Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
|
|
- Lisa Holtzer
- vor 7 Jahren
- Abrufe
Transkript
1 Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die in den einzelnen Teilaufgaben erreichbaren Punkte: Aufgabe ( P) Aufgabe ( P) Aufgabe 3 ( P) Aufgabe 4 ( P) a b c d e a b c d e a b c d a b c d e Aufgabe 5 ( P) Aufgabe 6 (9 P) Aufgabe 7 (9 P) a b c d e a b c d a b c d Aufgabe ( Punkte) Gegeben sei eine Urliste mit den Paaren (x, y ),..., (x 9, y 9 ) j x j y j a) Berechnen Sie die Stichprobenmittel x, ȳ, die Stichproben-Standardabweichungen s x, s y und den empirischen Korrelationskoeffizienten r xy. Hinweis: 9 x j = 45, 9 x j = 85, 9 y j = 3.8, 9 yj = 4.3, 9 x j y j = 8.. b) Bestimmen Sie die zugehörige Regressionsgerade y = a + b x von y auf x. c) Berechnen Sie das.-getrimmte Stichprobenmittel ȳ. von (y,..., y 9 ). d) Bestimmen Sie das Stichproben- -Quantil ỹ 3 3 von (y,..., y 9 ).
2 e) Berechnen Sie den Quartilsabstand von (y,..., y 9 ). Lösung: a) Direkt aus den Daten ergeben sich nach den Abschnitten.4 und.5 im Skript mit Hilfe der Beziehung (x j x) (y j ȳ) = x j y j n x ȳ die Ergebnisse ( ( )) x = 5 s x = x i n x n ȳ = s y =.775 r xy =.953. i= =.739 b) Nach Abschnitt.5 des Skripts ist b = r xy sy s x und a = ȳ b x, also b =.68 a =.3 und die Regressionsgerade y = x. c) Für die Lösung der nächsten drei Aufgabenteile benötigen wir die aufsteigend sortierten y-werte. Es ist y () = (.6,.9,.9, 3., 3.8, 3.9, 4.3, 4.5, 4.7). Mit k = [9.] = [.8] = ergibt sich d) Da 9 3 ȳ. = = 6 ganzzahlig ist, ergibt sich 9 (y () y (8) ) = ỹ 3 = (y (6) + y (7) ) = 4.. e) Da.5 9 =.5 und.75 9 = 6.75 beide nicht ganzzahlig sind, ergibt sich mit k = und k = 6 ỹ.5 = y (k +) = y (3) =.9 ỹ.75 = y (k +) = y (7) = 4.3 und damit der Quartilsabstand zu ỹ.75 ỹ.5 =.4.
3 Aufgabe ( Punkte) Die gemeinsame Zähldichte f X,Y (i, j) zweier Zufallsvariablen X und Y sei durch die folgende Tabelle gegeben: i j /6 /8 /8 /4 /8 /4 /6 a) Bestimmen Sie die Zähldichte f X von X. b) Berechnen Sie P(Y ) und P(Y = X = ). c) Bestimmen Sie die Erwartungswerte EX, E(X + Y ) und E(X Y ). d) Bestimmen Sie den Korrelationskoeffizienten ρ(x, Y ) von X und Y. Sind X und Y stochastisch unabhängig? Begründen Sie. e) Für eine Zufallsvariable Z mit Wertebereich {, } sei P(Z = X = ) =, P(Z = X = ) = 3 4 und P(Z = X = ) = 7. Berechnen Sie die gemeinsame Verteilung von X und Z, d.h. P(X = i, Z = k) für alle i {,, } und k {, }. Lösung: a) Für i {,, } gilt f X (i) = j= f X,Y (i, j). f X (i) ist also durch Summation der Einträge der i-ten Zeile der Tabelle gegeben: f X () = = 3 6, f X() = = 3 8, f X() = = 7 6. b) Aus Symmetriegründen (k-te Zeile gleich k-te Spalte) gilt f Y = f X. Damit folgt direkt P(Y ) = P(Y < ) = P(Y = ) = f Y () = 3 6 = 3 6 und nach Definition der bedingten Wahrscheinlichkeit P(Y = X = ) = P(Y =, X = ) P(X = ) = f X,Y (, ) f X () = = 3. c) Es gilt E(X) = 3 i f X (i) = = 5 4, i= 3
