Klausur zur Vorlesung,,Algorithmische Mathematik II

Ähnliche Dokumente
2. Klausur zu,,algorithmische Mathematik II

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie

Klausur,,Einführung in die W theorie

Klausur,,Algorithmische Mathematik II

KAPITEL 5. Erwartungswert

Woche 2: Zufallsvariablen

Stochastik Wiederholung von Teil 1

Klausur,,Algorithmische Mathematik II

Klausur: Diskrete Strukturen I

Klausur: Diskrete Strukturen I

Probeklausur Statistik II

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

STOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück

Unabhängigkeit KAPITEL 4

Institut für Stochastik, SoSe K L A U S U R , 8:00-11:00. Aufgabe Punkte erreichte Punkte Korrektur

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Woche 2: Zufallsvariablen

Mathematik 2 für Bauingenieure

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

TU DORTMUND Sommersemester 2018

Klausur: Diskrete Strukturen I

2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung

16.3 Rekurrente und transiente Zustände

4 Diskrete Wahrscheinlichkeitsverteilungen

Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,

Diskrete Wahrscheinlichkeitstheorie - Probeklausur

Diskrete Strukturen I

Wiederholungsklausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik

Klausur Stochastik und Statistik 31. Juli 2012

Wichtige Definitionen und Aussagen

13 Grenzwertsätze Das Gesetz der großen Zahlen

2 Zufallsvariable und Verteilungsfunktionen

Beispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal

Einführung in die Wahrscheinlichkeitsrechnung

Satz 16 (Multiplikationssatz)

Mathematik für Betriebswirte I (Lineare Algebra) 1. Klausur Wintersemester 2013/

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik

Nachklausur am Donnerstag, den 7. August 2008

Stochastik I. Vorlesungsmitschrift

Name Vorname Fachrichtg. Matrikelnr. Punkte Klausur Aufgabe max. Punkte Punkte. Bitte beachten!

I Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...

Mustererkennung: Wahrscheinlichkeitstheorie. D. Schlesinger () ME: Wahrscheinlichkeitstheorie 1 / 10

Lineare Algebra und Numerische Mathematik D-BAUG Sommer 2014 Prof. R. Hiptmair. Name a a Note Vorname Studiengang Leginummer Datum

Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2

Wahrscheinlichkeit (Teschl/Teschl 2, Kap. 26)

0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5

Diskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier

Institut für Stochastik, SoSe K L A U S U R , 13:

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 1

Einführung in die Stochastik 6. Übungsblatt

Wiederholungsklausur zur Linearen Algebra I

Mathematik 2 Probeprüfung 1

Prüfungsvorbereitungskurs Höhere Mathematik 3

Biostatistik, Winter 2011/12

Klausur zur Vorlesung Lineare Algebra I

Mathematik für Betriebswirte I (Lineare Algebra) 2. Klausur Wintersemester 2016/

Prüfungsvorbereitungskurs Höhere Mathematik 3

Einführung in die Theorie der Markov-Ketten. Jens Schomaker

Vorname: Nachname: Matrikel-Nr.: Klausur Statistik

Kapitel 5 Stochastische Unabhängigkeit

Statistik II für Wirtschaftswissenschaftler

Fit for Abi & Study Stochastik

Prof. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2017

Name: SS Universität Kassel Prof. Dr. Hadrian Heil

Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende

Lineare Algebra und Numerische Mathematik für D-BAUG. Winter 2016 Typ B

Stochastik Aufgaben zum Üben: Teil 2

Aufgabe Punkte

8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.

Grundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt

Einführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer

Lösungshinweise zur Klausur. Mathematik für Informatiker III. (Dr. Frank Hoffmann) 18. Februar 2008

3.3 Bedingte Wahrscheinlichkeit

3 Bedingte Wahrscheinlichkeit, Unabhängigkeit

Statistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt

Wahrscheinlichkeitstheorie und Statistik

Randomisierte Algorithmen

Statistik Klausur Wintersemester 2013/2014 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!

3. Kombinatorik und Wahrscheinlichkeit

Motivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik

Probeprüfung Lineare Algebra I/II für D-MAVT

Studienbegleitende Prüfung Stochastik 2

Kapitel N. Wahrscheinlichkeitsrechnung

Übungen zur Wahrscheinlichkeitstheorie und Statistik

Wahrscheinlichkeitsrechnung und Statistik

Scheinklausur zur Vorlesung Stochastik II

Klausur zur Mathematik I (Modul: Lineare Algebra I) : Lösungshinweise

Scheinklausur Stochastik 1 für Studierende des Lehramts und der Diplom-Pädagogik

bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR

Höhere Mathematik I. Variante A

Vordiplomsklausur zur Linearen Algebra I

Pr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P.

