Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
Lehrstuhl IVStochastik & Analysis
Uni Dortmund
Mathematik
Fachschaft
Stochastik ILosungsskript zu den Klausuren
Letzte Anderung: 18. Januar 2007
Gesetzt mit LATEX und LyX
Vorwort
Dieses Skript beinhaltet Klausurlosungen. Dieses Skript wird separat veroffentlicht, nicht um denLeser zu argern, sondern umd die Versuchung sofort nach der Losung zu gucken zu minimieren.
Unser Dank gilt Thorsten Camps fur seine tatkraftige Mithilfe.
Der Setzer
STK
Inhaltsverzeichnis
Klausur 1998 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Nachklausur 1998 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Klausur 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Nachklausur 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Klausur 2001 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Nachklausur 2001 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
H-Doz. Dr. H.P. Scheffler Sommersemester 1998
Klausur zur Vorlesung Stochastik I - Losung
08.07.1998
Name
Vorname
Geburtsdatum
Matrikelnummer
Studiengang Leistungsnachweis Qual. Stud. Nachweis
Fur Leistungsnachweise: Bearbeiten Sie alle 4 Aufgaben. Die Bearbeitungszeit betragt 3 Stunden.
Fur qualifizierte Studiennachweise: Wahlen Sie 3 Aufgaben aus. Die Bearbeitungszeit betragt 2Stunden und 15 Minuten.Bitte kreuzen Sie die bearbeiteten Aufgaben an. Die Bearbeitung anderer Aufgaben(teile) wirdnicht bewertet.
Nummer
bearbeitet
Punkte
1 2 3 4∑
Jede Aufgabe soll auf einem gesonderten Blatt bearbeitet werden. Versehen Sie jedes Blatt mitIhrem Namen und der Nummer der Aufgabe.
Achten Sie in der Klausur auf sorgfaltige und exakte Formulierungen. Geben Sie, falls gefor-dert, Definitionen und Satze stets exakt (mit allen Voraussetzungen) an. Es ist nicht ausreichend,Definitionen durch Schlagworte, durch Plausibilitatsbetrachtungen oder durch verbale Be- undUmschreibung des Sachverhalts zu ersetzen
Bei der Bearbeitung der einzelnen Aufgaben genugt es, entsprechende Formeln abzuleiten, exaktenumerische Berechnungen, etwa mit Hilfe eines Taschenrechners sind nicht erforderlich.
Hilfsmittel (Bucher, Skripten) sind nicht zugelassen!
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Aufgabe 1: xP + xP + xP + xP = xP
Es wird mit drei (idealen) Wurfeln geworfen. Bei jedem Wurf werden die Augenzahlen (i, j, k),1 ≤ i, j, k ≤ 6 notiert.
Sn respektive Mn bezeichnen die Summe respektive das Minimum der Augen beim n-ten Wurfmit den drei Wurfeln.
(a) Bestimmen Sie die Wahrscheinlichkeit bei einem Wurf
(i) die Augensumme Sn = 16, bzw.
(ii) das Minimum Mn = 5 zu erhalten.
(Kontrolle: P Sn = 16 =1
36, P Mn = 5 =
7
63)
(b) (i) Geben Sie die Wahrscheinlichkeit P (Mn = 5 ∩ Sn = 16) an.
(ii) Sind (bei festem n) Mn und Sn unabhangig?
(c) Wie groß ist die Wahrscheinlichkeit unter n Wurfen mit drei Wurfeln mindestens einmal dieAugensumme Si = 16 zu erziehlen? (1 ≤ i ≤ n)
(d) Geben Sie die Definition der Unabhangigkeit
(i) von Ereignissen,
(ii) von Zufallsvariablen an.
Losung:
Zu (a.i):
Sn = 16 = (6, 6, 4) , (6, 4, 6) , (4, 6, 6) , (5, 5, 6) , (5, 6, 5) , (6, 5, 5)
Ω = 1, . . . , 63 , P = LΩ ⇒ #Ω = 63 ⇒ P Sn = 16 =6
63=
1
62=
1
36
Zu (a.ii):
Mn = 5 = (5, 5, 5) , (5, 5, 6) , (5, 6, 5) , (6, 5, 5) , (5, 6, 6) , (6, 5, 6) , (6, 6, 5)
⇒ P Mn = 5 =7
63
Zu (b.i):
P (Mn = 5 ∩ Sn = 16) = P (5, 5, 6) , (5, 6, 5) , (6, 5, 5) =3
63=
1
108
Zu (b.ii):
P Mn = 5 ·P Sn = 6 =7
63· 1
62=
7
656= 3
63= P (Mn = 5 ∩ Sn = 16)
Also sind P Mn = 5 und P Sn = 16 nicht unabhangig.
Zu (c): Binomialverteilung P = Bn; 136
P 1, 2, . . . , n = 1−P 0 = 1− Bn; 1360 = 1−
(n
0
)(1
36
)0(35
36
)n−0
= 1−(
35
36
)n
Seite 2 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Zu (d):
(i) Nach (4.10): Es sei (Ω, A,P) ein Wahrscheinlichkeitsraum, I 6= ∅ eine Indexmenge undAj ∈ A fur alle j ∈ I. Die Ereignisse (Aj)j∈I
heißen (stochastisch) unabhangig, falls
P
(⋂
j∈J
Aj
)
=∏
j∈J
P (Aj)
fur alle endlichen J ⊂ I.
(ii) Nach (4.12): Es seien fur j ∈ I Xj : (Ω, A) → (Ω′, A′) Zufallsvariablen auf einem Wahr-scheinlichkeitsraum (Ω, A,P). (Xj)j∈I
heißen unabhangig
:⇔ ∀Aj ∈ Aj sind die Ereignisse (Xj ∈ Aj)j∈Iunabhangig.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 3
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Aufgabe 2: xP + xP + xP + xP = xP
Fur ein x0 > 0 fest und α > 0 sei
f (x) = c · x−α−11]x0,∞[ (x)
fur ein c > 0.
(a) Bestimmen Sie c > 0 so, daß f die Lebesgue-Dichte eines Wahrscheinlichkeitsmaßes µ auf R
ist.
(b) Berechnen Sie die Verteilungsfunktion von µ.
(c) Es sei X eine Zufallsvariable mit Verteilung µ.
(i) Bestimmen Sie die α > 0 fur die der Erwartungswert von X existiert und berechnenSie diesen.
(ii) Bestimmen Sie die α > 0 fur die die Varianz von X existiert und berechnen Sie diese.
(d) Definieren Sie
(i) den Erwartungswert
(ii) die Varianz
einer reellwertigen Zufallsvariablen X .
Losung:
Zu (a):∫
R
f (x) dx = c ·∫ ∞
x0
x−α−1 dx =
[
c1
−αx−α
]∞
x0
=c
αx−α
0 = 1
⇔ c = α · xα0
Zu (b):
F (t) =
∫ t
−∞f (x) dx =
0 t ≤ x0
c ·∫ t
x0x−α−1 dx t > x0
∫ t
−∞x−α−1 dx =
[
− 1
αx−α
]t
x0
=1
αx−α
0 − 1
αt−α
⇒ c ·∫ t
x0
x−α−1 dx = αxα0 ·
1
αx−α
0 − αxα0 ·
1
αt−α = 1−
(t
x0
)−α
⇒ F (t) =
0 t ≤ x0
1−(
tx0
)−α
t > x0
Seite 4 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Zu (c): PX = f · λ1
E (X) = c ·∫ ∞
x0
x · x−α−1 dx
= c ·∫ ∞
x0
x−α dx existiert falls α > 1
=
[
c · 1
−α + 1· x−α+1
]∞
x0
= c · 1
α− 1· x−α+1
0
= α · xα0 ·
1
α− 1· x−α+1
0 =α
α− 1· x0
E(X2)
= c ·∫ ∞
x0
x2 · x−α−1 dx
= c ·∫ ∞
x0
x−α+1 dx existiert falls α > 2
=
[
c · 1
−α + 2· x−α+2
]∞
x0
= c · 1
α− 2· x−α+2
0
= α · xα0 ·
1
α− 2· x−α+2
0 =α
α− 2· x2
0
⇒ V (X) = E(X2)− (E (X))
2=
α
α− 2· x2
0 −(
α
α− 1· x0
)2
= x20 ·(
α
α− 2−(
α
α− 1
)2)
fur α > 2
Zu (d):
(i) Nach (5.1): Eine reelle Zufallsvariable X : Ω→ R heißt integrierbar, falls∫
X+ dP <∞ und∫
X− dP <∞. Wir nennen fur solche X
∫
X dP :=
∫
X+ dP−∫
X− dP
das Integral von X bezuglich P. Wir bezeichnen E (X) = EP (X) :=∫
X dP als den Erwar-tungswert von X (unter P). Ist X ≥ 0 so setzen wir E (X) =
∫X dP auch in dem Fall, daß
das Integral +∞ ist.
(ii) Nach (5.7): Es sei X : Ω → R eine Zufallsvariable auf einem Wahrscheinlichkeitsraum(Ω, A,P), fur die X2 integrierbar ist. (Man nennt X quadratisch integrierbar.) Die Zahl
VP (X) = EP
(
(X −EP (X))2)
nennt man Varianz von X . Die Streuung von X ist
σ (X) =√
VP (X);
diese Große hat die gleiche Dimension wie X .
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 5
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Aufgabe 3: xP + xP + xP + xP = xP
In einem Friseur-Laden mit 9 Friseuren dauert ein Haarschnitt 10 Minuten. Herr Snyder betrittden Laden und sieht, daß alle 9 Friseure beschaftigt sind.
Die Zeitpunkte T1, . . . , T9 des Fertigwerdens der Friseure 1, . . . , 9 seien in [0, 10] gleichverteilt undunabhangig.
Es bezeichne T die Wartezeit von Herrn Snyder bis er bedient werden kann.
(a) (i) Geben Sie eine Formel fur T an.
(ii) Zeigen Sie, daß die Verteilungsfunktion FT von T die Gestalt
FT (t) =
0 fur t < 0
1−(
1− t
10
)9
fur 0 ≤ t ≤ 10
1 fur t > 10
hat.
(b) Berechnen die Dichte der Verteilung von T .
(c) Berechnen Sie die mittlere Wartezeit E (T ) von Herrn Snyder.
(d) Definieren Sie die Begriffe
(i) Verteilungsfunktion einer Zufallsvariable;
(ii) Lebesgue-Dichte einer verteilung.
Losung:
Zu (a.i): T1, . . . , T9 unabhangig ⇒ PTi= 1
10 · λ1∣∣[0,10]
T = min T1, . . . , T9
Zu (a.ii):
FT (t) = P T ≤ t = 1−P T > t= 1−P min T1, . . . , T9 > t = 1−P T1 > t, . . . , T9 > t= 1− (P T1 > t)9 = 1− (1−P T1 ≤ t)9
P T1 ≤ t =
0 t < 0110 ·
∫ t
0 dx 0 ≤ t ≤ 101 t > 10
=
0 t < 0t10 0 ≤ t ≤ 101 t > 10
⇒ FT (t) =
0 t < 0
1−(1− t
10
)90 ≤ t ≤ 10
1 t > 10
Zu (b):
fT (x) = (FT )′(x) =
0 x < 0
−9 ·(1− t
10
)8 ·(− 1
10
)0 ≤ x ≤ 10
0 x > 10
=
0 x < 0910 ·
(1− t
10
)80 ≤ x ≤ 10
0 x > 10
Seite 6 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Zu (c):
E (T ) =
∫
x · fT (x) dx =
∫ 10
0
x︸︷︷︸
=f
· 9
10·(
1− x
10
)8
︸ ︷︷ ︸
=g′=fT
dx
=
[
x ·(
1−(
1− x
10
)9)]10
0
−∫ 10
0
(
1−(
1− x
10
)9
︸ ︷︷ ︸
wegen fT =F ′T
)
dx
= 10− 10 +
∫ 10
0
(
1− x
10
)9
dx
=
∫ 10
0
(
1− x
10
)9
dx
Subst.= 10 ·
∫ 1
0
u9 du =[u10]1
0= 1
Substitution: 1− x10 = 0 ⇒ x = −10u + 10 ⇒ dx = −10 · du
Zu (d):
(i) Nach (4.7) und (4.8): Es sei X : (Ω, A)→ (Ω′, A′) eine Zufallsvariable auf einem Wahrschein-lichkeitsraum (Ω, A,P). Dann wird durch
PX : A′ → R+ PX (A′) = P X ∈ A′ = P ω ∈ Ω | X (ω) ∈ A′
ein Wahrscheinlichkeitsmaß auf (Ω′, A′) definiert. Das in so eingefuhrte Wahrscheinlichkeits-maß PX auf (Ω′, A′) heißt Verteilung von X unter P.