4 und, da wegen f Y = f X auch E(Y ) = E(X) gilt, folgt mit der Additivität des Erwartungswertes Weiterhin ist E(X Y ) = E(X + Y ) = E(X) + E(Y ) = E(X) = 5. i j f X,Y (i, j) i,j= = f X,Y (, ) + f X,Y (, ) + f X,Y (, ) + f X,Y (, ) = = 8. d) Da wegen f Y = f X neben E(Y ) = E(X) auch V (Y ) = V (X) gilt, folgt für den Korrelationskoeffizienten ρ(x, Y ) nach Satz.3 des Skripts zunächst ρ(x, Y ) = C(X, Y ) V (X) V (Y ) = E(X Y ) E(X) E(Y ) V (X) = E(X Y ) (EX). V (X) Wegen E(X ) = i= i f X (i) = f X () + f X () = = 7 8 erhalten wir für die Varianz von X (nach Satz. b) des Skripts) V (X) = E(X ) (EX) = 7 8 ( ) 5 = = 9 6. Oben eingesetzt ergibt sich ρ(x, Y ) = ( ) = 5 9 = 3 9 = 3. X und Y sind somit negativ korreliert. Da stochastische Unabhängigkeit nach Satz.3 e) Unkorreliertheit implizieren würde, können X und Y nicht stochastisch unabhängig sein. e) Nach dem Skript ist P( X = ) eine Wahrscheinlichkeitsverteilung, also gilt Wir erhalten hiermit P(Z = X = ) + P(Z = X = ) = P(Z {, } X = ) =. P(Z = X = ) = P(Z = X = ) = =, und analog P(Z = X = ) = P(Z = X = ) = 3 4 = 4, P(Z = X = ) = P(Z = X = ) = 7 =
5 Mit Hilfe der Formel P(X = i, Z = k) = P(Z = k X = i) P(X = i) (Definition der bedingten Wahrscheinlichkeit) lässt sich nun direkt die gemeinsame Verteilung f X,Z von X und Z bestimmen: Wir erhalten und mit analoger Rechnung P(X =, Z = ) = P(Z = X = ) P(X = ) = 3 6 = 3 3 P(X =, Z = ) = 3 3, P(X =, Z = ) = 3 3, P(X =, Z = ) = 9 3, P(X =, Z = ) = 6, P(X =, Z = ) =
6 Aufgabe 3 ( Punkte) Die in regelmäßigen Abständen von einer Woche auszuführenden Kontrollen von 4 Maschinen M i, i =,... 4, erfordern folgenden Zeitaufwand t i (in Stunden): i 3 4 t i Um Überstunden innerhalb eines Arbeitstages von 8 Stunden möglichst zu vermeiden, entschließt man sich, jedes Mal nur Maschinen zu untersuchen, welche zur Vermeidung von Manipulationen zufällig ausgewählt werden. Sei Ω die Menge aller -Kombinationen ohne Wiederholung aus der Menge {M, M, M 3, M 4 } und P die Gleichverteilung auf Ω. a) Wieviele Elemente enthält die Menge Ω? b) Die Zufallsvariable X beschreibe die zufällige Dauer der Kontrolle der Maschinen. Geben Sie X(ω) für ω Ω in Form einer Tabelle an und bestimmen Sie die Zähldichte f X von X. c) Die Zufallsvariable K, welche die zufälligen Kontrollkosten beschreibt, sei gegeben durch { 5 X, falls X 8, K := (X 8), falls X > 8. Ergänzen Sie die Tabelle aus b) um die Kosten K(ω) und bestimmen Sie die zu erwartenden Kontrollkosten. d) Die zwei jeweils zu kontrollierenden Maschinen werden in aufeinanderfolgenden Wochen unabhängig voneinander ausgewählt. Berechnen Sie die Wahrscheinlichkeit, dass in zwei aufeinanderfolgenden Wochen alle 4 Maschinen kontrolliert werden. Bestimmen Sie die Wahrscheinlichkeit, dass in 3 aufeinanderfolgenden Wochen nicht alle Maschinen kontrolliert werden. Lösung: a) Es gilt Ω = ( ) 4 = 4 3 = 6. Die Elemente von Ω sind in der Tabelle in b) angegeben. b) Für i, j {,, 3, 4} ist X({M i, M j }) = t i + t j. Die Zufallsvariable X ist also durch die Werte in der folgenden Tabelle bestimmt: ω Ω {M, M } {M, M 3 } {M, M 4 } {M, M 3 } {M, M 4 } {M 3, M 4 } X(ω) K(ω) Der Wertebereich von X ist W X = {5, 6, 7, 8, 9}. Aufgrund der Gleichverteilungsannahme hat jedes ω Ω die Wahrscheinlichkeit. Da jeder Wert von X außer 7 nur für ein ω Ω 6 angenommen wird (und 7 für ), gilt für die Zähldichte von X: { für k = 5, 6, 8, 9 6 f X (k) = P(X = k) = für k = 7 6 6
