Ü b u n g s b l a t t 13
|
|
- Leopold Kästner
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben sind schriftlich abzugeben im Zettelkasten Nr. 5 auf dem D bis Mittwoch, , :00 Uhr. Lösungen von -Aufgaben sind per Web-Formular unter ( Lehre SS 07 Übungen abzuliefern bis spätestens Mittwoch, , 3 59 Uhr. Aufgabe 70: (Unabhängigkeit von Zufallsvariablen Aus der untenstehenden Urne wird ein Objekt gezogen. Sei X die Zahl auf dem Objekt, sei Y die Anzahl der Ecken. Bestimme E(X, σ(y und E(XY. Sind X und Y unabhängig? Die Verteilung von X bzw. Y ist gegeben durch P (X 0 5, P (X 5, P (X 5, P (Y 3 3 5, P (Y Die gemeinsame Verteilung von X und Y ist gegeben durch P (X 0 und Y 3 5, P (X und Y 3 5, P (X und Y 3 5, P (X 0 und Y 4 0, P (X und Y 4 5, P (X und Y 4 5. Die Verteilung der Produktvariable XY ist gegeben durch P (XY 0 P (X 0 und Y 3 + P (X 0 und Y 4 5, P (XY 3 P (X und Y 3 5, P (XY 4 P (X und Y 4 5, P (XY 6 P (X und Y 3 5, P (XY 8 P (X und Y 4 5.
2 Hiermit lässt sich alles berechnen, z.b.: E(X , E(Y , E(Y , σ (Y E(Y E(Y 59 5 ( Der Erwartungswert der Produktvariable XY kann auf mehrere Arten berechnet werden: E(XY i,j i j P (X i und Y j Alternative Rechnung: E(XY k Die Variablen X und Y sind abhängig, z.b. gilt k P (XY k P (X 0 und Y 3 5 P (X 0 P (Y Aufgabe 7: (Erwartungswerte, Unabhängigkeit Es seien X,..., X n unabhängige Zufallsvariable mit dem gemeinsamen Erwartungswert µ E(X i und der gemeinsamen Streuung σ σ(x i. Setze X n n i X i und V n n i (X i X. Zeige: E( X µ, E(V σ. Der Erwartungswert des Mittelwerts X ist offensichtlich der gemeinsame Erwartungswert: Für die Abweichungsquadratsumme V gilt: E( X i n E(X i i n µ µ. (n V i (X i X i (X i X X i + X ( ( ( i X i i i X X + n X i X i n X X + n X ( i X i n X. Für den Erwartungswert folgt hieraus ( E i (X i X ( i E(X i n E( X
3 und mit ergibt sich ( E i (X i X E(X i E(X i E(X i + E(X i σ + µ ( i (σ + µ n E( X n σ + n µ n E( X. (# Für den letzten Term berechnet man: n E( X (( n E i X i (( n E i i( X j X j n E(X i X j. i,j Für i j gilt wegen der Unabhängigkeit E(X i X j E(X i E(X j µ, während E(X i σ + µ für die Summanden mit i j gilt. Es folgt n E( X n n i E(X i + n E(X i X j i,j i j i (σ + µ + n σ + µ + n (n n i,j i j µ µ σ + n µ. Aus (# ergibt sich ( (n E(V E i (X i X n σ + n µ n E( X (n σ. Aufgabe 7: (Unabhängige Poisson-Variablen Zeige, dass die Summe von zwei unabhängigen Poisson-verteilten Zufallsvariablen wieder Poisson-verteilt ist. Seien X, X die Zufallsvariablen: e P (X k λk λ e, P (X k λk λ, k, k 0,,,.... k! k! Die Summenvariable Y X + X nimmt offensichtlich wieder Werte k {0,,,..., } an: P (Y k P (X + X k k 0 k 0 }{{} k +k k k P (X k und X k k. k 0 P (X k und X k. Wegen der Unabhängigkeit von X und X faktorisiert die gemeinsame Verteilung: P (X k und X k k P (X k P (X k k
