Lösungsskizzen zur Präsenzübung 08
|
|
- Busso Egger
- vor 6 Jahren
- Abrufe
Transkript
1 Lösungsskizzen zur Präsenzübung 08 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 015/016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 016 von: Mirko Getzin Homepage: Tutor zur Vorlesung Anwendungen der Mathematik im Wintersemester 015/016. Keine Gewähr auf vollständige Richtigkeit und Präzision aller (mathematischen) Aussagen. Das Dokument hat lediglich den Anspruch, eine Hilfestellung beim Verständnis der Vorlesungsinhalte darzustellen und Lösungsideen für die Aufgaben möglichst vollständig (bis auf Ausnahmen) zu skizzieren. Eine Veröffentlichung oder Vervielfältigung ist nur nach Rücksprache mit dem Urheber dieses Dokuments erlaubt. Angehängt befindet sich das Aufgabenblatt, sowie der pdf-ausdruck von gegebenenfalls verwendeten Tabellenblättern. Die Tabellenblätter sind im ods-format auf der angegebenen Homepage zu finden. 1
2 Lösungsskizzen Lösung zur Aufgabe 1 (Diskrete Gleichverteilung bei platonischen Körpern). In dieser Aufgabe betrachten wir das Zufallsexperiment, einen platonischen Körper mit n Seiten zu rollen. Aufgrund der Geometrie platonischer Körper ist die Annahme gerechtfertigt, dass es sich hierbei um ein Laplace-Experiment handelt. Jede Seite des platonischen Körpers tritt also gleich wahrscheinlich beim Rollen auf. Wir betrachten zunächst den speziellen Fall des Tetraeders, dem platonischen Körper mit n = 4 Seiten. Zufallsexperiment: (Ω, p) mit Ergebnismenge Ω := {1,, 3, 4} und Wahrscheinlichkeitsfunktion p : Ω [0, 1], definiert als Laplace-Experiment durch p(ω) := 1 = 1 für alle ω Ω. Weiter Ω 4 sei (Ω, A, P) der Laplacesche Wahrscheinlichkeitsraum und es sei X : Ω R nun die Zufallsvariable, welche zu einem beliebigen Ergebnis die erhaltene Augenzahl liefert (X = id Ω ). Dann erhalte den Erwartungswert und die Varianz (mittels Satz von Steiner): 4 E(X) = i P(X = i) = i = 1 10 ( ) = 4 4 = 5 [ 4 ] ( ) [ ] 5 1 V(X) = E(X ) E(X) = i P(X = i) = 4 ( ) ( ) 5 = 15 1 Wir stellen fest, dass die auftretenden Erwartungswerte leicht zu berechnen sind, da die Wahrscheinlichkeiten immer gleich sind aufgrund der Laplace-Annahme. Dies lässt sich allgemein für eine beliebige diskrete, gleichverteilte Zufallsvariable X auf einem Ergebnisraum Ω = {1,,..., n} nun vereinfacht berechnen. Wir leiten deshalb in der Folge zwei Formeln für den Erwartungswert und die Varianz in Abhängigkeit von der Seitenanzahl des platonischen Körpers n her. Allgemeiner Fall: Betrachte das Zufallsexperiment (Ω, p) mit Ω := {1,,..., n} und p : Ω [0, 1], definiert durch p(ω) := 1 = 1. Weiter sei (Ω, A, P) wieder der Laplacesche Wahrscheinlichkeitsraum und X : Ω R die Zufallsvariable, die die Augenzahl des platonischen Ω n Körpers beschreibt (X = id Ω ). Wir bemerken zunächst zwei Rechentricks, welche im Rahmen der Arithmetik und Algebra per vollständiger Induktion bewiesen wurden (gute Wiederholung für mathematisch Interessierte!). Diese Tricks werden wir in der Folge verwenden:
3 n i = n i = n(n + 1) n N, n(n + 1)(n + 1) n N. 6 Dann erhalten wir per Definition des Erwartungswerts und mittels des Satzes von Steiner (unter Berücksichtigung der Rechenregeln zum Summenzeichen): n E(X) = i P(X = i) = 1 n n i = 1 n(n + 1) = n + 1 n [ n ] ( ) n + 1 V(X) = E(X ) E(X) = i P(X = i) [ ] ( ) 1 n(n + 1)(n + 1) n + 1 = n 6 = 1 1 (n 1) Wir können nun also die Aufgabe im Speziellen lösen, indem wir in die allgemeinen Formeln für n die Anzahl der Seitenflächen der jeweiligen platonischen Körper einsetzen. Platonischer Körper n E(X) = n+1 V(X) = 1 1 (n 1) 5 15 Tetraeder Hexaeder Oktaeder Dodekaeder 1 1 Ikosaeder Insbesondere erkennt man an dieser Aufgabe, dass die Streuung (Varianz) immer größer wird, je mehr Ergebnisse wir in einer Gleichverteilung zulassen. Dies deckt sich mit unserer Erkenntnis, dass der Erwartungswert in den meisten Fällen einer Gleichverteilung keinen sinnvollen Realbezug ermöglicht. Der Erwartungswert sollte im Allgemeinen also nicht als Mittelwert der Ergebnismenge umschrieben werden. 3
4 Lösung zur Aufgabe (Gemeinsame Verteilung von Zufallsvariablen). Es seien X, Y zwei Zufallsvariablen mit der gemeinsamen Verteilung: y P(X = x) x 1 0, 0,1 0,13 0,45 0,15 0,3 0,1 0,55 P(Y = y) 0,35 0,4 0,3 1 Hierbei entspricht ein Zelleneintrag also der Wahrscheinlichkeit für das gleichzeitige Eintreten von X = x und Y = y, beispielsweise P(X = 1, Y = 3) = 0, 13. Wir erhalten für Aufgabenteil a) die einzelnen Verteilungen P(X = x) und P(Y = y) durch das Bilden der Spalten- beziehungsweise Zeilensummen der Wahrscheinlichkeiten. Dies lässt sich beweisen, indem man den Satz von der totalen Wahrscheinlichkeit auf P(X = x) und auf P(Y = y) anwendet und für die auftretenden bedingten Wahrscheinlichkeiten die Definition der bedingten Wahrscheinlichkeit anwendet (über die Wahrscheinlichkeiten von Ereignisschnitten). Da kürzt sich etwas heraus, so dass nur noch die Summe über die Spalten- bzw. Zeileneinträge übrig bleibt. Dies wurde in der Präsenzübung explizit gezeigt und ist für die Klausurvorbereitung sicherlich eine gute Beweisaufgabe. Exemplarisch folgt die Rechnung im Beweis für die Zeilensummen: P(X = x) = = = P(X = x Y = y) P(Y = y) P(X = x, Y = y) P(Y = y) P(X = x, Y = y). P(Y = y) Der Beweis für die Spaltensummen bleibt den Lesenden überlassen. b) Für die Unabhängigkeit von X und Y müsste für alle x X(Ω) und für alle y Y (Ω) gelten Nun berechnen wir: P(X = x, Y = y) = P(X = x) P(Y = y). (1) P(X = 1) P(Y = 5) = 0, 45 0, 35 = 0, , = P(X = 1, Y = 5). Wir schließen aus der Ungleichung, dass X und Y nicht unabhängig sind. Es sei jedoch angemerkt, dass im Fall der Unabhängigkeit diese Identität für alle Kombinationen von x,y durchzurechnen ist. Nur wenn es für alle x, y erfüllt ist, sind X und Y auch unabhängig. 4
5 c) Wir berechnen (zumeist per Definition): E(X) = x P(X = x) = 1 0, , 55 = 1, 55 E(Y ) = x X(Ω) x P(Y = y) = ( 5) 0, , , 3 = 1, 06 E(X + Y ) = E(X) + E(Y ) = 1, 55 + ( 1, 06) = 0, 44 (Linearität) E(XY ) = xy P(XY = xy) = xy P(X = x, Y = y) xy XY (Ω) xy XY (Ω) = (1 ( 5)) 0, + ( ( 5)) 0, 15 + (1 0) 0, 1 + ( 0) 0, 3 + (1 3) 0, 13 + ( 3) 0, 1 = 1, 51 Wichtig hierbei: Da X und Y nicht unabhängig sind, gilt nicht E(XY ) = E(X) E(Y ). Wir müssen hier per Definition den Erwartungswert berechnen! In diesem Fall können wir aus der Definition sofort erhalten, dass wir über alle Realisierungen von XY, also über alle Produktkombinationen xy, summieren müssen. Die Wahrscheinlichkeiten entsprechen den Wahrscheinlichkeiten aus der gemeinsamen Verteilung von X und Y. Umkehraufgabe: Angenommen, in der Aufgabe wären die Verteilungen von X bzw. von Y gegeben. Dann kann man die gemeinsame Verteilung von X und Y angeben, so dass X und Y unabhängig sind, indem man die Definition von Unabhängigkeit in Gleichung (1) nutzt. Ist keine Information über die Abhängigkeit von X und Y gegeben, lässt sich im Allgemeinen eine beliebige gemeinsame Verteilung definieren. Die gemeinsame Wahrscheinlichkeitsverteilung von zwei Zufallsvariablen X und Y kann man also auch in einer Tabelle darstellen, wobei diesesmal die letzte Zeile und die letzte Spalte gegeben sind und die Zelleneinträge sich als Produkte der sich kreuzenden Spalten und Zeilen ergeben. 5