7 c) Die Werte der Zufallsvariable K sind in der letzten Zeile der Tabelle in b) angegeben. Zur Bestimmung des Erwartungswertes von K genügt es, die Werte dieser Tabellenzeile mit den Gewichten 6 aufzusummieren: E(K) = 6 ( ) = 4 6 = 354. d) Wegen der Unabhängigkeitsannahmen ist die Menge der möglichen Auswahlen von je zwei Maschinen an aufeinanderfolgenden Wochen durch Ω beschrieben. Die günstigen Auswahlen des Ereignisses alle 4 Maschinen kontrolliert lassen sich folgendermaßen charakterisieren: In der ersten Woche kann jede beliebige Auswahl (der sechs möglichen) getroffen werden, in der zweiten Woche müssen dann die in der ersten Woche nicht gewählten Maschinen ausgewählt werden (eine Möglichkeit). Es gilt also P( in Wochen alle 4 Maschinen kontrolliert ) = Ω Ω = Ω Ω = Ω = 6. Analog ist die Menge der möglichen Auswahlen in 3 aufeinanderfolgenden Wochen gegeben durch Ω 3. Günstig für das Ereignis in 3 Wochen nicht alle 4 Maschinen kontrolliert ist, wenn genau bzw. 3 Maschinen in 3 Wochen kontrolliert werden. Für die Wahl von Maschinen gibt es genau Ω = 6 Möglichkeiten. (Diese Maschinen werden dann in jeder der 3 Wochen kontrolliert.) Für die Auswahl von genau 3 Maschinen aus den 4 gibt es 4 Möglichkeiten. (Jede Maschine kann weggelassen werden.) Die Auswahl in den 3 Wochen hat dann aus diesen 3 zu erfolgen. Für die erste Woche gibt es ( 3 ) = 3 Möglichkeiten aus den 3 auszuwählen, für die anderen beiden Wochen jeweils auch, also insgesamt 3 3 Möglichkeiten. Allerdings sind die Fälle wegzulassen, bei den 3 mal dasselbe Maschinenpaar gewählt wurde. (Denn in diesen Fällen werden in 3 Wochen nicht insgesamt 3 Maschinen gewählt, sondern nur ). Es ergibt sich also P( in 3 Wochen nicht alle 4 kontrolliert ) = P( in 3 Wochen genau kontrolliert ) + P( in 3 Wochen genau 3 kontrolliert ) = (33 3) 6 3 = =
8 Aufgabe 4 ( Punkte) Die gemeinsame Verteilung der Zufallsvariablen X und Y habe die Dichte { c (x + y ), für x, y, f X,Y (x, y) =, sonst, mit einer geeigneten Konstanten c >. a) Bestimmen Sie die Konstante c. b) Bestimmen Sie eine Dichte von X und berechnen Sie damit den Erwartungswert von X. c) Eine Dichte von Y ist f Y (y) = y, y. (Dafür ist kein Beweis erforderlich!) Bestimmen Sie die Verteilungsfunktion F Y und den Erwartungswert von Y. d) Bestimmen Sie die Kovarianz von X und Y. e) Sind X und Y stochastisch unabhängig? Lösung: a) Da f X,Y eine Wahrscheinlichkeitsdichte (auf der Menge [, ] ) ist, muss gelten = = c Damit folgt c = 6 7. f X,Y (x, y)dx dy = + y dy = c [ y + ] 3 y3 = c 7 6. c (x + y ) dx dy = c [ ] x + y x x= b) Nach Satz 8.7 im Skript ist eine Dichte von X gegeben durch f X (x) = f X,Y (x, y)dy. Für x [, ] gilt somit 6 ( f X (x) = f X,Y (x, y)dy = ) x + y dy = 6 [ 7 7 xy + ] 3 y3 = 6 y= 7 (x + 3 ) = 6 7 x + 4 7, für x / [, ] gilt f X (x) =. Damit folgt E(X) = x f X (x) dx = 6 7 x x dx = 7 [ x 3 + x ] = 4 7 c) Da f Y nur auf dem Intervall [, ] verschieden von ist, gilt für die Verteilungsfunktion F Y : R [, ] zunächst F Y (t) = für t sowie F Y (t) = für t. Für t (, ) gilt t t 3 F Y (t) = f Y (y)dy = y dy = 3 [ 7 y + 4 ] t 3 y3 = 3 7 t t3. Für den Erwartungswert von Y gilt E(Y ) = y f Y (y) dy = 3 7 y + 7 y3 dy = 3 [ ] 7 y + y 4 = = dy