4 Es folgt λk λ(k k λ k k! (k k! e λ λ e λ λ P (X + X k λ k e λ λ k k λ k e λ λ k k 0 ( λ λ ( λ λ ( λ λ k k! (k k!. k k! (k k! k k! (k k!. Es gilt, die verbleibende Summe zu vereinfachen. Wir erweitern zunächst mit k!: P (X + X k λ k e λ λ k! λ k e λ λ k! k k 0 ( λ λ k ( ( k k λ. k 0 k λ k k! k! (k k! Die verbleibende Summe lässt sich nach Binomi (a + b k k i0 ( k i a i b k i vereinfachen: ( k P (X + X k λ k λ e λ λ + λ k (λ e λ λ + λ k k! λ k! λ k (λ + λ k e (λ+λ. k! Dies ist wieder eine Poisson-Verteilung zum Parameter λ + λ. Anmerkung: Der λ-parameter der Poisson-Verteilung ist der Erwartungswert. Wegen E(X +X E(X + E(X war es von vornherein klar, dass der Poisson-Parameter der Summe die Summe der Poisson-Parameter sein muss (sobald man weiß, dass die Summe Poisson-verteilt ist. Aufgabe 73: (Faltung, Normalverteilung Es seien X und Y unabhängige kontinuierliche Zufallsvariablen mit den Dichten ρ X und ρ Y. a Zeige, dass die Dichtefunktion ρ X +X der Variablen X + X durch die Faltung ρ X +X (y gegeben ist. Verwende hierzu (ohne Beweis: P (X + X r ρ X (x ρ X (x y dx x +x r ρ X (x ρ X (x dx dx. b Zeige, dass die Summe zweier unabhängiger normalverteilter Zufallsvariablen wieder normalverteilt ist. (Vorsicht: Rechnerei!
5 a Wegen der vorausgesetzten Unabhängigkeit der Variablen ist die gemeinsame Verteilungsfunktion F X,X (r, r P (X r, X r ρ X (x ρ X (x dx dx. x r,x r Mit ergibt sich: P ((X, X E P (X + X r E x +x r ρ X (x ρ X (x dx dx ρ X (x ρ X (x dx dx. Mit der Variablentransformation (x, x (y, y mit y x, y x + x folgt (die Jakobi- Determinante ist : P (X + X r ρ X (y ρ X (y y dy dy mit b Mit y r ergibt sich aus a die Dichte ρ(y y R x +x r ρ X (y ρ X (y y dy dy ρ(y ρ Xi (x ρ X (x ρ X (y x dx y r ρ X (y ρ X (y y dy. e (x µ i σ i, i, σ i π ρ(y dy (x µ e σ (y x µ e σ dx σ σ π der Summenvariable X + X. Mit ewas Mühsal stell man fest, dass die Identität (x µ σ gilt, mit der ρ(y (y x µ σ (y µ µ (σ + σ ( (σ + σ x σ y + µ σ µ σ σ σ (σ + σ (y µ µ σ σ π e (σ + σ ( (σ + σ x σ y + µ σ µ σ e σ σ (σ + σ dx folgt. Das verbleibende Integral liefert mit der Substitution den Wert ξ (σ + σ x σ y + µ σ µ σ σ σ σ + σ ( (σ + σ x σ y + µ σ µ σ e σ σ (σ + σ σ σ dx e ξ dξ. σ + σ }{{} π
6 Damit ergibt sich ρ(y (y µ µ σ + σ π e (σ + σ. Dies ist wieder die Dichte einer Normalverteilung, dessen Parameter durch E(X + X µ + µ, Var(X + X σ + σ gegeben sind (bekannterweise addieren sich bei Summen von unabhängigen Variablen die Erwartungswerte und die Varianzen. Aufgabe 74**: (Normalverteilung. 