = y als f X Y =y (x) := x F X Y =y (x) = f (X,Y ) (x, y) f Y, sofern f Y (y) > 0. (y) Zeigen Sie, dass f X Y =y in der Tat eine Dichtefunktion ist für alle y mit f Y (y) > 0. (c) Ein Stock der Länge 1 wird an einer zufälligen Stelle gebrochen (gleichverteilt). Das längere Stück wird wiederum an einer zufälligen Stelle (gleichverteilt) gebrochen. Wie groß ist die Wahrscheinlichkeit, dass sich die drei Teile zu einem Dreieck legen lassen? Begründen Sie Ihre Modellierung mittels bedingter Dichte. Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
14 8. Übungsblatt 1. Es seien (X n ) n 1 Zufallsvariablen, die P -fast sicher gegen eine Zufallsvariable X konvergieren. Folgern Sie schrittweise: (a) P ( ε > 0 n 1 : sup m n X m X > ε) = 0. (b) ε > 0 : P ( n=1 {sup m n X m X > ε}) = 0. (c) ε > 0 : lim n P (sup m n X m X > ε) = 0. (d) X n konvergiert gegen X P -stochastisch. 2. Es sei (Y n ) n N eine Folge von L 2 -Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, F, P ). (a) Es gelte lim n E[Y n ] = µ R und lim n Var(Y n ) = 0. Zeigen Sie, dass Y n für n in L 2 sowie stochastisch gegen µ konvergiert. (b) Folgern Sie aus Teil (a) eine Verallgemeinerung (bezüglich Annahmen an Erwartungswert und Varianz) des schwachen Gesetzes der großen Zahlen. 3. Ein Spieler startet mit dem Anfangskapital K 0 = 1. Bei jeder Runde i = 1,..., n setzt er sein gesamtes Kapital ein, es wird eine faire Münze geworfen, und bei Kopf erhält er den anderthalbfachen Einsatz zurück, bei Zahl nur den halben. (a) Stellen Sie das Kapital nach der n-ten Runde als K n geeigneten unabhängigen Zufallsvariablen R i dar. = n i=1 R i mit (b) Weisen Sie nach, dass das Spiel fair ist in dem Sinne, dass E[K n ] = 1 gilt. (c) Zeigen Sie, dass trotzdem lim n K n = 0 (fast sicher) gilt. Tipp: Betrachten Sie log(k n ). (d) Wogegen konvergiert der Median von K n? Erklären Sie anschaulich die Gründe für das Grenzwertverhalten von K n, E[K n ] und dem Median von K n.
15 4. Es seien (X n ) n 1 und X reellwertige Zufallsvariablen auf (Ω, F, P ). P (a) Beweisen Sie, dass aus X n X die Existenz einer Teilfolge (Xn(k) ) k 1 folgt mit X n(k) X P -fast sicher für k. Hinweis: Benutzen Sie ein Borel-Cantelli-Argument. (b) Für den Fall, dass X n nicht P -stochastisch gegen X konvergiert, zeigen Sie, dass es ε > 0 und eine Teilfolge (X n(k) ) k 1 gibt mit k 1 : P ( X n(k) X > ε) ε. Schließen Sie weiter, dass diese Teilfolge keine Teilteilfolge (X n(k(l)) ) l 1 besitzt, die P -f.s. gegen X konvergiert. (c) Folgern Sie aus (a) und (b) die Äquivalenz: Die Folge (X n ) konvergiert P -stochastisch gegen X genau dann, wenn jede Teilfolge (X n(k) ) eine Teilteilfolge (X n(k(l)) ) besitzt mit X n(k(l)) X P -f.s. für l. Freiwillig: Folgern Sie, dass fast sichere Konvergenz nicht metrisierbar ist auf Wahrscheinlichkeitsräumen, wo stochastische und fast sichere Konvergenz nicht identisch sind. Geben Sie Wahrscheinlichkeitsräume an, wo fast sichere und stochastische Konvergenz identisch sind. Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