(ii) Nach (3.19): Es sei f : Rd → R+ ∪∞ eine meßbare Funktion mit
∫
f dλd = 1. Dann wird
durch
P (A) =
∫
1A · f dλd A ∈ B(R
d)
ein Wahrscheinlichkeitsmaß P auf Rd definiert. Die Funktion f nennen wir Lebesgue-Dichte
von P. Samtliche Wahrscheinlichkeitsmaße die man so erhalt sind diffus, d.h. fur alle ω ∈ Rd
gilt P ω =
∫
1ω · f dλd = f (ω) · λd ω = 0.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 7
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Aufgabe 4: xP + xP + xP + xP = xP
Es sei X : Ω→ R+ eine Zufallsvariable. Fur festes s > 0 heißt die Funktion
Fs (t) = P X ≤ t |X > s fur s < t
die Restlebensdauer von X .
(a) Zeigen Sie, daß Fs eine Verteilungsfunktion eines geeigneten Wahrscheinlichkeitsmaßes istund geben Sie dieses an.
(b) Es sei nun X exponentialverteilt mit Parameter λ > 0 (d.h. die Verteilung von X hat dieDichte x 7→ λe−λx1]0,∞[ (x).) Berechnen Sie
(i) Fs (t)
(ii) P
1λ
< X < 2λ
∣∣X > 1
λ
(c) Es sei nun X eine reelle Zufallsvariable auf R+, deren Verteilungsfunktion F stetig auf R+
ist und 1− F (s) > 0. Zeigen Sie, daß dann aquivalent sind:
(i) Fur alle 0 < s < t gilt Fs (t + s) = F (t)
(ii) F ist die Verteilungsfunktion einer exponential verteilten Zufallsvariable.
(Hinweis: Betrachten Sie G (t) = 1 − F (t) und verwenden Sie, daß jede stetige Losung derFunktionalgleichung G (t) · G (s) = G (t + s) fur s, t > 0 von der Form G (t) = ebt fur eingeeignetes b ∈ R ist.)
(d) (i) Definieren Sie die bedingte Wahrscheinlichkeit von A unter B.
(ii) Formulieren Sie den Satz von der totalen Wahrscheinlichkeit.
Losung:
Zu (a): Es sei P X > s > 0. Dann ist Q : A 7→ P (A |X > s ) ein Wahrscheinlichkeitsmaß und
Fs (t) = Q X ≤ t = P X ≤ t |X > s fur s < t
Zu (b.i): PX = ελ :
FS (t) = P X ≤ t |X > s =P s ≤ X ≤ t
P X > s
P s < X ≤ t =
∫ t
s
λe−λx dx =[−eλx
]t
s= e−λs − e−λt
P X > s =
∫ ∞
s
λ · e−λx dx =[−e−λx
]∞s
= e−λs
⇒ Fs (t) =e−λs − e−λt
e−λs= 1− e−λt · eλs = 1− e−λ(t−s)
Zu (b.ii):
P
1
λ< X <
2
λ
∣∣∣∣X >
1
λ
=P
1λ
< X < 2λ, X > 1
λ
PX > 1
λ
=P
1λ
< X < 2λ
PX > 1
λ
=e−λ 1
λ − e−λ 2λ
e−λ 1λ
=e−1 − e−2
e−1= 1− e−1 = 1− 1
e
Seite 8 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Zu (c):
(ii)⇒ (i): In (b.i) gezeigt: Fs (t) = 1− e−λ(t−s). t > 0:
F (t) =
∫ t
0
λe−λx dx =[−e−λx
]t
0= 1− e−λt
⇒ Fs (t + s) = 1− e−λ(t+s−s) = 1− e−λt = F (t)
(i)⇒ (ii): Sei G (t) = 1− F (t)
Fs (t) = P X ≤ t |X > s =P s < X ≤ t
P X > s
=F (t)− F (s)
1− F (s)=
F (t)− F (s)
G (s)
=F (t)− 1 + 1− F (t)
G (s)=
G (s)−G (t)
G (s)
Fs (t + s) =F (t + s)− F (s)
G (s)
Vor.= F (t)
G (s)−G (t + s)
G (s)= F (t) = 1−G (t) | ·G (s)
⇒ G (s)−G (t + s) = G (s)−G (t) ·G (s)
⇒ G (t + s) = G (t) ·G (s) ∀s, t > 0
⇒ ∃b ∈ R : G (t) = ebt
Da G (t) = 1− F (t)t→∞−−−→ 0 ⇒ b < 0
Schreibe b = −λ mit λ > 0⇒ F (t) = 1−G (t) = 1− e−λt
Zu (d):
(i) Nach (7.1): Es seien (Ω, A,P) ein Wahrscheinlichkeitsraum und A, B ∈ A mit P (B) > 0.Dann heißt die Zahl
P (A | B) :=P (A ∩B)
P (B)
die bedingte Wahrscheinlichkeit von A unter B.Sind X : Ω → Ω0 und Y : Ω → Ω1 Zufallsvariable, sowie A = X ∈ A′, B = Y ∈ B′ soschreiben wir P (A | B) = P (X ∈ A′ | Y ∈ B′).
(ii) Nach (7.4): Es seien B1, B2, . . . disjunkte Ereignisse und A ∈ A mit A ⊂∞⋃
n=1Bn. Dann gilt
P (A) =∞∑
n=1
P (Bn) ·P (A | Bn)
und (im Fall P (A) > 0)
P (Bk | A) =P (Bk) ·P (A | Bk)
∞∑
n=1P (Bn) ·P (A | Bn)
.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 9
H-Doz. Dr. H.P. Scheffler Sommersemester 1998
Nachklausur zur Vorlesung Stochastik I - Losung
05.10.1998
Name
Vorname
Geburtsdatum
Matrikelnummer
Studiengang Leistungsnachweis Qual. Stud. Nachweis
Fur Leistungsnachweise: Bearbeiten Sie alle 6 Aufgaben. Die Bearbeitungszeit betragt 3 Stunden.Zum Erwerb eines Leistungsnachweises mussen Sie mindestens 22 Punkte erreichen.
Fur qualifizierte Studiennachweise: Wahlen Sie von den Aufgaben 1 und 2 eine Aufgabe aus undvon den Aufgaben 3 bis 6 wahlen Sie 3 Aufgaben aus. Die Bearbeitungszeit betragt 2 Stunden und15 Minuten. Zum Erwerb eines qualifizierten Studiennachweises mussen Sie mindestens 15 Punkteerreichen.Bitte kreuzen Sie die bearbeiteten Aufgaben an. Die Bearbeitung anderer Aufgaben(teile) wirdnicht bewertet.
Nummer
bearbeitet
Punkte
1 2 3 4 5 6∑
Jede Aufgabe soll auf einem gesonderten Blatt bearbeitet werden. Versehen Sie jedes Blatt mitIhrem Namen und der Nummer der Aufgabe.
Achten Sie in der Klausur auf sorgfaltige und exakte Formulierungen. Geben Sie, falls gefor-dert, Definitionen und Satze stets exakt (mit allen Voraussetzungen) an. Es ist nicht ausreichend,Definitionen durch Schlagworte, durch Plausibilitatsbetrachtungen oder durch verbale Be- undUmschreibung des Sachverhalts zu ersetzen
Bei der Bearbeitung der einzelnen Aufgaben genugt es, entsprechende Formeln abzuleiten, exaktenumerische Berechnungen, etwa mit Hilfe eines Taschenrechners sind nicht erforderlich.
Hilfsmittel (Bucher, Skripten) sind nicht zugelassen!
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Aufgabe 1: xP + xP + xP = 6P
Die 4 Seiten eines tetraederformigen“Wurfels” sind jeweils mit den Zahlen 1, 2, 3, 4 beschriftet undtreten beim Wurfeln mit gleicher Wahrscheinlichkeit auf. Der Tetraeder wird zweimal geworfenund die untenliegenden Zahlen X1 und X2 notiert.
(a) Bestimmen Sie die Zahldichte der Verteilung PX1+X2von X1 + X2.
(b) Berechnen Sie den Erwartungswert von X1 + X2.
(c) Definieren Sie
(i) die Zahldichte einer Verteilung auf einer abzahlbaren Menge.
(ii) den Erwartungswert einer diskreten Zufallsvariablen.
Losung:
Zu (a):X1 + X2 Moglichkeiten
2 13 24 35 46 37 28 1
⇒ P X1 + X2 = k = k−116 fur k = 2, 3, 4
P X1 + X2 = k = 9−k16 fur k = 5, 6, 7, 8
Zu (b):E (X1 + X2) = 2 ·E (X1) = 2 · 2, 5 = 5
Zu (c):
(i) Nach (1.22): Es sei Ω abzahlbar. Eine Funktion f : Ω→ R+ heißt Zahldichte, falls
∑
ω∈Ω
f (ω) = 1.
(ii)
E (X) =
∫
X dP =n∑
j=1
xj ·P (xi) .
Seite 12 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Aufgabe 2: xP + xP + xP + xP = 6P
Ablenkeinheiten fur Fernsehrohren werden einer sorgfaltigen Endkontrolle unterzogen. Der au-tomatisierte Kontrollvorgang weist folgende statistische Parameter auf: Die Wahrscheinlichkeitdafur, daß eine fehlerfreie Einheit auch als fehlerfrei erkannt wird, ist 0, 98; die Wahrscheinlichkeitdafur, daß eine defekte Einheit auch als defekt erkannt wird ist 0, 95. Die Wahrscheinlichkeit, daßeine Einheit defekt ist, betragt 0, 08.Berechnen Sie die Wahrscheinlichkeiten folgender Ereignisse:
(a) Eine durch die Kontrolle als fehlerfrei deklarierte Ablenkeinheit ist tatsachlich fehlerfrei.
(b) Eine durch die Kontrolle als defekt deklarierte Ablenkeinheit ist tatsachlich defekt.
(c) Eine durch die Kontrolle als fehlerfrei deklarierte Ablenkeinheit ist in Wirklichkeit defekt.
(d) (i) Definieren Sie die bedingte Wahrscheinlichkeit.
(ii) Geben Sie die Bayes’sche Formel an.