9 d) Nach Satz.3 im Skript kann die Kovarinz nach der Formel C(X, Y ) = E(X Y ) EX EY berechnet werden. Da E(X Y ) = = 6 7 = 6 7 ergibt sich mit b) und c) x y f X,Y (x, y) dx dy = [ ] 3 x3 y + x y 3 [ 6 y + 4 y4 ] = 6 7 dy = = 5 4, C(X, Y ) = E(X Y ) EX EY = (x y + xy 3 ) dx dy 3 y + y3 dy 9 4 = = 98. e) C(X, Y ) ist gleichbedeutend mit E(X Y ) EX EY. Die Zufallsvariablen X und Y können also nicht stochastisch unabhängig sein, da in diesem Fall Gleichheit gelten würde, vgl. Satz.8 c). 9
10 Aufgabe 5 ( Punkte) Eine Maschine dreht zylinderförmige Kolben mit Solldurchmesser d = und Sollhöhe h = 5. Tatsächlich sind der Durchmesser X und die Höhe Y Zufallsvariablen mit den Verteilungen N (, /4) bzw. N (5, /9), die als unabhängig angenommen seien. Der zufällige Kolbenumfang sei U := π X und der zufällige Materialverbrauch sei M := π 4 X Y. a) Berechnen Sie den den Erwartungswert E(U) und die Varianz V (U) von U. b) Drücken Sie die Wahrscheinlichkeit P(6 U 64) mit Hilfe der Verteilungsfunktion Φ der Standardnormalverteilung N (, ) aus. c) Berechnen Sie den mittleren Materialverbrauch E(M). d) Berechnen Sie das.975-quantil von X. e) Ein Kolben muss nachbearbeitet werden, wenn X > oder wenn Y > 5.6 gilt. Berechnen Sie die Wahrscheinlichkeit, dass ein Kolben nachbearbeitet werden muss. Lösung: a) Da X N (, ), hat die Zufallsvariable U = πx nach Satz 9.7 im Skript die Verteilung 4 N (π, π ). Somit folgt 4 E(U) = π V (U) = π 4. b) Für die normalverteilte Zufallsvariable U ist die Standardisierung Ũ = U EU V (U) = U π π/ standardnormalverteilt. Deshalb gilt: = π (U π) = π U 4 P(6 U 64) = P( π 6 4 π U ) π = P( 4 π = Φ( 8 π c) Wegen der Unabhängigkeit von X und Y gilt 4 Ũ 8 π 4) 4) Φ(4 π 4). E(M) = E( π 4 X Y ) = π 4 E(X ) E(Y ). Dabei folgt aus der Gleichung V (X) = E(X ) (EX) (vgl. Satz. im Skript) und somit E(X ) = V (X) + (EX) = 4 + = 6 4 E(M) = π 4 E(X ) E(Y ) = π = π 45 6 = , 89.
11 d) Da X normalverteilt ist, ist die Standardisierung X = (X EX) = (X ) standardnormalverteilt. Wegen X = X + gilt nach Bemerkung. im Skript für das.975-quantil σ von X: t.975 (X) = t.975 ( X + ) = t.975( X) + = F X (.975) + = Φ (.975) +. Nach der Tabelle auf S.3 im Skript (bzw. Anh. A) ergibt sich t.975 (X).96 + =.98. e) Es gilt P( Kolben muss nachbearbeitet werden ) = P(X > oder Y > 5.6) wegen der Unabhängigkeit von X und Y. Da = P(X und Y 5.6) = P(X ) P(Y 5.6) P(X ) = P( X ( )) = P( X ) = Φ() und P(Y 5.6) = P(Ỹ 3(5.6 5)) = P(Ỹ.8) = Φ(.8), ergibt sich mit der Tabelle A im Skript eine Wahrscheinlichkeit von ca..58, d.h. etwa 5.8 Prozent der Kolben müssen nachbearbeitet werden.