Grundlagen der Wahrscheinlichkeitstheorie

Varianz und Kovarianz

Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13

Die 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

Lineare Algebra und Numerische Mathematik für D-BAUG

STATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik

Mathematik für Naturwissenschaften, Teil 2

Zufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s

Transkript:

Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese Felder in Druckschrift ausfüllen Name: Vorname: Matrikelnr.: Wichtige Hinweise: Taschenrechner, Handys u.ä. sind nicht zugelassen Dieses Deckblatt ist vollständig ausgefüllt zusammen mit den Lösungen abzugeben. Jedes abgegebene Blatt ist zudem mit Namen und Matrikelnummer zu versehen. Bitte beachten Sie, dass nur Punkte auch im Falle von Rechenfehlern vergeben werden können, wenn aus Ihren Kommentaren zu den Rechnungen der Lösungsweg klar erkennbar sein sollte. Bitte den Studentenausweis und einen amtlichen Lichtbildausweis bereithalten. Bearbeitungszeit 120 Minuten. Viel Erfolg! Diese Felder NICHT ausfüllen: Aufgabe 1 2 3 4 5 6 Tot./60 Note Punkte 1

1. Würfelspiel [3+3+4 Pkt] Beim Würfelspiel 2 und 12 werden zwei Würfel gleichzeitig geworfen. Die Bank zahlt dem Spieler das Zehnfache der Augensumme in Cent aus, wenn diese 2 oder 12 ist. Bei der Augensumme 3 oder 11 erhält der Spieler das Fünffache in Cent und dei der Augensumme 4 oder 10 das Doppelte in Cent. Bei den Augensummen 5 bis 9 wird soviel in Cent ausbezahlt, wie die Augensumme angibt. a Beschreiben Sie dieses Modell durch einen geeigneten Wahrscheinlichkeitsraum. b Geben Sie die Wahrscheinlichkeitsverteilung der Zufallsvariablen X = Auszahlung der Bank an. c Welchen Einsatz muss die Bank mindestens verlangen, damit sie längerfristig keinen Verlust macht? Lösung a Ω = {1,..., 6} 2 ; F = P(Ω. Das Wahrscheinlichkeitsmaß P ist die Gleichverteilung auf Ω: P({ω} = 1 für ω Ω. 36 b Durch das bestimmen der Anzahl von Elementen ω Ω, die zu einer bestimmten Augensumme führen erhält man: k 5 6 7 8 9 15 20 55 120 4 5 6 5 P(X = k + 3 4 2 1 + 3 36 36 36 36 36 36 36 36 36 Für alle anderen Werte von k R gilt P(X = k = 0. c Damit die Bank längerfristig keinen Verlust macht, muss sie mindestens den Erwartungswert der Auszahlung verlangen. Diesen berechnet man wie folgt, da nach obiger Überlegung P(X = k = 0 für k R \ N E[X] = k N kp(x = k 2 36 1 36 = 1 (20 + 30 + 42 + 64 + 36 + 30 + 80 + 110 + 120 36 = 532 28 = 14 + 36 36 = 14 + 7 9. Die Bank muss, da Cents die kleinste Einheit sind, mindestens 15 cent verlangen. 2

3

2. Bedingte Erwartungswerte [3+3+4 Pkt] a Wir betrachten den Wahrscheinlichkeitsraum (Ω, F, P, wobei Ω eine endliche Menge ist. Es seien A, B F zwei Ereignisse. Definieren Sie die bedingte Wahrscheinlichkeit von A gegeben B. b {X i, i 1} sei eine Folge von unabhängigen, identisch verteilten Zufallsvariablen auf (Ω, F, P mit Erwartungswert µ. Zudem sei N eine Zufallsvariable mit Werten in N, welche unabhängig von {X i, i 1} ist und einen endlichen Erwartungswert besitzt. [ N ] i Berechnen Sie für n N den bedingten Erwartungswert E X i N = n. Erinnerung: Der bedingte Erwartungswert ist der Erwartungswert bezüglich des bedingten Wahrscheinlichkeitsmaßes. ii Beweisen Sie, dass [ N ] E X i = µe[n]. Lösung a Sei P(B > 0. Dann heisst P(A B P(A B P(B die bedingte Wahrscheinlichkeit von A gegeben B. b i Da Ω eine endliche Menge ist und N Werte in N annmmt, kann N X i nur abzählbar viele Werte annehmen. Bezeichne die Menge der möglichen Werte mit S R. Nach der Definition des Erwarungswertes haben wir (falls die rechte Seite endlich ist, was wir automatisch zeigen 4