6 Universität Bielefeld Wintersemester 015/16 G. Elsner Präsenzübungen zur Vorlesung Anwendungen der Mathematik Blatt 8 Aufgabe 1 Berechnen Sie den Erwartungswert und die Varianz für die Zufallsvariable X, die die Augenzahl beim Werfen eines regulären (i) Tetraeders, (ii) Hexaeder (iii) Oktaeders (iv) Dodekaeders (v) Ikosaeders angibt. Augenzahl ist hier wie folgt zu verstehen: Die Seiten aller Körper sind durchnummeriert. Die geworfene Augenzahl ist die Zahl auf der Seitenfläche, auf der der Körper liegen bleibt. Hinweis: Tetraeder, Hexaeder, Oktaeder, Dodekaeder und Ikosaeder sind die fünf platonischen Körper. Die platonischen Körper (oder regulären Polyeder) sind die nach dem griechischen Philosophen Platon benannten fünf besonders regelmäßigen konvexen Polyeder (Vielflächner), die dadurch charakterisiert sind, dass ihre Seitenflächen zueinander kongruente regelmäßige Vielecke sind, von denen in jeder Ecke jeweils gleich viele zusammentreffen. Ihre Namen stammen aus dem Griechischen und beziehen sich auf die Anzahl ihrer Flächen: Tetraeder (Vierflächner aus vier Dreiecken), Hexaeder (Sechsflächner bzw. Würfel aus sechs Quadraten), Oktaeder (Achtflächner aus acht Dreiecken), Dodekaeder (Zwölfflächner aus zwölf Fünfecken) und Ikosaeder (Zwanzigflächner aus zwanzig Dreiecken). Modelle der platonischen Körper können Sie sich in den Vitrinen vor dem Dekanat in V3 ansehen. Aufgabe Durch x y , 0,1 0,13 0,15 0,3 0,1 ist die gemeinsame Verteilung der Zufallsvariablen X und Y gegeben. a) Bestimmen Sie die Wahrscheinlichkeitsverteilungen von X und von Y, indem Sie ihre Werte als letzte Spalte bzw. letzte Zeile in obiger Tabelle ergänzen. b) Untersuchen Sie, ob die Zufallsvariablen X und Y unabhängig sind oder nicht (Begründung!). c) Berechnen Sie E(X), E(Y ), E(X + Y ), E(XY ). 6
Lösungsskizzen zur Präsenzübung 04
Lösungsskizzen zur Präsenzübung 04 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 23. November 2015 von:
MehrLösungsskizzen zur Präsenzübung 07
Lösungsskizzen zur Präsenzübung 07 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 14. Dezember 2015 von:
MehrLösungsskizzen zur Präsenzübung 11
Lösungsskizzen zur Präsenzübung Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 05/06 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 06 von: Mirko
MehrLösungsskizzen zur Präsenzübung 05
Lösungsskizzen zur Präsenzübung 0 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 201/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 01. Dezember 201 von:
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
MehrStochastische Unabhängigkeit. 01. Dezember 2014
Stochastische Unabhängigkeit 0. Dezember 204 Der Begriff der Unabhängigkeit Großbritannien, im November 999. Die Anwältin Sally Clark wird wegen Mordes an ihren Kindern angeklagt. Clark geriet unter Verdacht
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
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
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
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,
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.