16 9. Übungsblatt 1. Es seien X n = (X n,1, X n,2 ), X = (X 1, X 2 ) zweidimensionale Zufallsvektoren d mit X n X. Zeigen Sie: (a) Es gilt X n,i d Xi für i {1, 2}. (b) Es gilt ax n,1 + bx n,2 d ax1 + bx 2 für a, b R sowie X n,1 X n,2 d X1 X 2. d (c) Zeigen Sie anhand von Beispielen, dass X n,i Xi für i {1, 2} im Allgemeinen nicht ausreicht, um auf (b) zu schließen. 2. Es sei P Q T V = sup A F P (A) Q(A) der Totalvariationsabstand zwischen Wahrscheinlichkeitsmaßen P und Q auf (Ω, F ). (a) Zeigen Sie, dass sup f 1 fdp fdq = 2 P Q T V gilt, wobei sich das Supremum über alle messbaren f : Ω R erstreckt mit f = sup ω Ω f(ω) 1. Tipp: Betrachte die Mengen {f > 0} und {f < 0}. (b) Schließen Sie für Ω = R d, F = B R d, dass P n P in Totalvariationsabstand die schwache Konvergenz P n P w impliziert. (c) Zeigen Sie anhand eines Beispiels, dass die Umkehrung von (b) nicht gilt. 3. Es seien X 1, X 2 zwei unabhängige reellwertige Zufallsvariablen mit Verteilungen P 1 und P 2 auf (R, B R ). (a) Zeigen Sie, dass für die charakteristischen Funktionen gilt ϕ P 1 P 2 (u) = ϕ P 1 (u)ϕ P 2 (u), d.h. ϕ X 1+X 2 (u) = ϕ X 1 (u)ϕ X 2 (u), u R. (b) Betrachten Sie nun X i Poiss(λ i ) mit λ i > 0 für i = 1, 2. Zeigen Sie unter Verwendung der Eindeutigkeit der charakteristischen Funktion, dass X 1 + X 2 Poisson-verteilt ist zum Parameter λ 1 + λ 2 und daher (Poiss(λ)) λ>0 eine Faltungshalbgruppe bildet.
17 4. Sei ϕ die charakteristische Funktion einer Zufallsvariable X L m (Ω, F, P ) mit m N. (a) Zeigen Sie ϕ C m (R) mit ϕ (k) (0) = i k E[X k ], k = 0,..., m. (b) Bestimmen Sie mit (a) die Momente E[X k ] für k N 0 im Fall X N(0, 1). (c) Zeigen Sie, dass eine Funktion r m : R C existiert mit sup u R r m (u) 3 E[ X m ] und r m (u) 0 für u 0, so dass gilt ϕ(u) = m (iu) k k=0 k! E[X k ] + (iu)m r m (u). m! Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
18 10. Übungsblatt 1. Es sei X eine diskrete Zufallsvariable mit Werten in N 0. Dann bezeichnet m X (s) = E[s X ] für s ( 1, 1) (mit 0 0 := 1) die erzeugende Funktion der Verteilung von X. Zeigen Sie: (a) m X ist bei s = 0 beliebig oft differenzierbar mit m X (0) = p X (0) und Ableitungen (m X ) (k) (0) = k!p X (k), k N. Schließen Sie, dass m X die Verteilung von X eindeutig bestimmt. (b) Es gilt stets lim s 1 (m X ) (s) = E[X], selbst im Fall E[X] = +. Wie kann man E[X 2 ] berechnen? (c) Bestimmen Sie m X für Bin(n, p)- und Poiss(λ)-verteilte X und gemäß (b) jeweils Erwartungswert und Varianz. 2. Es sei (X n ) n 1 eine Folge unabhängiger, identisch verteilter (i.i.d.) reeller Zufallsvariablen. Dann bezeichnet F n (x) = 1 n n i=1 1 [X i, )(x), x R, die empirische Verteilungsfunktion. Weisen Sie nach: (a) F n ist die Verteilungsfunktion eines Wahrscheinlichkeitsmaßes µ n, des sogenannten empirischen Maßes von X 1,..., X n. (b) Für alle x R gilt F n (x) F (x) := P (X 1 x) P -fast sicher. (c) Für alle x R gilt n(f n (x) F (x)) d N(0, F (x)(1 F (x))). Hinweis: Betrachte die Fälle F (x) = 0 und F (x) = 1 separat. 