[ N ] E X i N = n = ( N ωp X i = ω N = n ω R = P ω ω S = ω S = ω S = ω S ωp ( N X i = ω, N = n P(N = n ω P ( n X i = ω, N = n P(N = n ω P ( n X i = ω P (N = n P(N = n ( [ ] = E X i = ne[x 1 ] = nµ, X i = ω wobei wir zunächst die Definition der bedingten Wahrscheinlichkeit verwendet haben und anschließend die Unabhängigkeit der {X i, i 1} und N. ii Wir haben [ N ] E X i = ( N ωp X i = ω ω S = ω S ω = ( N P X i = ω N = n P (N = n n=1 ( ( N ωp X i = ω N = n P (N = n ω S = [ N ] E X i N = n P (N = n, n N wobei hier zunächst die Definition des Erwartungswertes und dann das Gesetz der Totalen Wahrscheinlichkeit verwenbdet wurde. Die Summen dürfen wir vertauschen da nur abzählbar viele der Summanden ungleich null sind (Ω ist eine endliche Menge. Nun erhalten wir mit Teil i,dass [ N ] E X i N = n P (N = n = nµp (N = n n N n N = µ n N P (N = n = µe[n]. 5

3. Experiment [2+8 Pkt] Ein Experiment werde durch eine Markovkette mit zwei Zuständen r und s, und der Übergangsmatrix ( 1/2 1/2 P = q 1 q mit dem unbekannten Parameter 0 q 1 beschrieben. a Zeichnen Sie den zur Markovkette gehörigen Graphen. b Das Experiment wird viele Male für jeweils lange Zeit ausgeführt, und man beobachtet, dass der Ausgang in 40 % der Fälle durch den Zustand r, und in den restlichen 60 % der Fälle durch s beschrieben wird. Bestimmen Sie den Parameter q und begründen Sie ihr Vorgehen. Lösung a r 1/2 q s 1 q 1/2 b Wir bestimmen zunächst Gleichgewichte der Kette. µ ist Gleichgewicht genau dann wenn: sowie µ(r + µ(s = 1. Daraus folgt µ(r = 1 µ(r + q µ(s, 2 µ(s = (1 q µ(s + 1 2 µ(r, µ(r = 2q 1 + 2q, µ(s = 1 1 + 2q, die Kette besitzt also ein eindeutiges Gleichgewicht. Nach Ausführen des Experiments für lange Zeit erwartet man ein Ergebnis verteilt nach µ nach dem Konvergenzsatz für Markovketten/Ergodensatz für die Frequenzen. Nach dem Gesetz der großen Zahlen/Ergodensatz sollte daher bei vielmaliger Wiederholung gelten: #Ausgänge r #Versuche µ(r, #Ausgänge s #Versuche Damit folgt µ(r = (1 + 2q 1 0.6 und wir folgern q = 1/3. µ(s. 6

7

4. Operatornorm [3+3+4 Pkt] a Definieren Sie zu einer Norm x x auf dem R n die Operatornorm A A für A R n,n. i,j=1 a ij 2 keine Opera- b Zeigen Sie: Für n > 1 ist die Frobenius-Norm A F = tornorm. Hinweis: Betrachten Sie die Identitätsmatrix 1 R n,n. n c Zeigen Sie, dass für eine Matrix A R n,n die zugehörige Operatornorm zur Norm x 1 = n x i gegeben ist durch A 1 = max 1 j n n a ij. Lösung (a A = sup x 0 Ax x = sup x =1 Ax. (b Es gilt immer 1 = sup x =1 1x = sup x =1 x = 1, jedoch 1 F = n. (c Sei x R n mit x 1 = 1, d.h. n j=1 x j = 1. Ax 1 = j=1 a ij x j j=1 x j max k a ij x j = j=1 a ik = max k a ik x j a ij j=1 Sei nun m der Index, so dass n a im = max n k a ik. Dann gilt für e m R n : e m 1 = 1 und Ae m 1 = n a im, also A 1 = sup Ax 1 Ae m 1 = x =1 a im = max k a ik. 8