Mehr11: Die Euler sche Polyederformel für planare Graphen
Chr.Nelius: Graphentheorie (WS 2016/17) 38 11: Die Euler sche Polyederformel für planare Graphen (11.1) BEM: a) Ein Polyeder (auch Vielflach oder Vielflächner) ist ein geometrischer Körper, der nur von
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
Mehr2.4A. Reguläre Polyeder (Platonische Körper)
.A. Reguläre Polyeder (Platonische Körper) Wie schon in der Antike bekannt war, gibt es genau fünf konvexe reguläre Polyeder, d.h. solche, die von lauter kongruenten regelmäßigen Vielecken begrenzt sind:
MehrKörper zum Selberbauen Polydron
Körper zum Selberbauen Polydron Was versteht man unter Polydron? Polydron ist ein von Edward Harvey erfundenes intelligentes Spielzeug, mit dem man verschiedene geometrische Figuren bauen kann. Es ist
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrEulerscher Polyedersatz
Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Eulerscher Polyedersatz Beweis durch planare Graphen und Anwendung auf platonische Körper Die oben abgebildete Briefmarke wurde
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
MehrEulerscher Polyedersatz
Eigenschaften als reguläre Parkettierungen der Sphäre Seien E die der Ecken, F die der Flächen und K die der Kanten eines konvexen Polyeders, dann gilt: K E = F 2 als reguläre Parkettierungen der Sphäre
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
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
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.
MehrEulerscher Polyedersatz
Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Eulerscher Polyedersatz Beweis durch planare Graphen und Anwendung auf platonische Körper Die oben abgebildete Briefmarke wurde
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
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
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 ()
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
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,
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
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
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrSachrechnen/Größen WS 14/15-
Kapitel Daten & Wahrscheinlichkeit 3.1 Kombinatorische Grundlagen 3.2 Kombinatorik & Wahrscheinlichkeit in der Grundschule 3.3 Daten Darstellen 3.1 Kombinatorische Grundlagen Verschiedene Bereiche der
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
MehrMathematische Probleme, SS 2013 Montag $Id: convex.tex,v /10/22 15:58:28 hk Exp $
$Id: convex.tex,v 1.12 2013/10/22 15:58:28 hk Exp $ 3 Konvexgeometrie 3.1 Konvexe Polyeder Wir hatten einen konvexen Polyeder P im R n als die konvexe Hülle von endlich vielen Punkten definiert, wobei
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
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
MehrSabrina Kallus, Eva Lotte Reinartz, André Salé
Sabrina Kallus, Eva Lotte Reinartz, André Salé } Wiederholung (Zufallsvariable) } Erwartungswert Was ist das? } Erwartungswert: diskrete endliche Räume } Erwartungswert: Räume mit Dichten } Eigenschaften
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie
Zentralübung Diskrete Wahrscheinlichkeitstheorie Christian Ivicevic (christian.ivicevic@tum.de) Technische Universität München 14. Juni 2017 Agenda Disclaimer und wichtige Hinweise Übungsaufgaben Disclaimer
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
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrWahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26) Gegeben Menge Ω (Wahscheinlichkeitsraum, Menge aller möglichen Ausgänge eines Zufallsexperiments), Abbildung P : P(Ω) [0, 1] (Wahrscheinlichkeit): Jeder Teilmenge
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........................
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 ]
MehrProf. Dr. Elmar Grosse-Klönne Institut für Mathematik
Prof. Dr. Elmar Grosse-Klönne Institut für Mathematik Lineare Algebra Analytische Geometrie I* Übungsaufgaben, Blatt Musterlösungen Aufgabe. Es seien A, B, C Teilmengen einer Menge X. Zeige: i A B C =
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
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
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
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
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
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
MehrPlatonische Körper. 1 Die fünf platonischen Körper
Platonische Körper Vortrag von Annamaria Jahn Im Proseminar Lehramt am 11.1.006 Kontakt: annamaria.jahn@online.de 1 Die fünf platonischen Körper Ein platonischer Körper ist ein Polyeder mit zueinander
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)
MehrDie Platonischen Körper
Die Platonischen Körper Ablauf: 1. Die Studenten erklären den Schülern kurz, wer Platon war, wann und wo er gelebt hat und womit er sich beschäftigt hat. 2. Anschließend wird den Schülern erklärt was Platonische
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
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,...)