12 Aufgabe 6 (9 Punkte) Es soll der unbekannte Parameter ϑ R für die Verteilung mit der Dichte e (log t ϑ), t >, f ϑ (t) = π t, t bestimmt werden. a) Geben Sie die zur Stichprobe x = (x,..., x n ) gehörende Loglikelihood-Funktion M x (ϑ) an. Sie dürfen dabei voraussetzen, dass x i > für i =,..., n. b) Berechnen Sie die Ableitung M x(ϑ). c) Bestimmen Sie einen Maximum-Likelihood-Schätzer ˆϑ(x) für ϑ zur Stichprobe x. d) Ist ˆϑ ein erwartungstreuer Schätzer für ϑ? Hinweis: Für eine Zufallsvariable X mit Dichte f ϑ gilt: log X N (ϑ, ). Lösung: a) Für t > ist also ist die Loglikelihoodfunktion M x (ϑ) = = = log(f ϑ (t)) = log( π t) (log t ϑ), log(f ϑ (x j )) = [ log( π x j ) ] (log x j ϑ) [ log( π x j ) ( (log xj ) log x j ϑ + ϑ )] log( π x j ) b) Für die Ableitung nach ϑ gilt somit (log x j ) + ϑ log x j nϑ M x(ϑ) = log x j n ϑ. c) Offenbar gilt M x(ϑ) = genau dann, wenn ϑ = n n log x j. Außerdem gilt { > M x(ϑ) < } { < ϑ > } ˆϑ(x) := n log x j. Daher ist ˆϑ(x) die einzige Maximumstelle von ϑ M x (ϑ) und somit ein Maximum- Likelihood-Schätzer für ϑ zur Stichprobe x.
13 d) Für die Erwartungstreue von ˆϑ(x) = ˆϑ(x,..., x n ) ist zu zeigen, dass für alle ϑ R gilt: E ϑ ˆϑ(X,..., X n ) = ϑ, wobei X,..., X n unabhängige, identisch verteilte Zufallsvariablen mit der Dichte f ϑ sind. Da X i die Dichte f ϑ hat, folgt mit dem Hinweis, dass die Zufallsvariable Y i := log X i die Verteilung N (ϑ, ) hat und somit E ϑ Y i = ϑ gilt. Damit folgt für alle ϑ R: ( ) E ϑ ˆϑ(X,..., X n ) = E ϑ log X i = E ϑ (log X i ) = ϑ = ϑ. n n n i= Also ist ˆϑ(x) ein erwartungstreuer Schätzer für ϑ. i= i= 3
14 Aufgabe 7 (9 Punkte) Eier werden entsprechend ihrer Größe in die Gewichtsklassen XL, L, M und S eingeteilt. Seien p XL, p L, p M und p S jeweils die Wahrscheinlichkeiten, dass ein Ei in die Gewichtsklasse XL, L, M bzw. S fällt. a) Von n N Eiern werde die Gewichtsklasse bestimmt. Sei dabei N L die zufällige Anzahl von Eiern der Gewichtsklasse L. Welche Verteilung hat N L? b) Analog zu a) sei N M die zufällige Anzahl an Eiern der Gewichtsklasse M. Sind N M und N L stochastisch unabhängig? c) Von n = 5 Eiern wurde die Gewichtsklasse bestimmt und man fand x L = 7 L-Eier, x M = 4 M-Eier und x S = S-Eier. Geben Sie ein zweiseitiges Konfidenzintervall zum Konfidenzniveau.95 für die Wahrscheinlichkeit p L an, dass ein Ei in die Gewichtsklasse L fällt. d) Da nur Eier der Gewichtsklassen L und M bei den Kunden beliebt sind, möchte man den Anteil der Eier dieser Gewichtsklassen schätzen. Geben Sie für die Stichprobe aus c) ein zweiseitiges Konfidenzintervall zum Konfidenzniveau.9 für die Wahrscheinlichkeit p an, dass ein Ei in eine der Gewichtsklassen L oder M fällt. Lösung: a) Es handelt sich um ein Treffer-Niete-Experiment mit n Versuchen und Trefferwahrscheinlichkeit p L. Die Zufallsvariable N L ist deshalb binomialverteilt mit den Parametern n und p L, d.h. N L Bin(n, p L ). b) Falls p L und p M beide verschieden von Null sind, dann sind N L und N M nicht stochastisch unabhängig, denn es gilt z.b. P(N L = n, N M = n) =, da N L + N M n, aber P(N L = n) P(N M = n) = p n L pn M und somit P(N L = n, N M = n) P(N L = n) P(N M = n). (Gilt p L = oder p M =, so liegt stochastische Unabhängigkeit vor.) c) Nach Voraussetzung kann das Heraussuchen der L-Eier (ähnlich wie in Beispiel 8.5 im Skript) als ein ideales Zufallsexperiment mit den zwei möglichen Ergebnissen L-Ei (Treffer) und kein L-Ei (Niete) und der (unbekannten) Trefferwahrscheinlichkeit p L angesehen werden. Nach diesem Beispiel und wegen 8.6 ist das gesuchte Konfidenzintervall [l(x), L(x)], wobei die Konfidenzgrenzen l(x) und L(x) für x = x L = 7 und n x = 5 7 = 8 und α =.95 Tabelle A.4 entnommen werden können. Es ergibt sich das Konfidenzintervall C(x) = [.3,.734]. d) Das Heraussuchen der L- und M-Eier kann (ähnlich wie in c)) als ein ideales Zufallsexperiment mit den zwei möglichen Ergebnissen L-Ei oder M-Ei (Treffer) und kein L-Ei und kein M-Ei (Niete) und der (unbekannten) Trefferwahrscheinlichkeit p = p L + p M angesehen werden. Wie in c) können die Konfidenzgrenzen l(x) und L(x) des gesuchten Konfidenzintervalls [l(x), L(x)] der Tabelle A.4 im Skript entnommen werden, wobei jetzt n = 5, x = x L + x M = =, n x = 5 = 4 und α =.9 ist. Es ergibt sich das Konfidenzintervall C(x) = [.489,.93]. 4
Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrWahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom
Institut für Stochastik WS 009/10 Karlsruher Institut für Technologie (KIT) Dr. B. Klar Klausur Wahrscheinlichkeitstheorie und Statistik für Studierende des Maschinenbaus vom 08.0.010 Musterlösungen Aufgabe
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
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
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 2007/08 UNIVERSITÄT KARLSRUHE Blatt 1 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