0 Punkte Dies ist eine Online-Aufgabe, die bis zum , 3 59 Uhr, abzuliefern ist. In einer Anlage wird Milch in -Liter Flaschen abgefüllt. Die Abfüllmenge X variiert dabei etwas: Sie sei normalverteilt mit dem Erwartungswert.0 (Liter und der Standardabweichung 0.0. Die Flaschengöße variiert unabhängig davon ebenfalls gemäß einer Normalverteilung: Der Erwartungswert ist.06 (Liter, die Standabweichung ist 0.0. (Erwartungswerte und Standardabweichungen werden vom Aufgabenserver zufällig variiert. Mit welcher Wahrscheinlichkeit läuft eine Flasche beim Befüllen über? Anleitung: Betrachte die Variable Flaschengröße minus Einfüllmenge. Diese ist nach Aufgabe 73.b normalverteilt. Die Musterlösung gibt s demnächst. Sei X die Flaschengröße, sei X die Einfüllmenge. Die Variable Y X X ist wiederum normalverteilt mit dem Erwartungswert und der Varianz µ E(Y E(X E(X σ Var(Y Var(X + Var( X Var(X + Var(X , also σ Es geht um die Wahrscheinlichkeit, dass Y < 0 gilt (dann läuft die Flasche über. Mit der Substitution y (x µ/σ: P (Y 0 σ π 0 e y dy π }{{} / wobei eine Wertetabelle für 0 e (x µ σ dx µ/σ π µ/σ π Φ(r π r e y µ/σ } {{ } Φ(µ/σ r e y / dy e y dy dy ( µ Φ, σ
7 auf Seite 8 des Skripts angegeben ist. Mit findet man aus der Tabelle: P (Y 0 Alternativ (und einfacher mit MuPAD: µ σ / Φ( >> stats::normalcdf( , 0.0^ + 0.0^( Aufgabe 75: (Bedingte Erwartungswerte Mein Lotto system besteht darin, dass ich mir ein zufälliges k {,..., 49} vorgebe und dann in Zukunft jede Woche k (unabhängige Lottotips abgebe. Nach wievielen Wochen darf ich das erste Mal mit 6 Richtigen rechnen? (Vergleiche das Ergebnis mit dem Ergebnis von Aufgabe 5 auf Blatt 9. Der Stichprobenraum wird in das Ursachensystem U k (k,..., 49 zerlegt: Ω 49 k U k. Nachdem U k ich habe k gewählt festgelegt ist, folgt eine Wiederholung des Bernoulli-Experiments Lottospiel mit k Tips mit der Erfolgswahrscheinlichkeit P ( mindestens einmal 6 Richtige bei k Tips wobei P ( keine 6 Richtige bei k Tips q k ( p k, q P ( keine 6 Richtige bei einem Tip p, p P ( 6 Richtige bei einem Tip / ( Nach Aufgabe 47.a ist der Erwartungswert der Anzahl X der Spiele bis zum ersten Erfolg: E(X U k Erfolgswahrscheinlichkeit k ( p k. Wähle ich heute ein beliebiges k {,..., 49}, so ergibt sich nach Satz.59 der Vorlesung Der numerische Wert ist E(X 49 k E(X U k P (U k k ( p k. E(X (Versuche. Vergleich: der Erwartungswert für die Anzahl der Versuche des Lotto systems aus Aufgabe 5 (mit ständig wechselndem k war: ( (Versuche. 5 6
8 Aufgabe 76: (Bedingte Wahrscheinlichkeiten und Erwartungswerte, der Satz von Bayes, Chebyshev, Normalverteilung und all das... Bei einem neuen Automodell stellt der Hersteller fest, dass 0% aller bis jetzt eingebauten Kurbelwellen mit Materialfehlern behaftet sind. Die Konstruktion der Kurbelwellen ist auf eine mittlere Laufleistung von km ausgelegt mit einer Streuung von km, die fehlerhaften Wellen halten in der Regel nur km mit einer