3. Ziel ist der Beweis des Satzes von Glivenko-Cantelli: Für die empirischen Verteilungsfunktionen gilt sogar fast sicher gleichmäßige Konvergenz, d.h. sup x R F n (x) F (x) 0 P -f.s. (a) Betrachten Sie U i U([0, 1]) i.i.d. mit empirischer Verteilungsfunktion G n und Verteilungsfunktion G. Wählen Sie zu ε > 0 ein m N mit m > 2/ε sowie E m := {k/m k = 0, 1,..., m}. Schließen Sie aus G n (x) G(x) P -f.s. für x E m, dass max x Em G n (x, ω) G(x) ε/2 und somit sup x [0,1] G n (x, ω) G(x) ε gilt für alle n N mit N = N(ω) N geeignet und P -fast alle ω Ω. Der Satz von Glivenko-Cantelli gilt also für X i U([0, 1]). (b) Für beliebige Verteilungsfunktionen F konstruiere X i mit Verteilungsfunktion F gemäß Quantilstransformation X i = F 1 (U i ) mit (U i ) aus (a) und Rechtsinverser F 1. Weisen Sie nach, dass für die empirischen Verteilungsfunktionen F n (x) = G n (F (x)), x R, gilt. Schließen Sie den Beweis mittels (a) ab.
19 4. Finden Sie eine alternative Beweisführung für den zentralen Grenzwertsatz. Erklären Sie die Hauptargumente und geben Sie Ihre Quelle an. Welche Eigenschaft der Normalverteilung wird benutzt? Abgabe vor der Vorlesung, nach Aufgaben getrennt, am Montag, dem
1. Übungsblatt. Markus Reiß Vorlesung Stochastik I Sommersemester 2016 Humboldt-Universität zu Berlin
1. Übungsblatt 1. Beim TÜV werden n Fahrzeuge überprüft. Für i = 1,..., n bezeichne A i das Ereignis das i-te Fahrzeug erhält die Prüfplakette. Beschreiben Sie die folgenden Ereignisse durch mengentheoretische
MehrDWT 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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
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
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrStochastik. 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.
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrKlausur 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
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
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
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
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
MehrKlausur 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,
MehrProf. Dr. R. Mathar RWTH Aachen, SS 2002 Daniel Catrein Abgabe: bis 15:45 Uhr. 1. Übung zur Einführung in die Stochastik für Informatiker
Daniel Catrein Abgabe: 02.05.02 1. Übung zur Einführung in die Stochastik für Informatiker Aufgabe 1 Bei einem Kartenspiel mit 52 Karten werden an jeden der vier Spieler (A, B, C und D) 13 Karten ausgegeben.
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
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
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
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
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
MehrPrüfungsvorbereitungskurs 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
MehrDefinition 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)
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
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
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
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 15. Jänner 2017 Evelina Erlacher Inhaltsverzeichnis 1 Mengen 2 2 Wahrscheinlichkeiten 3 3 Zufallsvariablen 5 3.1 Diskrete Zufallsvariablen............................
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrWahrscheinlichkeitsräume und Zufallsvariablen
Kapitel Wahrscheinlichkeitsräume und Zufallsvariablen. W-Raum Unter einem Zufallsexperiment verstehen wir einen vom Zufall beeinflussten Vorgang, der ein entsprechend zufälliges Ergebnis hervorbringt.