9

5. Gerschgorin [4+4+2 Pkt] a Sei A R I,I, A = (a ij i,j I und r i = j i a ij. Geben Sie das Lemma von Gerschgorin an, d.h. formulieren Sie die beiden Aussagen für die Lage der Eigenwerte von A. b Geben Sie mit Hilfe des Lemmas von Gerschgorin eine möglichst genaue Abschätzung der Eigenwerte von 2 0 0 0 0 0 2 1 0 0 B = 0 1 2 1 0 0 0 1 2 0 0 0 0 0 2 an. c Können Sie aus (b folgern, dass B invertierbar ist? Lösung (a (i Alle Eigenwerte von A liegen in B ri (a ii i I (ii Für I i = {j I : i mit j verbunden } liegen alle Eigenwerte von A in { ( } B ri (a ii B rj (a jj i I j I i (b Es gilt für B = (b ij i,j : b 22 = b 33 = b 44 = 2 und r 2 = r 4 = 1, r 3 = 2, also I 2 = I 3 = I 4 = {2, 3, 4}, also B 1 (2 = B r2 (b 22 = B r4 (b 44 B r3 (b 33 = B 2 (2 j I i B rj (b jj = für i = 2, 3, 4 Damit folgt insgesamt, dass alle Eigenwerte im offenen Ball B 2 (2 liegen. (c Da alle Eigenwerte im offenen Ball B 2 (2 liegen, ist 0 kein Eigenwert. Also ist B invertierbar. 10

11

6. De Casteljau [3+3+4 Pkt] a Geben Sie das De Casteljau - Schema zur rekursiven Darstellung der partiellen Polynome b k i (t an, wobei b 0 i (t = b i R d, b k i (t = k b i+j Bj k (t. j=0 Hier bezeichnet t B n i (t das i-te Bernsteinpolynom vom Grad n auf [0, 1]. Die durch die Kontrollpunkte b 0,..., b n definierte Bézierkurve ist gegeben durch B(t = n i=0 b ib n i (t. b Berechnen Sie für die drei Kontrollpunkte ( ( 0 4 P 0 =, P 0 1 = 8, P 2 = ( 12 8 die Auswertung des quadratischen Beziérpolynoms an der Stelle t = 1 4 De Casteljau - Schemas. mit Hilfe des c Schreiben Sie einen Programmcode, der für drei gegebene Punkte P 0, P 1, P 2 R 2 und ein t [0, 1] die Auswertung B = B(t R 2 der quadratischen Bézierkurve B(t = 2 i=0 P ib 2 i (t mit Hilfe des De Casteljau - Schemas berechnet. Hinweis: Der Code muss in einer Sprache geschrieben sein, die Sie auch in den Programmieraufgaben verwendet haben und kompilierbar sein. Sie dürfen z.b. das gegebene C++ Codefragment vervollständigen. Lösung (a b k i (t = (1 tb k 1 i (t + t b k 1 i+1 (t, 1 k n, 0 i n k (b Setze P (0 k = P k für k = 0,..., 2. P (1 0 = (1 1 (0 P 0 + 1 4 4 P (0 1 = P (1 1 = (1 1 (0 P 1 + 1 4 4 P (0 2 = P (2 0 = (1 1 (1 P 0 + 1 4 4 P (1 1 = 3 4 ( ( ( 0 1 1 + = 0 2 2 ( ( ( 3 3 6 + = 6 2 8 ( 1 + 1 ( 6 = 2 4 8 ( 2 1 4 3 1 2 Die Auswertung ist gegeben durch B( 1 4 = P (2 0 = (2 1 4, 3 1 2 T. 12

// Berechne fuer drei 2D-Kontrollpunkte P0, P1, P2 die Auswertung B // der Beziérkurve an der Stelle t. void decasteljau ( double B[2], double P [3][2], double t { // kopiere 3 Kontrollpunkte in double Werte, // die im Algorithmus sukzessive ueberschrieben werden (können double pp[3][2] = {{P [0][0], P [0][1]}, {P [1][0], P [1][1]}, {P [2][0], P [2][1]}}; } // de-casteljau Algorithmus fuer quadratische Beziérkurven: // berechne die Auswertung B(t und schreibe B(t in B // (In den nächsten Zeilen Code einfügen! for ( int j = 0; j < 2; ++j for ( int k = 0; k < 2 j; ++k for ( int i = 0; i < 2; ++i pp[k][i] = (1 t pp[k][i] + t pp[k + 1][i]; for ( int i = 0; i < 2; ++i B[i] = pp[0][i]; 13

14