Losung:
D : Rohre defekt
F : Rohre als fehlerfrei erkannt
Bekannt:
P(
F∣∣∣D∁
)
= 0, 98 P(
F ∁∣∣∣D)
= 0, 95 P (D) = 0, 08
Zu (a):
P(
D∁∣∣∣F)
=P(
F∣∣∣D∁
)
·P(
D∁)
P(
F∣∣∣D∁
)
·P(
D∁)
+ P (F |D ) ·P (D)=
0, 98 · 0, 92
0, 98 · 0, 92 + 0, 05 · 0, 08≈ 0, 9959
Zu (b):
P(
D∣∣∣F ∁
)
=P(
F ∁
∣∣∣D)
·P (D)
P(
F ∁∣∣∣D)
·P (D) + P(
F ∁∣∣∣D∁
)
·P(
D∁) =
0, 95 · 0, 08
0, 95 · 0, 08 + 0, 02 · 0, 92≈ 0, 8051
Zu (c):
P (D |F ) = 1−P(
D∁∣∣∣F)
(a)= 1− 0, 98 · 0, 92
0, 98 · 0, 92 + 0, 05 · 0, 08≈ 0, 0044
Zu (c):
(i) Nach (7.1): Es seien (Ω, A,P) ein Wahrscheinlichkeitsraum und A, B ∈ A mit P (B) > 0.Dann heißt die Zahl
P (A | B) :=P (A ∩B)
P (B)
die bedingte Wahrscheinlichkeit von A unter B.
(ii) Nach (7.4): Es seien B1, B2, . . . disjunkte Ereignisse und A ∈ A mit A ⊂∞⋃
n=1Bn. Dann gilt
P (A) =
∞∑
n=1
P (Bn) ·P (A | Bn)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 13
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
und (im Fall P (A) > 0)
P (Bk | A) =P (Bk) ·P (A | Bk)
∞∑
n=1P (Bn) ·P (A | Bn)
.
Seite 14 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Aufgabe 3: xP + xP + xP + xP = 10P
Bei einem Multiple-Choice-Test mit 10 Aufgaben sind pro Aufgabe 4 Antworten moglich, von denengenau eine richtig ist. Ein Kandidat, der schlecht vorbreitet ist, kreuzt die Antworten zufallig an.
(a) Bestimmen Sie die Wahrscheinlichkeit
(i) alle Antworten richtig
(ii) alle Antworten falsch
zu beantworten.
(b) Berechnen Sie die Wahrscheinlichkeit, daß mindestens 8 Aufgaben richtig sind. (Stellen siedas Ergebnis als Bruch dar.)
(c) Wie groß ist die Wahrscheinlichkeit, daß bei 100 schlecht vorbereiteten Teilnehmern am Testmindestens eine komplett richtige Losung dabei ist?
(d) Definieren Sie
(a) die Gleichverteilung auf einer endlichen Menge.
(b) die Binomialverteilung mit Parametern n, p. (Es reicht den zugehorigen Wahrschein-lichkeitsraum und die Zahldichte anzugeben.)
Losung:
p = 14 Wahrscheinlichkeit fur richtige Antwort bei einer Aufgabe
Zu (a.i):
P alle Antworten richtig = p10 =1
410≈ 9, 5 · 10−7 ≈ 10−6 =
1
1.000.000
Zu (a.ii):
P alle Antworten falsch = (1− p)10
=
(3
4
)10
≈ 0, 056
Zu (b):
P mindestens 8 Aufgaben richtig
=
10∑
k=8
(10
8
)
· pk (1− p)10−k
=
(10
8
)
·(
1
4
)8 (3
4
)2
+
(10
9
)
·(
1
4
)9(3
4
)1
+
(1
4
)10
=1
410·(
9 · 10!
8! · 2!+ 3 · 10!
9! · 1!+ 1
)
=1
410·(
9 · 9 · 10
2+ 10 · 3 + 1
)
=1
410· (405 + 31) =
436
410≈ 0, 0004
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 15
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Zu (c):
P Mindestens eine komplett richtige Losung bei 100 Teilnehmern= 1−P keine komplett richtige Losung bei 100 Teilnehmern
= 1−(
1− 1
410
)100
≈ 9, 54 · 10−5 ≈ 10−4 =1
10.000
Zu (d):
(i) Nach (1.24.1): Die Gleichverteilung LΩ auf einer endlichen Menge Ω hat die konstante Funk-
tion f (ω) =1
#Ωals Zahldichte.
(ii) Nach (1.24.2): Es seien p ∈ [0, 1] und n ≥ 1, Ω = 0, . . . , n, A = POT (Ω). Dann ist durch
f (k) =
(n
k
)
pk (1− p)n−k
(fur k ∈ Ω) eine Zahldichte definiert, denn f (k) ≥ 0 und
n∑
k=0
f (k) =n∑
k=0
(n
k
)
pk (1− p)n−k = (p + (1− p))n = 1n = 1.
Das durch f definierte Wahrscheinlichkeitsmaß Bn,p mit Bn,p k =(nk
)pk (1− p)
n−kheißt
Binomialverteilung mit Parameter n und p.
Seite 16 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Aufgabe 4: xP + xP + xP + xP = 10P
Auf den Strecken zwischen den Punkten (1, 0) und (1, 1) sowie zwischen (2, 0) und (2, 1) in derEbene wird jeweils ein Punkt zufallig ausgewahlt.
(a) Geben Sie ein geeignetes mathematisches Modell (unter der Annahme, daß die beiden Punkteunabhangig voneinander ausgewahlt werden) an.
(b) Es bezeichne X1 bzw. X2 den zufallig ausgewahlten Punkt als Element von [0, 1]. Zeigen Sie,daß X1 und X2 unabhangig sind.
(c) Berechnen Sie die Wahrscheinlichkeit dafur, daß der Schnitt der Verbindungsgerade dieserzwei Punkte mit der x-Achse rechts vom Nullpunkt liegt.
(d) Definieren Sie
(a) die kontinuierliche Gleichverteilung.
(b) die Unabhangigkeit einer Familie von Zufallsvariablen.
Losung:
1 2
1
Zu (a):Ω = [0, 1]× [0, 1] A = B (Ω) P = Gleichverteilung
Zu (b):
X1 : Ω→ [0, 1] X1 (ω1, ω2) = ω1
X2 : Ω→ [0, 1] X2 (ω1, ω2) = ω2
Es reicht die Unabhangigkeit auf Rechtecken zu testen, sei also
A1, A2 ∈ B ([0, 1]) ⇒ A1 ×A2 ∈ Ω.
P (x1, x2) ∈ A1 ×A2 = λ2 (A1 ×A2) = λ (A1) · λ (A2)
= P x1 ∈ A1 ·P x2 ∈ A2Zu (c): Schnitt der Verbindungsgerade dieser zwei Punkte mit der x-Achse rechts vom Nullpunkt
1
22
1
x1
x2
A
B
Ω
⇔ x1 <1
2x2 oder x1 > x2
W = P (A) + P (B) =λ2 (A)
1+
λ2 (B)
1=
1
2+
1
4=
3
4
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 17
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Zu (d):
(i) Nach (3.7.3): Es sei Ω ∈ B(R
d)
mit 0 < λd (Ω) < ∞. Dann ist auf (Ω, B (Ω)) ein Wahr-scheinlichkeitsmaß
P : B (Ω)→ [0, 1]
durch
P (A) :=λd (A)
λd (Ω)
definiert. P heißt kontinuierliche Gleichverteilung auf Ω.
(ii) Nach (4.12) und (4.10): Es seien I 6= ∅ eine Indexmenge und fur j ∈ I Xj : (Ω, A)→ (Ω′, A′)Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, A,P). (Xj)j∈I
heißen unabhangig
:⇔ ∀Aj ∈ Aj sind die Ereignisse (Xj ∈ Aj)j∈Iunabhangig.
Es sei Aj ∈ A fur alle j ∈ I. Die Ereignisse (Aj)j∈Iheißen (stochastisch) unabhangig, falls
P
(⋂
j∈J
Aj
)
=∏
j∈J
P (Aj)
fur alle endlichen J ⊂ I.
Seite 18 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Aufgabe 5: xP + xP + xP + xP = 10P
Xi : Ω → R+ seien Zufallsvariablen fur 1 ≤ i ≤ n, die nach einer Exponentialverteilung mitParameter α > 0 verteilt sind. Die (Xi)i=1,...,n seien unabhangig. Sei Mn = min
1≤i≤nXi.
(a) Bestimmen Sie die Verteilungsfunktion FMnsowie die Dichte der Verteilung von Mn.
(b) Verifizieren Sie:
(i) E (Xi) =1
α
(ii) E(X2
i
)=
2
α2
und berechnen Sie Erwartungswert und Varianz von Mn.
(c) Es sei ε > 0. Schatzen Sie P
∣∣∣∣n ·Mn −
1
α
∣∣∣∣≥ ε
mit der Tschebyscheff-Ungleichung ab.
(d) (i) Definieren Sie die Verteilungsfunktion einer Zufallsvariable.
(ii) Formulieren Sie die Tschebyscheff-Ungleichung.
Losung:
Zu (a):
FMn(x) = 1− (1− FX1
(x))n
=
0 x < 0
1− (1− (1− e−αx))n
x ≥ 0
=
0 x < 0
1− e−nαx x ≥ 0Exponentialverteilung mit Parameter nα
Dichte:
fMn(x) = F ′
Mn(x) =
0 x < 0
nα · e−nαx x ≥ 0
Zu (b):
E (X1) =
∫ ∞
0
x · αe−αx dx
partielle=
Integration
[−x · e−αx
]∞0
=0
+
∫ ∞
0
e−αx dx
=
[−1
αe−αx
]∞
0
=1
α
Mit gleicher Rechnung erhalt man unter Verwendung von FMn:
E (Mn) =1
nα
E(X2
1
)=
∫ ∞
0
x2 · αe−αx dx
partielle=
Integration
[−x2 · e−αx
]∞0
=0
+2
α·∫ ∞
0
xα · e−αx dx
= 1α
=2
α2
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 19
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
⇒ V (X1) =2
α2−(
1
α
)2
=1
α2⇒ V (Mn) =
1
(nα)2
Zu (c):
P
∣∣∣∣n ·Mn −
1
α
∣∣∣∣≥ ε
= P |Mn −E (n ·Mn)| ≥ ε
≤T.-U.
V (n ·Mn)
ε2=
1
ε2·(
n2 · 1
n2α2
)
=1
α2ε2
Zu (d):
(i) Nach (3.21): Es sei P ein Wahrscheinlichkeitsmaß auf (R, B (R)). Dann heißt die Funktion
FP (x) := P (]−∞, x]) ,
x ∈ R die Verteilungsfunktion von P.
(ii) Nach (5.17): Es sei X eine quadratisch integrierbare Zufallsvariable. Dann gilt fur alle ε > 0:
P |X −E (X)| ≥ ε ≤ V (X)
ε2
E (X)
εz |
εz |
Seite 20 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 1998
Aufgabe 6: xP + xP + xP + xP = 10P
Es sei F (x) = exp (− exp (−x)), x ∈ R.
(a) Zeigen Sie, daß
(i) F eine Verteilungsfunktion ist.
(ii) die zugehorige Verteilung eine Dichte besitzt und geben Sie diese Dichte an.
(b) Es sei X eine Zufallsvariable mit Verteilungsfunktion FX = F . Sei Y = eX . Geben Sie dieVerteilungsfunktion von Y an und geben Sie - falls sie existiert - die Dichte an.
(c) X1, X2 seien unabhangige Zufallsvariablen mit Verteilungsfunktion F . Fur b ∈ R sei Y =max (X1 − b, X2 − b). Geben Sie die Verteilungsfunktion von Y an. Wie muß b ∈ R gewahltwerden, damit FY = F gilt.
(d) Definieren Sie
(i) den Begriff der Dichte einer Verteilung.
(ii) den Begriff einer reellwertigen Zufallsvariablen.
Losung:
Zu (a):
(i) F monoton steigend, stetig
limn→−∞
F (x) = 0 und limn→∞
F (x) = 1 ⇒ F Verteilungsfunktion
(ii) F stetig differenzierbar ⇒ F ′ Dichte
f (x) = F ′ (x) = exp (− exp (−x)) · (− exp (−x)) · (−1)
= exp (− (x + exp (−x)))
Zu (b): Y = eX
FY (y) = P Y ≤ y = PeX ≤ y
= P x ≤ log (y)
= F (log (y)) = exp (− (exp (− log (y)))) = exp
(
−1
y
)
fur y > 0
FY (y) = 0 fur y ≤ 0
FY stuckweise stetig differenzierbar ⇒ Dichte durch Diffentiation.