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,
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
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
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
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
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
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
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
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 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
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
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
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,
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
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
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
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
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
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
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
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
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
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
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
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:
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
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...........................
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,
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
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
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
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,
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 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........................
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
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
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am von 10:00 bis 11:00 Uhr
Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Stochastik am 5..201 von 10:00 bis 11:00 Uhr Bearbeiten Sie zwei der drei folgenden Aufgaben! Sätze aus der Vorlesung und den Übungen dürfen Sie ohne
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrPrüfungsklausur zur Stochastik (LMG)/ Elementare Wahrscheinlichkeitstheorie und Statistik
B. Schmalfuß Jena, den 20.02.2018 Prüfungsklausur zur Stochastik (LMG)/ Elementare Wahrscheinlichkeitstheorie und Statistik Allgemeine Hinweise: Zur Verfügung stehende Zeit: 90 min. Hilfsmittel: keine.
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
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
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
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
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.
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
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
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
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
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
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
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 +
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2012
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 202 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrStatistik I. 2. Klausur Wintersemester 2011/2012 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik I A 2. Klausur Wintersemester 2011/2012 Hamburg, 20.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer 4 Wahrscheinlichkeit und Statistik BSc D-INFK. a (iii b (ii c (iii d (i e (ii f (i g (iii h (iii i (i j (ii. a Die Anzahl der bestellten Weine in einem Monat kann
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
Mehr1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
MehrAufgabe Punkte
Institut für Mathematik Freie Universität Berlin Carsten Hartmann, Stefanie Winkelmann Musterlösung für die Nachklausur zur Vorlesung Stochastik I im WiSe 20/202 Name: Matr.-Nr.: Studiengang: Mathematik
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
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
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
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............................
MehrStatistik I. 2. Klausur Wintersemester 2011/2012 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik I A 2. Klausur Wintersemester 2011/2012 Hamburg, 20.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrScheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik
Universität Karlsruhe (TH) Institut für Stochastik Dr. Bernhard Klar Dipl.-Math. oec. Volker Baumstark Name Vorname Matr.-Nr.: Scheinklausur Stochastik für Studierende des Lehramts und der Diplom-Pädagogik
Mehr