Streuung von km. a Mit welcher Wahrscheinlichkeit wird ein von mir gekauftes Auto dieses Modells die ersten km überstehen? b Nach etwa km bleibt mein Wagen mit defekter Kurbelwelle liegen. Sollte ich gerechterweise erwarten, dass der Schaden auf Kulanz behoben wird? Anmerkungen: a kann ohne Zusatzannahmen per Formel der totalen W keit und Chebyshev abgeschätzt werden. Für b braucht man Zusatzannahmen, z.b., die Verteilung für die Lebensdauer der Kurbelwellen: wähle eine Normalverteilung. Schätze das Verhältnis der Wahrscheinlichkeiten für eine gute/schlechte Kurbelwelle bei dem vorgegebenen Ereignis, dass die Kurbelwelle in einem kleinen Intervall um die Laufleistung km ihren Dienst einstellt. Sei X die Laufleistung (in km über einem unbekannten Stichprobenraum, der sich zerlegt in Ω Ω + Ω (Ω ± gute/schlechte Kurbelwelle. Gegeben sind die bedingten Erwartungswerte/Streuungen: µ + E(X , σ + σ(x , µ E(X 0 000, σ σ(x a Mit der Formel der totalen Wahrscheinlichkeit gilt: P (X P (X P (+ + P (X P ( Nach Chebyshev gilt die Abschätzung: 0.9 P (X P (X (# P (X P (X µ P ( X µ P ( X µ σ (X Für die andere bedingte Wahrscheinlichkeit erhält man per Chebyshev keine sinnvolle Abschätzung nach unten, wir können höchstens folgern, dass dieser Wert nicht allzu groß ist: P (X P (X µ P (X µ oder X µ P ( X µ σ (X (
9 Damit können wir in (# getrost den zweiten Term vernachlässigen: P (X P (X Setzt man für die Kurbelwellen jeweils eine N(µ ±, σ±-verteilung voraus, so ergeben sich konkretere Werte: P (X ± e (x µ± σ ± dx. σ ± π Die Substitution y (x µ ± /σ ± liefert: also und damit P (X ± π µ ± σ ± e y / dx ( ( µ± ( sign Φ µ ± σ ± P (X Φ( P (X Φ(3 σ ± 0.977, , P (X b Das Ereignis A Kurbelwellendefekt bei genau km hat für eine kontinuierliche Variable die Wahrscheinlichkeit 0, man sollte also nach der Wahrscheinlichkeit für das Ereignis A Defekt bei einer Laufleistung im Bereich von ɛ bis ɛ (mit kleinem ɛ fragen. Nach Bayes gilt P (± A P (A ± P (± P (A Die Kulanzfrage sollte man danach messen, mit welcher Wahrscheinlichkeit man sagen kann, ob der Defekt auf den Werksfehler zurückgeht. Die Frage ist also P ( A > P (+ A? Mit Bayes folgt P (+ A P ( A P (A + P (+ P (A P (. P (A P (A 0.. Um die benötigten P (A ± berechnen zu können, nehmen wir an (da wir nichts Besseres wissen, dass die Lebensdauer der Kurbelwellen N(µ ±, σ ±-verteilt ist. Für sehr kleines ɛ ergibt sich P (A ± σ ± π Im Quotienten fällt ɛ heraus: ɛ ɛ e (x µ± σ ± dx ɛ e ( µ ± σ ±. σ ± π P (+ A P ( A 9 P (A + P (A 9 σ σ + ( µ + σ e + e ( µ σ 9 5 e.9. e 9/ Die Wahrscheinlichkeit, dass es sich um einen üblichen Kurbelwellenschaden handelt, ist damit wesentlich größer als die Wahrscheinlichkeit, dass in meinen Wagen eine schlechte Kurbelwelle eingebaut worden war.