Dichte:
f (y) = F ′Y (y) =
1
y2· exp
(
−1
y
)
· 1]0,∞[ (y) .
Zu (c): Y = max (x1 − b, x2 − b)
FY (y) = (FX (x + b))2 = exp (−2 exp (− (x + b)))
FY = F ⇔ 2 exp (− (x + b)) = exp (−x)
⇔ 2 exp (−b) exp (−x) = exp (−x)
⇔ 2 =1
exp (−b)
⇔ b = log (2)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 21
Stochastik I Klausur - Sommersemester 1998 Fachschaften Mathematik
Zu (d):
(i) Nach (3.19): Es sei f : Rd → R+ ∪∞ eine meßbare Funktion mit
∫
f dλd = 1. Dann wird
durch
P (A) =
∫
1A · f dλd A ∈ B(R
d)
ein Wahrscheinlichkeitsmaß P auf Rd definiert. Die Funktion f heiß Dicchte.
(ii) Nach (4.1): Es sei (Ω, A,P) ein Wahrscheinlichkeitsraum, Ω′ eine weitere Menge und A′ ⊂POT (Ω′) eine σ-Algebra. Eine Abbildung
X : Ω→ Ω′
heißt Zufallsvariable (mit Werten in Ω′)
:⇔ ∀A′ ∈ A′ : X−1 (A′) = ω ∈ Ω | X (ω) ∈ A′ ∈ A
= X ∈ A′ .
Will man die zugehorigen σ-Algebren angeben sagt man X ist eine A − A′ Zufallsvariable(ZV) oder schreibt
X : (Ω, A)→ (Ω′, A′) .
Im Fall X : Ω → R, A′ = B (R) spricht man von reellen Zufallsvariablen und im FallX : Ω→ R
d, A′ = B(R
d)
von einem Zufallsvektor.
Seite 22 Letzte Anderung: 18. Januar 2007
H-Doz. Dr. H.P. Scheffler Sommersemester 2000
Klausur zur Vorlesung Stochastik I - Losung
11.07.2000
Name Matrikel-Nr.
Wahlen Sie aus den folgenden sechs Aufgaben funf Aufgaben aus. Die maximal erreichbare Punkt-zahl finden Sie neben jeder Aufgabe. Tragen Sie die Nummer der gewahlten Aufgaben in dasfolgende Kastchen ein:
Gewahlte Aufgabe
Die Bearbeitung anderer Aufgaben(teile) wird nicht bewertet.
Fur einen qualifizierten Studiennachweis benotigen Sie mindestens 18± ε Punkte. Fur einen Lei-stungsnachweis sind mindestens 24±ε Punkte notwendig. Sie haben zum Bearbeiten der Aufgaben3 Stunden Zeit.
Bitte verwenden Sie fur jede Aufgabe ein gesondertes Blatt, welches Sie mit Ihrem Namen undMatrikelnummer versehen.
Achten Sie in der Klausur auf sorgfaltige und exakte Formulierungen. Geben Sie, falls gefordert,Definitionen oder Satze stets exakt (mit allen Voraussetzungen) an.
Bei der Bearbeitung der einzelnen Aufgaben genugt es, entsprechende Formeln abzuleiten, ex-akte numerische Berechnungen, etwa mit Hilfe eines Taschenrechners sind nicht erforderlich.
Hilfsmittel (Bucher, Skripten) sind nicht zugelassen!
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 1: 5P + 2P + 1P = 8P
Auf einer Party mit n Mathematikern wird eine Tombola veranstaltet. Zu gewinnen sind (derGastgeber ist großzugig) k ≥ n Geschenke (in Form von Mathematikbuchern).
(a) Mit welcher Wahrscheinlichkeit bekommt jeder der Mathematiker mindestens ein Geschenk?(Es reicht eine Formel abzuleiten.)
(b) Geben Sie die Siebformel an.
(c) Definieren Sie die Gleichverteilung auf einer endlichen Menge.
Losung:
Zu (a): n Mathematiker, k ≥ n Geschenke
Modell: Ω = (ω1, . . . , ωk)|ωi ∈ 1, . . . , n , i = 1, . . . , k, A = POT (Ω), P = LΩ
Ein Tupel (ω1, . . . , ωk) bedeutet:
Geschenk Nr. 1 geht an Mathematiker ω1 ∈ 1, . . . , n...
Geschenk Nr. k geht an Mathematiker ωk ∈ 1, . . . , n
Fur 1 ≤ j ≤ n sei Aj das Ereignis “Mathematiker j bekommt kein Geschenk”.
Aj = (ω1, . . . , ωk) ∈ Ω|ωi ∈ 1, . . . , n \ j , i = 1, . . . , kn⋃
j=1
Aj = Mindestens ein Mathematiker bekommt kein Geschenk
Gesucht ist die Wahrscheinlichkeit von
n⋃
j=1
Aj
∁
= Jeder Mathematiker bekommt ein Geschenk
Berechne dazu P
n⋃
j=1
Aj
unter Verwendung der Siebformel:
P
(n⋃
i=1
Ai
)
=
n∑
l=1
(−1)l−1
∑
J⊆1,...,n#J=l
P
⋂
j∈J
Aj
Sei J ⊆ 1, . . . , n, #J = l
⋂
j∈J
Aj = (ω1, . . . , ωk) ∈ Ω|ωi ∈ 1, . . . , n \ J, i = 1, . . . , k
= Die Mathematiker j ∈ J bekommen kein Geschenk
#⋂
j∈J
A = (n− l)k ⇒ P
⋂
j∈J
A
=(n− l)k
nk
Seite 24 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Somit:
P
(n⋃
i=1
Ai
)
=n∑
l=1
(−1)l−1∑
J⊆1,...,n#J=l
(n− l)k
nk
=
n∑
l=1
(−1)l−1
(nk
)(n− l)k
nk
⇒ P
n⋃
j=1
Aj
∁
= 1−
n∑
l=1
(−1)l−1
(nk
)(n− l)
k
nk
= 1 +
n∑
l=1
(−1)l
(nk
)(n− l)
k
nk
=
n∑
l=0
(−1)l
(nk
)(n− l)k
nk
=1
nk
n∑
l=0
(−1)l
(nk
)
(n− l)k
Zu (b):
Siebformel: (Ω, A,P) Wahrscheinlichkeitsraum und A1, . . . , An ∈ A (n ∈ N).
Dann gilt:
P
(n⋃
i=1
Ai
)
=
n∑
k=1
(−1)k−1
∑
J⊆1,...,n#J=k
P
⋂
j∈J
Aj
Zusatz:
Es folgt die Siebformel fur Kardinalitaten:
Ω endlich, A1, . . . , An ⊆ Ω (n ∈ N). Dann gilt:
#
(n⋃
i=1
Ai
)
=
n∑
k=1
(−1)k−1
∑
J⊆1,...,n#J=k
#
⋂
j∈J
Aj
Zu (c): Nach Beispiel (1.18):
Ist Ω eine endliche Menge und sind die Elementarereignisse A ∈ Ω gleichwahrscheinlich, so definiert
P : POT (Ω)→ R+ P (A) :=#A
#Ω
Diese diskrete Gleichverteilung wird unter anderem dann verwendet, wenn aus Symmetriegrundenalle Elementarereignisse als gleichwahrscheinlich angensehen werden. Wir bezeichnen die diskreteGleichverteilung auf Ω mit LΩ, (Ω,POT (Ω) , LΩ) heißt Laplace-Raum.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 25
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 2: 3P + 3P + 2P = 8P
(a) Ein gut durchgemischter Stapel mit je 18 roten und schwarzen Karten wird in zwei gleich-große Stapel geteilt. Wie groß ist die Wahrscheinlichkeit, daß sich in den kleineren Stapelnwiederum je gleichviele rote und schwarze Karten befinden? (Geben Sie auch ein geeignetesmathematisches Modell an.)
(b) Um die mediale Begabung herauszufinden, stellt eine okkultistische Gesellschaft einer Ver-sammlung von 500 Menschen die Aufgabe, das Ergebnis eines Versuches zu erraten. Hintereinem Wandschirm wird eine Munze 10-mal geworfen. Bei jedem Wurf ist die Wahrschein-lichkeit fur Kopf oder Zahl jeweils 0, 5. Das Versuchsergebnis soll von den Zuschauern geratenwerden. Als medial begabt gilt, wer hochstens einen Fehler in der Vorhersage macht. Wiegroß ist die Wahrscheinlichkeit, daß sich in der Versammlung mindestens ein medial begabter
Zuschauer befindet?
(c) Definieren Sie und geben Sie die Machtigkeiten an von
(i) k−Permutationen mit Wiederholung einer n−elementigen Menge.
(ii) k−Permutationen ohne Wiederholung einer n−elementigen Menge.
Losung:
Zu (a):
Stapel mit insgesamt 36 Karten:
18 rote18 schwarze
...
18
...
Stapel 1
Stapel 2
17
12
3635
1920
1. Moglichkeit:
Die Karten seien von 1 bis 36 numeriert, wobei 1, . . . , 18 rot und 19, . . . 36 schwarz seien.
Ω = P1,...,3636 = (ω1, . . . , ω36)|ωi ∈ 1, . . . , 36 , ωi 6= ωj ∀i 6= j
wobei ωi die Karte an Position i bezeichnet. A = POT (Ω), P = LΩ, #Ω = 36!
Gesucht ist die Wahrscheinlichkeit vom Ergebnis:
A = (ω1, . . . , ω36) ∈ Ω|#(ω1, . . . , ω18 ∩ 1, . . . , 18) = 9#A = ?
Seite 26 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Auf
(189
)
Moglichkeiten konnen die 9 Zahlen aus 1, . . . , 18 ausgewahlt werden, die auf die
ersten 18 Tupelstellen verteilt sind. Es gibt dann 18 · 17 · . . . · 10 Moglichkeiten, die gewahltenZahlen auf die 18 Tupelstellen zu verteilen.Die ubrigen 9 Zahlen aus 1, . . . , 18 konnen auf 18 · 17 · . . . · 10 Moglichkeiten auf die letzten 18Tupelstellen verteilt werden.Damit liegen die roten Zahlen fest.Fur die schwarzen Zahlen gibt es noch 18! Moglichkeiten.
⇒ #A =
(189
)
· (18 · 17 · . . . · 10) · (18 · 17 · . . . · 10) · 18!
⇒ P (A) =
(189
)
· (18 · 17 · . . . · 10)2 · 18!
36!≈ 0, 2605
2. Moglichkeit:
Ω = (ω1, . . . , ω36)|ωi ∈ R, S , # i : ωi = R = # i : ωi = S = 18
#Ω =
(3818
)
Gesucht ist die Wahrscheinlichkeit vom Ergebnis
A = (ω1, . . . , ω36) ∈ Ω|#(i : ωi = R ∩ i : ωi = S) = 9#A = ?
Es gibt
(3618
)
Moglichkeiten, die 9 “R” auf den ersten 18 Tupelstellen unterzubringen und
(3618
)
Moglichkeiten, die 9 “S” auf den letsten 18 Tupelstellen unterzubringen.
Die “S” liegen dann fest.