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
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
Mehr4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung
4 Unabhängige Zufallsvariablen. Gemeinsame Verteilung Häufig werden mehrere Zufallsvariablen gleichzeitig betrachtet, z.b. Beispiel 4.1. Ein Computersystem bestehe aus n Teilsystemen. X i sei der Ausfallzeitpunkt
Mehr2. Löse die folgenden Textaufgaben jeweils mit vollständiger Angabe und Begründung der wahrscheinlichkeitstheoretischen Modellierung:
1. Übungsblatt 1. Es sei Ω eine abzählbare Menge. Beweise: (a) Ist P ein Wahrscheinlichkeitsmaß auf P(Ω), so ist p(ω) := P({ω}), ω Ω, eine Zähldichte. (b) Ist p eine Zähldichte auf Ω, so definiert P(A)
Mehr8. 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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
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
MehrKapitel 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
MehrProbeklausur Statistik II
Prof. Dr. Chr. Müller PROBE-KLAUSUR 1 1 2 3 4 5 6 7 8 Gesamt: 15 8 16 16 7 8 15 15 100 Probeklausur Statistik II Name: Vorname: Fachrichtung: Matrikel-Nummer: Bitte beachten Sie folgendes: 1) Die Klausur
MehrKapitel 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
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
Mehr70 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
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrStatistik II für Wirtschaftswissenschaftler
Fachbereich Mathematik 20.04.2017 Dr. Hefter & Dr. Herzwurm Übungsblatt 0 Keine Abgabe. Gegeben seien die Mengen A 1 =, A 2 = {1}, A 3 = {1, 1}, A 4 = {1, 3}, A 5 = {1, 2, 4}, A 6 = {1, 2, 3, 4}. a) Bestimmen
MehrWeihnachtsaufgaben. 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
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
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
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
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion f(x) =
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsraume
Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten
MehrStochastik im SoSe 2018 Hausaufgabenblatt 1
Stochastik im SoSe 208 Hausaufgabenblatt K. Panagiotou/ L. Ramzews / S. Reisser Lösungen zu den Aufgaben. Aufgabe Seien n N 0, x, y, z R. Zeigen Sie, dass (x + y + z) n i+j+kn i,j,k N 0 ( ) n x i y j z
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 08.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 32 Einführung Wahrscheinlichkeit Verteilungen
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
MehrVorlesung 5a. Zufallsvariable mit Dichten
Vorlesung 5a 1 Vorlesung 5a Zufallsvariable mit Dichten Vorlesung 5a Zufallsvariable mit Dichten Teil 1 Uniforme Verteilung, Exponentialverteilung. Kontinuierlich uniform verteilte Zufallsvariable: 2 Kontinuierlich
MehrReelle 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
MehrSatz 105 (Gedächtnislosigkeit) Beweis: Sei X exponentialverteilt mit Parameter λ. Dann gilt Pr[X > x + y X > y] = Pr[X > y] Pr[X > x + y] = Pr[X > y]
Gedächtnislosigkeit Satz 105 (Gedächtnislosigkeit) Eine (positive) kontinuierliche Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt, dass Pr[X > x
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.
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
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,
MehrDiskrete Strukturen II
SS 2004 Diskrete Strukturen II Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2004ss/ds/index.html.de 18. Juni 2004 Exponentialverteilung als Grenzwert der geometrischen
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrLösungen 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
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:
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
MehrDiskrete Strukturen I
Universität Kassel Fachbereich 10/1 PD Dr. Sebastian Petersen 14.09.2017 Klausur zur Vorlesung Diskrete Strukturen I Es können maximal 40 Punkte erreicht werden. Version mit Lösungsskizze Zur Notation:
Mehr8. 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
MehrBiostatistik, Sommer 2017
1/52 Biostatistik, Sommer 2017 Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 02.06.2017 2/52 Inhalt 1 Wahrscheinlichkeit Bayes sche Formel 2 Diskrete Stetige 3/52 Wahrscheinlichkeit Bayes
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrMathematik 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
Mehr3. STOCHASTISCHE PROZESSE 73
3. STOCHASTISCHE PROZESSE 73 3. Stochastische Prozesse 3.1. Grundlegende Begriffe bei zufälligen Prozessen. In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von
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
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrWahrscheinlichkeitstheorie und Maßtheorie
KAPITEL 7 Wahrscheinlichkeitstheorie und Maßtheorie 7.1. Vorüberlegungen Die folgenden drei Beispiele sind Spezialfälle des Oberbegriffs Maß. Beispiel 7.1.1 (Verteilung der Ladung oder der Masse). Man
MehrWahrscheinlichkeit 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
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrÜ b u n g s b l a t t 7
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 21. 5. 2007 Ü b u n g s b l a t t 7 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrZentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie
SS 2014 Zentralübung zur Vorlesung Diskrete Wahrscheinlichkeitstheorie Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2014ss/dwt/uebung/ 5. Juni 2014 ZÜ DWT ZÜ VI Übersicht:
Mehr