Ü b u n g s b l a t t 12
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 5. 6. 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrÜ b u n g s b l a t t 11
Einführung in die Stochastik Sommersemester 07 Dr Walter Oevel 8 007 Ü b u n g s b l a t t Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden Lösungen von -Aufgaben sind
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
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 ]
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
MehrDer Erwartungswert E[g(X)] von g(x) ist definiert. g(x k )w(x = x k ),
2.5 Parameter einer Verteilung 2.5. Erwartungswert X eine Zufallsvariable, g : R R stetig. Der Erwartungswert E[g(X)] von g(x) ist definiert durch: E[g(X)] := k g(x k )w(x = x k ), falls X diskret ist
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
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
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
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
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
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrZuverlässigkeitstheorie
3. Grundbegriffe der Wahrscheinlichkeitsrechnung Prof. Jochen Seitz Fachgebiet Kommunikationsnetze 20. November 2008 Übersicht Gesetz der großen Zahlen von Bernoulli 1 Gesetz der großen Zahlen von Bernoulli
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
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
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
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
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
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
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
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.
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........................
MehrZweitklausur. b p b. q a. c 1. p a
Elementare Stochastik SoSe 27 Zweitklausur Lösungen. Berechnen Sie für die angegebenen Übergangswahrscheinlichkeiten (mit p a,p b >, q a := p a, q b := p b ) die erwartete Anzahl von Schritten bis zum
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
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)
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
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
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
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
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis Vorbemerkungen 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 6 Bedingte
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
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
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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
MehrGrundlagen der Mathematik II (LVA U)
Dr. Marcel Dettling 21.05.2010 Dr. Daniel Haase FS 2010 daniel.haase@math.ethz.ch Grundlagen der Mathematik II (LVA 401-0622-00 U 11 Zur Übungsstunde vom 21.05.2010 Aufgabe 31 (Rechnen mit der Normalverteilung
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
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
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
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.
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
MehrWiederholungsklausur DWT
LÖSUNG Wiederholungsklausur DWT Sommersemester 2008 Hinweis: Alle Antworten sind zu begründen. Insbesondere sollte bei nicht-trivialen Umformungen kurz angegeben werden, weshalb diese Umformungen erlaubt
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrTechnische Universität Berlin
Technische Universität Berlin Fakultät II Institut für Mathematik SS 06 Prof. Dr. J-D Deuschel 0. Juli 006 Juli Klausur Stochastik für Informatiker Name:... Vorname:... Matr. Nr.:... Studiengang:... Als
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
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
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
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)
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
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
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
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
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
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
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
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrKapitel 10 VERTEILUNGEN
Kapitel 10 VERTEILUNGEN Fassung vom 18. Januar 2001 130 VERTEILUNGEN Zufallsvariable. 10.1 10.1 Zufallsvariable. HäuÞg wird statt des Ergebnisses ω Ω eines Zufalls-Experiments eine zugeordnete Zahl X(ω)
MehrDiskrete Zufallsvariable
Diskrete Zufallsvariablen Slide 1 Diskrete Zufallsvariable Wir gehen von einem diskreten W.-raum Ω aus. Eine Abbildung X : Ω Ê heißt diskrete (numerische) Zufallsvariable oder kurz ZV. Der Wertebereich
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
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
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrWahrscheinlichkeitstheorie. Alea iacta est!
Wahrscheinlichkeitstheorie Alea iacta est! "Wissenschaftliche Theorien, die auf Eigenschaften einer großen Zahl von Individuen rekurrieren, [...] werden anfällig gegen Fehlinterpretationen, wenn man die
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
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
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
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
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
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
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
MehrZufallsvariable: Verteilungen & Kennzahlen
Mathematik II für Biologen 12. Juni 2015 Zufallsvariable Kennzahlen: Erwartungswert Kennzahlen: Varianz Kennzahlen: Erwartungstreue Verteilungsfunktion Beispiel: Exponentialverteilung Kennzahlen: Erwartungswert
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) Literatur Kapitel 7 n heisst für uns n gross * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrÜ b u n g s b l a t t 4
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 30. 4. 2007 Ü b u n g s b l a t t 4 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
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
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
Mehr