⇒ #A =
(189
)
·(
189
)
⇒ P (A) =
(189
)
·(
189
)
(3618
) ≈ 0, 2605
3. Moglichkeit:
Urne mit N = 36 (Kugeln), r = 18 (rote), s = 18 (schwarze), n = 18 (mal ohne Zurucklegenziehen)⇒ Hypergeometrische Verteilung:
Hn,N,r k =
(rk
)
·(
N − rn− k
)
(Nn
)
Hier ist k = 9 (genau 9 rote)
H18,36,18 9 =
(189
)
·(
189
)
(3618
) ≈ 0, 2605
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 27
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Zu (b):
Berechne zunachst die Wahrscheinlichkeit dafur, daß eine Person der Versammlung medial begabtist:In jedem der 10 Versuche ist die Wahrscheinlichkeit, daß die Person einen Fehler in der Vorhersagemacht p = 1
2 .
⇒ P Hochstens ein Fehler in der Vorhersage = B10; 120+ B10; 1
21
=
(100
)
·(
1
2
)0
·(
1
2
)10
+
(101
)
·(
1
2
)1
·(
1
2
)9
=
(1
2
)10
+ 10 ·(
1
2
)10
= 11 ·(
1
2
)10
≈ 0, 0107
Die Wahrscheinlichkeit, daß eine Person medial begabt ist, ist also p′ = 11 ·(
1
2
)10
X : Anzahl der medial begabten Zuschauer unter den 500
X ist B500;p′-verteilt.
P X ≥ 1 = 1−P X = 0 = 1−B500;p′ 0
= 1−(
5000
)
· (p′)0 · (1− p′)
500
= 1− (1− p′)500
= 1−(
1− 11 ·(
1
2
)10)500
≈ 0, 9955
Zu (c): (nach (2.1) Definition) Es sei A 6= ∅ und k ≥ 1
(i) k-Permutationen mit Wiederholung einer n-elementigen Menge:Jedes k-Tupel (a1, . . . , ak) mit ai ∈ A heißt k-Permutation aus A mit Wiederholung. Ak istdie Menge der k-Permutationen aus A mit Wiederholung.Kardinalitat von Ak: #Ak = nk
(ii) k-Permutationen ohne Wiederholung einer n-elementigen Menge:Eine k-Permutation aus A ohne Wiederholung ist ein k-Tupel (a1, . . . , ak) mit ai 6= aj furalle i 6= j. Die Menge aller solcher Permutationen bezeichnen wir mit PA
k .
Kardinalitat von PAk : #PA
k = (n)k = n · (n− 1) · . . . · (n− k + 1) = k! ·(
nk
)
Seite 28 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Aufgabe 3: 3P + 3P + 2P = 8P
Wie groß ist die Wahrscheinlichkeit, daß die quadratische Gleichung x2 + px + q = 0 genau zweireelle Losungen besitzt? Dabei sei der Zufallsvektor X = (p, q)
(a) in [0, 1]2
gleichverteilt;
(b) in [−1, 1]2 gleichverteilt.
(c) Definieren Sie:
(i) die Gleichverteilung auf einer Teilmenge des Rd,
(ii) eine Verteilung mit Lebesgue-Dichte auf Rd.
Losung:
x2 + px + q = 0 ⇔ x1,2 =p
2±√
p2
4− q
Die quadratische Gleichung besitzt genau zwei reelle Losungen ⇔ p2
4 − q > 0
Zu (a):
X = (p, q) sei gleichverteilt in [0, 1]× [0, 1]
P
p2
4− q > 0
= PX
(x, y) ∈ [0, 1]× [0, 1]
∣∣∣∣
1
4x2 > y
=
λ2
(x, y) ∈ [0, 1]× [0, 1]
∣∣∣∣
1
4x2 > y
λ2 [0, 1]× [0, 1]
= λ2
(x, y) ∈ [0, 1]× [0, 1]
∣∣∣∣
1
4x2 > y
=
∫ 1
0
1
4x2 dx =
[1
4· 13· x3
]1
0
=1
12
1
y
x
1
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 29
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Zu (b):
X = (p, q) sei gleichverteilt in [−1, 1]× [−1, 1]
P
p2
4− q > 0
= PX
(x, y) ∈ [−1, 1]× [−1, 1]
∣∣∣∣
1
4x2 > y
=
λ2
(x, y) ∈ [−1, 1]× [−1, 1]
∣∣∣∣
1
4x2 > y
λ2 [−1, 1]× [−1, 1]
=1
4· λ2
(x, y) ∈ [−1, 1]× [−1, 1]
∣∣∣∣
1
4x2 > y
=1
4·(
2 + 2 ·∫ 1
0
1
4x2 dx
)
=1
4·(
2 + 2 ·[1
4· 13· x3
]1
0
)
=1
4· 21
6=
13
24
y
x
1
1
−1
−1
Zu (c.i): Auf einer Teilmenge B des Rd ist die Dichte konstant, f (x) =
(∫
Bdx)−1
fur x ∈ B
und 0 sonst. Fur Ereignisse A ∈ Rd gilt dann
P (A) =
∫
A
f (x) dx =
∫
A∩B
dx∫
B
dx
Zu (c.ii): Nach Satz (3.19):
Es seif : R
d → R+ ∪ ∞eine meßbare Funktion mit ∫
f dλd = 1
Dann wird durch
P (A) =
∫
1A · f dλd ∀A ∈ B(R
d)
ein Wahrscheinlichkeitsmaß auf Rd definiert. Die Funktion f nennen wir Lebesque-Dichte von P.
Seite 30 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Aufgabe 4: 2P + 4P + 2P = 8P
(a) Ein Student, der an einem wahr - falsch Test teilnimmt, verfahrt bei der Beantwortung derFragen folgendermaßen: Sofern er die Antwort weiß, kreuzt er diese an, andernfalls wirft ereine Munze um sich fur wahr oder falsch zu entscheiden. Die Wahrscheinlichkeit, daß demStudenten die richtige Antwort bekannt ist, sei 3
5 . Wie groß ist dann die Wahrscheinlichkeit,daß er eine richtig markierte Antwort wußte?
(b) Bei der Ubertragung der Zeichen Punkt und Strich in einem Fernmeldesystem werden durchStorungen im Mittel 5% der gesendeten Punkte als Striche und 3% der gesendeten Stricheals Punkte empfangen. Das Verhaltnis von gesendeten Punkten zu gesendeten Strichen sei34 .
(i) Wie groß ist die Wahrscheinlichkeit, daß ein gesendetes Zeichen richtig empfangen wird?
(ii) Es wird Punkt empfangen. Wie groß ist die Wahrscheinlichkeit, daß auch Punkt gesendetwurde?
(c) Formulieren Sie den Satz von der totalen Wahrscheinlichkeit und die Bayes’sche Formel.
Losung:
Zu (a):
A = Student weiß die richtige Antwort P (A) =3
5
R = Frage wird richtig beantwortet P(
R∣∣∣A∁
)
=1
2P (R |A ) = 1
Gesucht: P (A |R )
Mit der Formel von Bayes:
P (A |R ) =P (R |A ) ·P (A)
P (R |A ) ·P (A) + P(R∣∣A∁
)·P(A∁) =
1 · 35
1 · 35
+1
2· 25
=
3
54
5
=3
4
Zu (b):
Pe/Pg = Punkt wird empfangen/gesendet
Se/Sg = Strich wird empfangen/gesendet
Das Verhaltniss von gesendeten Punkten zu gesendeten Strichen ist3
4, d.h.
P (Pg)
P (Sg)=
3
4⇒ P (Pg) =
3
7und P (Sg) =
4
7
Weiterhin bekannt:
P
(Se
Pg
)
= 0, 05 ⇒ P
(Pe
Pg
)
= 0, 95
P
(Pe
Sg
)
= 0, 03 ⇒ P
(Se
Sg
)
= 0, 97
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 31
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Zu (b.i):
Gesucht: P ((Sg ∩ Se)∪· (Pg ∩ Pe))
P ((Sg ∩ Se)∪· (Pg ∩ Pe)) = P (Sg ∩ Se) + P (Pg ∩ Pe)
= P (Sg) ·P (Se |Sg ) + P (Pg) ·P (Pe |Pg )
=4
7· 0, 97 +
3
7· 0, 95 ≈ 0, 9614
Zu (b.ii):
Gesucht: P (Pg |Pe )
Mit der Formel von Bayes:
P (Pg |Pe ) =P (Pe |Pg ) ·P (Pg)
P (Pe |Pg ) ·P (Pg) + P (Pe |Sg ) ·P (Sg)
=0, 95 · 3
7
0, 95 · 37
+ 0, 03 · 47
≈ 0, 9596
Zu (c): Nach Satz (7.4):
Es seien B1, B2, . . . disjunkte Ereignisse und A ⊂∞⋃
n=1
Bn. Dann gilt die Formel von der totalen
Wahrscheinlichkeit:
P (A) =∞∑
n=1
P (Bn) ·P (A |Bn )
und im Fall P (A) > 0 gilt die Formel von Bayes:
P (Bk|A) =P (Bk) ·P (A |Bk )
∞∑
n=1
P (Bn) ·P (A |Bn )
Seite 32 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Aufgabe 5: 2P + 3P + 2P + 2P + 3P = 12P
Die Lebensdauer X eines Systems sei gleichverteilt mit der Verteilungsfunktion
F : x 7→
1− e−αxβ
falls x > 00 falls x ≤ 0
Dabei sind α, β > 0 fest.
(a) Zeigen Sie, daß die Verteilung von X eine Lebesgue-Dichte besitzt und bestimmen Sie diese.
(b) Bestimmen Sie fur β = 1 und β = 2 den Erwartungswert E (X).
(c) Bestimmen Sie die Verteilungsfunktion der Zufallsvariable Y = Xβ.
(d) Bestimmen Sie die Verteilungsfunktion der Restlebensdauer, das heißt
Fh (x) := P X ≤ x + h |X > h
fur ein festes h > 0.
(e) Sei a > 0. Weiter seien X1, X2 unabhangige Zufallsvariablen mit Verteilungsfunktion F .Geben Sie die Verteilungsfunktion von Z = min (aX1, aX2) an. Fur welche a ist FZ = F?
Losung:
Zu (a):
Fur x > 0 gilt:
F ′ (x) = −e−αxβ ·(−αβxβ−1
)= αβxβ−1eαxβ
Die Lebesgue-Dichte ist dann f (x) = αβxβ−1eαxβ
.
Zu (b):
β = 1:
f (x) = αe−αx · 1]0,∞[ (x)
(Dichte der Exponentialverteilung mit Prameter α > 0)
E (X) =
∫
R
x · αe−αx · 1]0,∞[ (x) dλ1 (x)
= α ·∫ ∞
0
x︸︷︷︸
u
· e−αx
︸ ︷︷ ︸
v′dx partielle Integration
= α ·[
x ·(
− 1
αe−αx
)]∞
0︸ ︷︷ ︸
= 0
− α ·∫ ∞
0
1 ·(
− 1
αe−αx
)
dx
=
∫ ∞
0
e−αx dx =
[
− 1
αe−αx
]∞
0
= 0 +1
α=
1
α
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 33
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
β = 2 :
f (x) = α2e−αx2 · 1]0,∞[ (x)
(Dichte der Exponentialverteilung mit Prameter α > 0)
E (X) =
∫
R
x · α2e−αx2 · 1]0,∞[ (x) dλ1 (x)
= 2α ·∫ ∞
0
x︸︷︷︸
u
· e−αx2
︸ ︷︷ ︸
v′dx partielle Integration
= 2α ·[
x ·(
− 1
2αe−αx2
)]∞
0︸ ︷︷ ︸
= 0
− 2α ·∫ ∞
0
1 ·(
− 1
2αe−αx2
)
dx
=
∫ ∞
0
e−αx2
dx =
∫ ∞
0
e−12 (2αx2) dx =
∫ ∞
0
e−12 (
√2α x)
2
dx
(∗)=
∫ ∞
0
e−12y2 · 1√
2αdy =
1√2α·∫ ∞
0
e−12y2
dy(#)=
1√2α· 12
√2π =
1
2
√π
α
Bemerkung zu (∗):Substitution:
y = g (x) =√
2α xdy
dx= g′ (x) =
√2α dy =
√2αdx dx =
1√2α
dy
Bemerkung zu (#): Dichte der Standard-Normalverteilung:
1√2π
∫ +∞
−∞e−
12
y2
dy = 1
Daraus folgt:
2 ·∫ +∞
0
e−12y2
dy =
∫ +∞
−∞e−
12y2
dy =√
2π
Zu (c): Y = Xβ
Sei x > 0
FY (x) = P Y < x = PXβ < x
= P
X < x1β
= F
x1β
= 1− e−α
„
x1β
«β
= 1− e−αx
FY (x) = (1− e−αx) · 1]0,∞[ (x) ist dann die Verteilungsfunktion von Y = Xβ.