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
MehrKörper kennen lernen Station 1
Körper kennen lernen Station 1 Aufgabe 1.1) Der kleine Lars hat mit Bauklötzen eine Stadt nachgebaut. Welche Teile (geometrische Körper) hat er dabei verwendet? Fertigt eine Liste an. Aufgabe 1.2) Viele
MehrÜber die regelmäßigen Platonischen Körper
Hermann König, Mathematisches Seminar Studieninformationstage an der Universität Kiel Über die regelmäßigen Platonischen Körper Winkelsumme im n-eck Zerlegung eines ebenen n-ecks in (n-2) Dreiecke, oben
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
Mehr16. Platonische Körper kombinatorisch
16. Platonische Körper kombinatorisch Ein Würfel zeigt uns, daß es Polyeder gibt, wo in jeder Ecke gleich viele Kanten zusammenlaufen, und jede Fläche von gleich vielen Kanten berandet wird. Das Tetraeder
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrReguläre Polyeder. im Wissenschaftssommer Leipzig, 1. Juli
Reguläre Polyeder Vortrag von Dr. Hans-Gert Gräbe, apl. Professor für Informatik, Univ. Leipzig, und Leipziger Schülergesellschaft für Mathematik (LSGM) e.v. im Wissenschaftssommer Leipzig, 1. Juli 2008
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrDiskrete Mathematik 1
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof Dr Alexander May M Ritzenhofen, M Mansour Al Sawadi, A Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik WS 008/09 Blatt 4 /
MehrAufgaben für das Fach Mathematik
Niedersächsisches Kultusministerium Referat / Logistikstelle für zentrale Arbeiten November 06 Aufgaben für das Fach Mathematik Eingesetzte Abituraufgaben aus dem länderübergreifenden Abituraufgabenpool
Mehr15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!
15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................
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
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
MehrBeispielaufgaben rund um Taylor
Beispielaufgaben rund um Taylor Mirko Getzin Universität Bielefeld Fakultät für Mathematik 19. Februar 014 Keine Gewähr auf vollständige Richtigkeit und perfekter Präzision aller (mathematischen) Aussagen.
MehrKlausur zur Statistik
Klausur zur Statistik. Hinweis: Es können 94 Punkte erreicht werden. Zum Bestehen reichen 4 Punkte sicher aus.. Hinweis: Achten Sie darauf das Ihre Rechnungen nachvollziehbar sind und geben Sie alle Schritte
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
MehrDie Funktion f X;Y (x; y) := Pr[X = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen X und Y. Aus der gemeinsamen Dichte f X;Y kann man ableiten
Die Funktion f ;Y (x; y) := Pr[ = x; Y = y] heit gemeinsame Dichte der Zufallsvariablen und Y. Aus der gemeinsamen Dichte f ;Y kann man ableiten f (x) = y2w Y f ;Y (x; y) bzw. f Y (y) = Die Funktionen
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 3
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Einführung in die Wahrscheinlichkeitstheorie svorschläge zu Übungsblatt
MehrDarstellung dreidimensionaler Figuren in der Ebene. Schrägbild
Mathematik Bl Darstellung dreidimensionaler Figuren in der Ebene Schrägbild Das Bild bei einer schrägen Parallelprojektion heisst Schrägbild und wird durch folgende Merkmale bestimmt: - Zur Zeichenebene
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
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrEs wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =
Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrPolyeder, Konvexität, Platonische und archimedische Körper
Unter einem Polyeder verstehen wir einen zusammenhängenden Teil des dreidimensionalen Raumes der durch Polygone begrenzt wird. Seine Oberfläche besteht also aus Punkten (Ecken genannt), Strecken (Kanten
MehrGRUPPENTHEORIE AUFGABEN ZUR PRÜFUNGSVORBEREITUNG II
Universität Bielefeld WS 2012/13 GRUPPENTHEORIE AUFGABEN ZUR PRÜFUNGSVORBEREITUNG II DR. PHILIPP LAMPE Rat sucht man deshalb, weil man die einzige Lösung kennt, aber nichts davon wissen will. Erica Jong
MehrKapitel 5. Kapitel 5 Wahrscheinlichkeit
Wahrscheinlichkeit Inhalt 5.1 5.1 Grundbegriffe Ω, Ω, X, X,...... 5.2 5.2 Wahrscheinlichkeitsräume (Ω, (Ω, P) P) 5.3 5.3 Das Das Laplace-Modell P(A) P(A) = A / Ω 5.4 5.4 Erwartungswert E(X) E(X) Literatur:
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
MehrHauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
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
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 2013/ Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie svorschläge zu
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
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,
MehrK3 (Diskrete) Zufallsvariablen 3.1 Basis
K3 (Diskrete) Zufallsvariablen 3.1 Basis Ω = {ω}, X(ω) ist eine Größe die durch ω bestimmt ist. Bei der zufälligen Auswahl von ω bekommen wir den Wert, X(ω). Definition: Ist (Ω, F, P) ein Wahrscheinlichkeitsraum
Mehr