Seite 34 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Zu (d):
Sei h > α fest. Dann ist die Verteilungsfunktion der Restlebensdauer:
Fh (x) := P X ≤ x + h |X > h
Fur x ≤ 0 ist Fh (x) = 0, also sei x > 0
Fh (x) = P X ≤ x + h |X > h =P (X ≤ x + h ∩ X > h)
P X > h
=P h < X ≤ x + h
1−P X ≤ h =F (x + h)− F (h)
1− F (h)
=1− e−α(x+h)β −
(
1− e−αhβ)
1−(1− e−αhβ
) =e−αhβ − e−α(x+h)β
e−αhβ
= 1− e−α(x+h)β+αhβ
= 1− e−α((x+h)β−hβ)
Zu (e):
Sei a > 0 Seien X1, X2 unabhangige Zufallsvariablen mit Verteilungsfunktion F .Z = min (aX1, aX2)
Sei x > 0
FZ (x) = P Z ≤ x = P min (aX1, aX2) ≤ x= 1−P min (aX1, aX2) > x = 1−P aX1 > x, aX2 > x= 1−P
X1 >x
a, X2 >
x
a
(∗)= 1−P
X1 >x
a
·P
X2 >x
a
= 1−(
P
X1 >x
a
)2
= 1−(
1− F(x
a
))2
= 1−(
1−(
1− e−α(xa )β))2
= 1−(
e−α(xa )β)2
= 1− e−2αxβa−β
⇒ FZ (x) =(
1− e−2αxβa−β)
· 1]0,∞[ (x) Verteilungsfunktion von Z.
Bemerkung zu (∗): X1, X2 unabhangig
x > 0−2αxβa−β = −αxβ
⇔ 2a−β = 1⇔ a−β = 1
2
⇔ a =(
12
)− 1β = β
√2
Fur a = 21β ist Fz = F .
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 35
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 6: 5P + 5P + 2P = 12P
Eine Fabrik stellt zylindrische Dosen mit Durchmesser 2r0 und Hohe h0 her. Produktionsbedingtschwanken die wahren Werte (r, h) um den Sollwert (r0, h0). Also ist X = (r, h) als R
2-wertigeZufallsvariable aufzufassen. Ihre Verteilung besitze die Dichte f (r, h).
(a) Geben Sie eine Formel fur den Erwartungswert und die Varianz der Oberflache Fl und desVolumens Vol an. (Oberflache = 2πrh + 2πr2, Volumen = πr2h.)
(b) Berechnen Sie E (Fl) und E (Vol) explizit fur eine Dichte der Gestalt
f (r, h) =1
4εδ· 1[r0−ε,r0+ε] (r) · 1[h0−δ,h0+δ] (h)
wobei ε, δ > 0 sind.
(c) Geben Sie die Transformationsformel fur E (g (X)) an fur den Spezialfall, daß die Verteilungvon X eine Lebesgue-Dichte f besitzt.
Losung:
X = (r, h) R2-wertige Zufallsvariable
Verteilung von X besitzt die Dichte f .
Zu (a):
Oberflache (Fl):
O (x, y) = 2πxy + 2πx2
Volumen (V ol):
V (x, y) = πx2y
E (Fl) = E (O X)(∗)=
∫
OdPx =
∫
O (r, h) · f (r, h) dλ2 (r, h)
=
∫(2πrh + 2πr2
)· f (r, h) dλ2 (r, h)
E (V ol) = E (V X)(∗)=
∫
VdPx =
∫
V (r, h) · f (r, h) dλ2 (r, h)
=
∫
πr2h · f (r, h) dλ2 (r, h)
V (Fl) = E(
(Fl)2)
− (E (Fl))2
E(
(Fl)2)
= E (g (O X)) mit g (x) = x2
= E ((g O) X)(∗)=
∫
g OdPx
=
∫(2πrh + 2πr2
)2 · f (r, h) dλ2 (r, h)
⇒ V (Fl) =
∫(2πrh + 2πr2
)2 · f (r, h) dλ2 (r, h)
−(∫
(2πrh + 2πr2
)· f (r, h) dλ2 (r, h)
)2
Seite 36 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
V (V ol) = E(
(Vol)2)
− (E (Vol))2
E(
(Vol)2)
= E (g (V X)) mit g (x) = x2
= E ((g V) X)(∗)=
∫
g VdPx
=
∫(πr2h
)2 · f (r, h) dλ2 (r, h) =
∫
π2r4h2 · f (r, h) dλ2 (r, h)
⇒ V (Vol) =
∫
π2r4h2 · f (r, h) dλ2 (r, h)−(∫
πr2h · f (r, h) dλ2 (r, h)
)2
Bemerkung zu (∗): Transformationsformel.
Zu (b):
ε, δ > 0 Die Dichte der Verteilung von X sei:
f (r, h) =1
4εδ· 1[r0−ε,r0+ε] (r) · 1[h0−δ,h0+δ] (h)
E (Fl) =
∫(2πrh + 2πr2
)· 1
4εδ· 1[r0−ε,r0+ε] (r) · 1[h0−δ,h0+δ] (h) dλ2 (r, h)
=
∫ ∫(2πrh + 2πr2
)· 1
4εδ· 1[r0−ε,r0+ε] (r) · 1[h0−δ,h0+δ] (h) dλ1 (r) dλ1 (h)
=1
4εδ
∫ r0+ε
r0−ε
∫ h0+δ
h0−δ
(2πrh + 2πr2
)dhdr
=1
4εδ
∫ r0+ε
r0−ε
(
πr[h2]h0+δ
h0−δ+ 2πr2 [h]h0+δ
h0−δ
)
dr
=1
4εδ
∫ r0+ε
r0−ε
[
πr(
(h0 + δ)2 − (h0 − δ)
2)
+ 2πr2 ((h0 + δ)− (h0 − δ))]
dr
=1
4εδ
∫ r0+ε
r0−ε
(πr · 4δh0 + 2πr2 · 2δ
)dr
=4πδ
4εδ
∫ r0+ε
r0−ε
(h0r + r2
)dr =
π
ε
(1
2h0
[r2]r0+ε
r0−ε+
1
3
[r3]r0+ε
r0−ε
)
=π
ε
(1
2h0 ·
(
(r0 + ε)2 − (r0 − ε)
2)
+1
3
(
(r0 + ε)3 − (r0 − ε)
3))
=π
ε
(1
2h0 · 4εr0 +
1
3
((r30 + 3εr2
0 + 3ε2r0 + ε3)−(r30 − 3εr2
0 + 3ε2r0 − ε3)))
=π
ε
(
2εr0h0 +1
3
(6εr2
0 + 2ε3))
= 2πr0h0 + 2πr20 +
2
3πε2
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 37
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
E (Vol) =
∫
πr2h · 1
4εδ· 1[r0−ε,r0+ε] (r) · 1[h0−δ,h0+δ] (h) dλ2 (r, h)
=
∫ ∫
πr2h · 1
4εδ· 1[r0−ε,r0+ε] (r) · 1[h0−δ,h0+δ] (h) dλ1 (h) dλ1 (r)
=1
4εδ
∫ r0+ε
r0−ε
∫ h0+δ
h0−δ
πr2hdhdr
=1
4εδ
∫ r0+ε
r0−ε
1
2πr2
[h2]h0+δ
h0−δdr
=1
4εδ
∫ r0+ε
r0−ε
1
2πr2
(
(h0 + δ)2 − (h0 − δ)
2)
dr
=1
4εδ
∫ r0+ε
r0−ε
1
2πr2 · 4δh0 dr
=2πδh0
4εδ
∫ r0+ε
r0−ε
r2 dr =πh0
2ε· 13
[r3]r0+ε
r0−εr
=πh0
6ε·(
(r0 + ε)3 − (r0 − ε)
3)
s.o.=
πh0
6ε·(6εr2
0 + 2ε3)
= πr20h0 +
1
3πh0ε
2
Zu (c): Nach Satz (5.4):
Es sei (Ω, A,P) ein Wahrscheinlichkeitsraum, ferner sei A′ eine σ-Algebra auf Ω′,X : (Ω, A) → (Ω′, A′) eine Zufallsvariable und g : Ω′ → R eine reelle Zufallsvariable. Dann istg (X) = g X genau dann integrierbar bezuglich P, wenn g integrierbar bezuglich PX ist und esgilt:
E (g X) = E (g (X)) =
∫
g dPX =
∫
g (x) dPX (x)
Seite 38 Letzte Anderung: 18. Januar 2007
H-Doz. Dr. H.P. Scheffler Sommersemester 2000
Nachklausur zur Vorlesung Stochastik I - Losung
Name Matrikel-Nr.
Wahlen Sie aus den folgenden sechs Aufgaben funf Aufgaben aus. Die maximal erreichbare Punkt-zahl finden Sie neben jeder Aufgabe. Tragen Sie die Nummer der gewahlten Aufgaben in dasfolgende Kastchen ein:
Gewahlte Aufgabe
Die Bearbeitung anderer Aufgaben(teile) wird nicht bewertet.
Fur einen qualifizierten Studiennachweis benotigen Sie mindestens 16± ε Punkte. Fur einen Lei-stungsnachweis sind mindestens 22±ε Punkte notwendig. Sie haben zum Bearbeiten der Aufgaben3 Stunden Zeit.
Bitte verwenden Sie fur jede Aufgabe ein gesondertes Blatt, welches Sie mit Ihrem Namen undMatrikelnummer versehen.
Achten Sie in der Klausur auf sorgfaltige und exakte Formulierungen. Geben Sie, falls gefordert,Definitionen oder Satze stets exakt (mit allen Voraussetzungen) an.
Bei der Bearbeitung der einzelnen Aufgaben genugt es, entsprechende Formeln abzuleiten, ex-akte numerische Berechnungen, etwa mit Hilfe eines Taschenrechners sind nicht erforderlich.
Hilfsmittel (Bucher, Skripten) sind nicht zugelassen!
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 1: 2P + 4P + 2P = 8P
Bei der Glucksspirale der Olympialotterie 1971 wurden die 7-ziffrigen Gewinnzahlen auf folgendeWeise ermittelt: Aus einer Trommel, welche je 7 Kugeln mit den Ziffern 0, . . . , 9 enthielt, wurdennach Durchmischen 7 Kugeln entnommen und deren Ziffern in der Reihenfolge des Ziehens zueiner Zahl angeordnet.
(a) Geben Sie ein geeignetes mathemathisches Modell an.
(b) Zeigen Sie, daß die Gewinnwahrscheinlichkeiten der einzelnen (gleich teuren!) Lose verschie-den sind. (Berechnen Sie die Wahrscheinlichkeit, daß 0, 0, 0, 0, 0, 0, 0 sowie daß 1, 2, 3, 4, 5, 6, 7gezogen wurde und vergleichen Sie diese.)
(c) Definieren Sie und geben Sie die Machtigkeiten an von
(i) k−Permutationen mit Wiederholung einer n−elementigen Menge.
(ii) k−Permutationen ohne Wiederholung einer n−elementigen Menge.
Losung:
Trommel mit 70 Kugeln:7 Kugeln tragen die Ziffer 0
7 Kugeln tragen die Ziffer 1...
7 Kugeln tragen die Ziffer 9
Die Kugeln seien von 1 bis 70 durchnummeriert:
Kugeln 1− 7 tragen die Ziffer 0
Kugeln 1− 7 tragen die Ziffer 1...
Kugeln 1− 7 tragen die Ziffer 9
Ziehen: 7× ohne Zurucklegen, mit Berucksichtigung der Reihenfolge.
Zu (a):
Modell:
Ω = P1,...,707 = (ω1, . . . , ω7)|ωi ∈ 1, . . . , 70 , ωi 6= ωj ∀i 6= j
#Ω = (70)7 = 7!
(707
)
= 70 · 69 · 68 · . . . · 64
A = POT (Ω) , P = LΩ Gleichverteilung auf Ω, d.h. P (A) =#A
#Ωfur A ⊆ Ω
Seite 40 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Zu (b):
Das Los mit der Gewinnzahl 0, 0, 0, 0, 0, 0, 0 entspricht im Modell der Menge
A = (ω1, . . . , ω7)|ωi ∈ 1, . . . , 7 , i = 1, . . . , 7
⇒ #A = 7!
Somit ist P ”Los hat die Gewinnzahl 0, 0, 0, 0, 0, 0, 0“ = P (A) =
7!
7!
(707
) =1
(707
) .
Das Los mit der Gewinnzahl 1, 2, 3, 4, 5, 6, 7 entspricht im Modell der Menge
B = (ω1, . . . , ω7)|ω1 ∈ 8, . . . , 14 , ω2 ∈ 15, . . . , 21 , . . . , ω7 ∈ 50, . . . , 56
⇒ #B = 77
Somit ist P ”Los hat die Gewinnzahl 1, 2, 3, 4, 5, 6, 7“ = P (B) =
77
7!
(707
) > P (A).
Zu (c): Nach Definition (2.1): Es sei A 6= ∅ und k ≥ 1
(i) k-Permutationen mit Wiederholung einer n-elementigen Menge.Jedes k-Tupel (a1, . . . , ak) mit ai ∈ A heißt k-Permutation aus A mit Wiederholung. Ak istdie Menge der k-Permutationen aus A mit Wiederholung.Kardinalitat von Ak: #Ak = nk
(ii) k-Permutationen ohne Wiederholung einer n-elementigen MengeEine k-Permutation aus A ohne Wiederholung ist ein k-Tupel (a1, . . . , ak) mit ai 6= aj furalle i 6= j. Die Menge aller solcher Permutationen bezeichnen wir mit PA
k .
Kardinalitat von PAk : #PA
k = (n)k = n · (n− 1) · . . . · (n− k + 1) = k! ·(
nk
)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 41
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 2: 3P + 3P + 2P = 8P
Ein Elektronikfachmarkt wird von drei Lieferanten Li (i = 1, 2, 3) mit Disketten beliefert. DieLieferanten liefern 20%, 30% bzw. 50% des Bedarfs. Erfahrungsgemaß sind unter 1000 geliefertenDisketten des Lieferanten Li 4, 3 bzw. 20 Stuck defekt.
(a) Wie groß ist die Wahrscheinlichkeit, daß ein Kunde in dem Fachmarkt eine defekte Diskettekauft?
(b) Ein Kunde beschwert sich, daß er eine defekte Diskette gekauft hat. Wie groß ist die Wahr-scheinlichkeit daß diese Diskette aus der Lieferung des Lieferanten L3 stammt?
(c) Geben Sie
(i) den Satz von der totalen Wahrscheinlichkeit und
(ii) die Bayes’sche Formel an.
Losung:
Li sei das Ereignis “Diskette wurde von Lieferant Li geliefert”, i = 1, 2, 3.D sei das Ereignis “Diskette defekt”.
Gegeben:
P (L1) =1
5P (L2) =
3
10P (L3) =
1
2
P (D |L1 ) =4
1000=
1
250P (D |L2 ) =
3
1000P (D |L3 ) =
20
1000=
1
50
Zu (a):
Gesucht: P (D)
Nach dem Satz von der totalen Wahrscheinlichkeit:
P (D) = P (L1) ·P (D |L1 ) + P (L2) ·P (D |L2 ) + P (L3) ·P (D |L3 )
=1
2· 1
250+
3
10
3
1000+
1
2· 1
50= 0, 0117
Zu (b):
Gesucht: P (L3|D)
Nach der Formel von Bayes:
P (L3|D) =P (L3) ·P (D |L3 )
P (D)
=P (L3) ·P (D |L3 )
P (L1) ·P (D |L1 ) + P (L2) ·P (D |L2 ) + P (L3) ·P (D |L3 )
=
1
2· 1
200, 0117
≈ 0, 8947
Seite 42 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Zu (c): Nach Satz (7.4):
Es seien B1, B2, . . . disjunkte Ereignisse und A ⊂∞⋃
n=1
Bn. Dann gilt die Formel von der totalen
Wahrscheinlichkeit:
P (A) =
∞∑
n=1
P (Bn) ·P (A |Bn )
und im Fall P (A) > 0 gilt die Formel von Bayes:
P (Bk|A) =P (Bk) ·P (A |Bk )
∞∑
n=1
P (Bn) ·P (A |Bn )
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 43
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 3: 1P + 2P + 3P + 2P = 8P
Die logistische Verteilung ist durch die Verteilungsfunktion
F : x 7→ 1
1 + e−x
definiert.
(a) Zeigen Sie, daß F eine Verteilungsfunktion ist.
(b) Zeigen Sie, daß diese Verteilung eine Dichte f besitzt und bestimmen Sie diese.
(c) Zeigen Sie: Ist X eine reelle Zufallsvariable mit Verteilungsfunktion F , so gilt fur alle h > 0,daß
P X ≥ h = P X ≤ −h(Man nennt diese Verteilung symmetrisch um 0.)
(d) Definieren Sie:
(i) Varianz einer Zufallsvariablen;
(ii) Lebesgue-Dichte einer Verteilung.
Losung:
F : x 7→ 1
1 + e−xVerteilungsfunktion der logistischen Verteilung.
Zu (a):
Z.Z.: F ist eine Verteilungsfunktion
Beweis:
(1) F ist monoton wachsend:Seien x, y ∈ R mit x < y. Z.z.: F (x) < F (y).
x < y ⇔ −x > −y ⇔ e−x > e−y ⇔ 1 + e−x > 1 + e−y
⇔ 1
1 + e−x<
1
1 + e−y⇔ F (x) < F (y)
(2) F ist stetig als Komposition stetiger Funktionen; also F insbesondere rechtsseitig stetig.
(3) Wegen limx→+∞
e−x = 0 gilt limx→+∞
F (x) =1
1 + 0= 1
(4) Wegen 1 + e−x → +∞ fur x→ −∞ gilt limx→−∞
F (x) = 0
Aus (1),(2),(3),(4) folgt F ist Verteilungsfunktion.
Seite 44 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Zu (b):
F ist stetig differenzierbar ⇒ f = F ′ ist die Dichte der Verteilung.
Es gilt f (x) = F ′ (x) = (−1) (1 + e−x)−2
(−e−x) =e−x
(1 + e−x)−2 .
Zu (c):
X sei eine reelle Zufallsvariable mit Verteilungsfunktion F
Z.Z.:P X ≥ h = P X ≤ −h fur alle h > 0
Beweis:
Sei h > 0. Dann gelten
P X ≥ h = P X > h = 1−P X ≤ h = 1− F (h) = 1− 1
1 + e−h
=1 + e−h − 1
1 + e−h=
e−h
1 + e−h
sowie
P X ≤ −h = F (−h) =1
1 + e−h
Wegene−h
1 + e−h=
e−h · eh
(1 + e−h) · eh=
1
eh + 1=
1
1 + eh∀h > 0
folgt die Behauptung.
Zu (d):
(i) Nach (5.7): Es sei X : Ω → R eine Zufallsvariable auf einem Wahrscheinlichkeitsraum(Ω, A,P), fur die X2 integrierbar ist. (Man nennt X quadratisch integrierbar.) Die Zahl
VP (X) = EP
(
(X −EP (X))2)
nennt man Varianz von X .
(ii) Nach (3.19): Es sei f : Rd → R+ ∪∞ eine meßbare Funktion mit
∫
f dλd = 1. Dann wird
durch
P (A) =
∫
1A · f dλd A ∈ B(R
d)
ein Wahrscheinlichkeitsmaß P auf Rd definiert. Die Funktion f nennen wir Lebesgue-Dichte
von P. Samtliche Wahrscheinlichkeitsmaße die man so erhalt sind diffus, d.h. fur alle ω ∈ Rd
gilt P ω =
∫
1ω · f dλd = f (ω) · λd ω = 0.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 45
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 4: 1P + 3P + 4P + 2P = 10P
Die Lange X eines Telefongesprachs sei eine R+-wertige Zufallsvariable, deren Verteilung dieLebesgue-Dichte
f (x) = C · e−2x · 1[0,∞) (x)
besitzt.
(a) Bestimmen Sie die Konstante C. (Kontrolle: C = 2.)
(b) Geben Sie die
(i) Verteilungsfunktion von X an;
(ii) mittlere Lange E (X) eines Telefonats an.
(c) Die Kosten eines Telefonats der (deterministischen) Lange x berechnen sich nach der Formel
K (x) = 1(0,3] (x) + (1 + (x− 3)) · 1(3,∞) (x)
(Sockelbetrag + linearer Anstieg)Berechnen Sie die mittleren Kosten E (K (X)) eines Telefonats.
(d) Formulieren Sie die Transformationsformel fur eine Zufallsvariable deren Verteilung dieLebesgue-Dichte f besitzt.
Losung:
X : Lange eines Telefongespraches
X R+-wertige Zuvallsvariable, PX besitzt die Lebesgue-Dichte f (x) = C · e−2x · 1[0,∞) (x)
Zu (a): Bestimmung der Konstanten C:
Da f eine Dichte ist, muß gelten
∫
f (x) dλ1 (x) = 1
1 =
∫
f (x) dλ1 (x) = C ·∫ ∞
0
e−2x dx = C ·[
−1
2e−2x
]∞
0
= C ·(
0 +1
2
)
C · 12
= 1 ⇔ C = 2
Somit ist f (x) = 2e−2x · 1[0,∞) (x)
Zu (b.i): Verteilungsfunktion FX von X :
FX (t) = P X ≤ t = PX (]−∞, t]) =
∫
1]−∞,t] · f (x) dλ1 (x)
=
0 fur t ≤ 0∫ t
0
2e−2x dx fur t > 0
Fur t > 0:∫ t
0
2e−2x dx =[−e−2x
]t
0= −e−2t + 1 = 1− e−2t
Also:
FX (t) =
0 fur t ≤ 01− e−2t fur t > 0
Seite 46 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Zu (b.ii): Mittlere Lange E (X) eines Telefongespraches:
E (X) =
∫
X · f (x) dλ1 (x) =
∫ ∞
0
x︸︷︷︸
v
· 2e−2x
︸ ︷︷ ︸
u′dx (partielle Integration)
=[x ·(−e−2x
)]∞0
︸ ︷︷ ︸
= 0
−∫ ∞
0
1 ·(−e−2x
)dx
=
∫ ∞
0
e−2x dx =
[
−1
2· e−2x
]∞
0
= 0 +1
2=
1
2
Zu (c): Kosten eines Telefongespraches der Lange x berechnet sich nach
K (x) = 1(0,3] (x) + (1 + (x− 3)) · 1(3,∞) (x)
Gesucht: Mittlere Kosten E (K (x)) eines Telefonates
E (K (x)) =
∫
K (x) · f (x) dλ1 (x)
=
∫(1(0,3] (x) + (1 + (x− 3)) · 1(3,∞) (x)
)· f (x) dλ1 (x)
=
∫
1(0,3] (x) · f (x) dλ1 (x) +
∫
(x− 2) · 1(3,∞) (x) · f (x) dλ1 (x)
=
∫ 3
0
2e−2x dx +
∫ ∞
3
(x− 2)︸ ︷︷ ︸
v
· 2e−2x
︸ ︷︷ ︸
u′dx (partielle Integration)
=[−e−2x
]3
0+[(x− 2)
(−e−2x
)]∞3−∫ ∞
3
1 ·(−e−2x
)dx
= −e−6 + 1 +(0− 1 ·
(−e−6
))+
∫ ∞
3
e−2x dx
= −e−6 + 1 + e−6 +
[
−1
2· e−2x
]∞
3
= 1 +
(
0 +1
2· e−6
)
= 1 +1
2· e−6
Zu (d): Nach Satz (5.4):
Es sei (Ω, A,P) ein Wahrscheinlichkeitsraum, ferner sei A′ eine σ-Algebra auf Ω′,X : (Ω, A) → (Ω′, A′) eine Zufallsvariable und g : Ω′ → R eine reelle Zufallsvariable. Dann istg (X) = g X genau dann integrierbar bezuglich P, wenn g integrierbar bezuglich PX ist und esgilt:
E (g X) = E (g (X)) =
∫
g dPX =
∫
g (x) dPX (x)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 47
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Aufgabe 5: 2P + 4P + 2P + 2P = 10P
Es sei X eine auf [−1, 1] gleichverteilte Zufallsvariable.
(a) Zeigen Sie, daß X und Y = X2 unkorreliert sind.
(b) Zeigen Sie, daß die Zufallsvariablen Yk := sin (πkX), k ≥ 1 paarweise unkorreliert sind.
(c) Zeigen Sie, daß
1
n
n∑
k=1
sin (πkX)→ 0 stochastisch fur n→∞
gilt.
(d) Formulieren Sie das schwache Gesetz der großen Zahlen.
Losung:
X sei auf [−1; 1] gleichverteilt, d.h. PX besitzt die Dichte
f (x) =1
2· 1[−1;1] (x)
Zu (a):
Behauptung: X und Y = X2 sind unkorreliert.
Beweis:
E (X · Y ) = E(X ·X2
)= E
(X3)
=
∫
x3 · f (x) dλ1 (x)
=1
2·∫ 1
−1
x3 dx
=1
2·[1
4· x4
]1
−1
=1
8[1− 1] = 0
E (X) =
∫
x · f (x) dλ1 (x)
=1
2·∫ 1
−1
xdx =1
2·[1
2· x2
]1
−1
=1
4· [1− 1] = 0
⇒ Kov (X, Y ) = E (X · Y )−E (X) · E (Y ) = 0
das heißt X und Y sind unkorreliert.
Seite 48 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Zu (b): Fur k ≥ 1 : Yk := sin (kπX)
Behauptung: Die (Yk) sind paarweise unkorreliert
Beweis: Sei k ≥ 1. Dann gilt
E (Yk) = E (sin (kπX)) =
∫
sin (kπx) · f (x) dλ1 (x)
=1
2·∫ 1
−1
sin (kπx)︸ ︷︷ ︸
ungerade
dx = 0
Seien nun k, l ≥ 1 mit k 6= l
E (Yk · Yl) = E (sin (kπX) · sin (lπX)) =
∫
sin (kπx) · sin (lπx) · f (x) dλ1 (x)
=1
2·∫ 1
−1
sin (kπx)︸ ︷︷ ︸
v
· sin (lπx)︸ ︷︷ ︸
u′
dx
(∗)=
1
2·[
sin (kπx) ·(
− 1
lπ
)
cos (lπx)
]1
−1︸ ︷︷ ︸
= 0
−1
2·∫ 1
−1
kπ · cos (kπx) ·(
− 1
lπcos (lπx)
)
dx
(∗)=
1
2· k
l·∫ 1
−1
cos (kπx)︸ ︷︷ ︸
v
· cos (lπx)︸ ︷︷ ︸
u′
dx
=1
2· k
l·[
cos (kπx) · 1
lπsin (lπx)
]1
−1︸ ︷︷ ︸
= 0
−1
2· k
l·∫ 1
−1
kπ · (− sin (kπx)) · 1
lπsin (lπx) dx
1
2· k
2
l2·∫
sin (kπx) · sin (lπx) · f (x) dx
Bemerkung (∗): Partielle Integration
Somit:
1
2·∫ 1
−1
sin (kπx) · sin (lπx) dx =1
2· k
2
l2·∫ 1
−1
sin (kπx) · sin (lπx) dx
⇔ 1
2·∫ 1
−1
sin (kπx) · sin (lπx) dx ·(
1− k2
l2
)
︸ ︷︷ ︸
6= 0, da k 6= l
= 0
⇒ 1
2·∫ 1
−1
sin (kπx) · sin (lπx) dx
︸ ︷︷ ︸
= E (Yk · Yl)
= 0
SomitKov (Yk, Yl) = E (Yk · Yl)−E (Yk) · E (Yl) = 0
das heißt Yk und Yl sind unkorreliert.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 49
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Zu (c):
Behauptung:
1
n
n∑
k=1
sin (πkX)︸ ︷︷ ︸
= Yk
→ 0 stochastisch fur n→∞
Beweis:
Die (Yk) sind nach Teil (b) paarweise unkorreliert.Wegen |Yk| = |sin (kπx)| ≤ 1 gilt Y 2
k ≤ 1 und somit sind die Yk quadratisch integrierbar
E (Yk) =
∫
Y 2k
︸︷︷︸
≤ 1
dP ≤ 1
Weiterhin ist E (Yk) = 0 ∀k ≥ 1 (siehe Teil (b)).Fur die Varianzen gilt
V (Yk) = E(Y 2
k
)− (E (Yk))
2= E
(Y 2
k
)≤ 1 siehe oben
Nach dem schwachen Gesetz der großen Zahlen gilt fur alle ε > 0
P
∣∣∣∣∣
1
n
n∑
k=1
Yk
∣∣∣∣∣≥ ε
→ 0 fur n→∞
das heißt1
n
n∑
k=1
Yk → 0 stochastisch.
Zu (d): Nach Satz (5.19):
Es sei X1, X2, . . . eine Folge von quadratisch integrierbaren und unkorrelierten Zufallsvariablenmit gleichem Erwartungswert µ = E (Xn) und beschrankter Varianz V (Xn) ≤ M fur alle n ≥ 1.
Wir setzen Xn := 1n
n∑
i=1
Xi fur n ≥ 1. Dann gilt fur alle ε > 0
P∣∣Xn − µ
∣∣ ≥ ε
n→∞−−−−→ 0.
Seite 50 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2000
Aufgabe 6: 3P + 1P + 2P + 2P = 8P
In einem Friseur-Laden mit 9 Friseuren dauert ein Haarschnitt 10 Minuten. Herr Snyder betrittden Laden und sieht, daß alle 9 Friseure beschaftigt sind.
Die Zeitpunkte T1, . . . , T9 des Fertigwerdens der Friseure 1, . . . , 9 seien in [0, 10] gleichverteilt undunabhangig.
Es bezeichne T die Wartezeit von Herrn Snyder bis er bedient werden kann.
(a) (i) Geben Sie eine Formel fur T an.
(ii) Zeigen Sie, daß die Verteilungsfunktion FT von T die Gestalt
FT (t) =
0 fur t < 0
1−(
1− t
10
)9
fur 0 ≤ t ≤ 10
1 fur t > 10
hat.
(b) Berechnen die Dichte der Verteilung von T .
(c) Berechnen Sie die mittlere Wartezeit E (T ) von Herrn Snyder.
(d) Definieren Sie die Begriffe
(i) Verteilungsfunktion einer Zufallsvariable;
(ii) Unabhangigkeit einer Folge von Zufallsvariablen.
Losung:
Zu (a.i): T1, . . . , T9 unabhangig ⇒ PTi= 1
10 · λ1∣∣[0,10]
T = min T1, . . . , T9
Zu (a.ii):
FT (t) = P T ≤ t = 1−P T > t= 1−P min T1, . . . , T9 > t = 1−P T1 > t, . . . , T9 > t= 1− (P T1 > t)9 = 1− (1−P T1 ≤ t)9
P T1 ≤ t =
0 t < 0110 ·
∫ t
0 dx 0 ≤ t ≤ 101 t > 10
=
0 t < 0t10 0 ≤ t ≤ 101 t > 10
⇒ FT (t) =
0 t < 0
1−(1− t
10
)90 ≤ t ≤ 10
1 t > 10
Zu (b):
fT (x) = (FT )′(x) =
0 x < 0
−9 ·(1− t
10
)8 ·(− 1
10
)0 ≤ x ≤ 10
0 x > 10
=
0 x < 0910 ·
(1− t
10
)80 ≤ x ≤ 10
0 x > 10
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 51
Stochastik I Klausur - Sommersemester 2000 Fachschaften Mathematik
Zu (c):
E (T ) =
∫
x · fT (x) dx =
∫ 10
0
x︸︷︷︸
=f
· 9
10·(
1− x
10
)8
︸ ︷︷ ︸
=g′=fT
dx
=
[
x ·(
1−(
1− x
10
)9)]10
0
−∫ 10
0
(
1−(
1− x
10
)9
︸ ︷︷ ︸
wegen fT =F ′T
)
dx
= 10− 10 +
∫ 10
0
(
1− x
10
)9
dx
=
∫ 10
0
(
1− x
10
)9
dx
Subst.= 10 ·
∫ 1
0
u9 du =[u10]1
0= 1
Substitution: 1− x10 = 0 ⇒ x = −10u + 10 ⇒ dx = −10 · du.
Zu (d):
(i) Nach (4.7) und (4.8): Es sei X : (Ω, A)→ (Ω′, A′) eine Zufallsvariable auf einem Wahrschein-lichkeitsraum (Ω, A,P). Dann wird durch
PX : A′ → R+ PX (A′) = P X ∈ A′ = P ω ∈ Ω | X (ω) ∈ A′
ein Wahrscheinlichkeitsmaß auf (Ω′, A′) definiert. Das in so eingefuhrte Wahrscheinlichkeits-maß PX auf (Ω′, A′) heißt Verteilung von X unter P.
(ii) Nach (4.12) und (4.10): Es seien I 6= ∅ eine Indexmenge und fur j ∈ I Xj : (Ω, A)→ (Ω′, A′)Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, A,P). (Xj)j∈I
heißen unabhangig
:⇔ ∀Aj ∈ Aj sind die Ereignisse (Xj ∈ Aj)j∈Iunabhangig.
Es sei Aj ∈ A fur alle j ∈ I. Die Ereignisse (Aj)j∈Iheißen (stochastisch) unabhangig, falls
P
(⋂
j∈J
Aj
)
=∏
j∈J
P (Aj)
fur alle endlichen J ⊂ I.
Seite 52 Letzte Anderung: 18. Januar 2007
H-Doz. Dr. H.P. Scheffler Sommersemester 2001
Klausur zur Vorlesung Stochastik I - Losung
11.07.2001
Name Matrikel-Nr.
Wahlen Sie aus den folgenden funf Aufgaben vier Aufgaben aus. Die maximal erreichbare Punkt-zahl finden Sie neben jeder Aufgabe. Tragen Sie die Nummer der gewahlten Aufgaben in dasfolgende Kastchen ein:
Gewahlte Aufgabe
Die Bearbeitung anderer Aufgaben(teile) wird nicht bewertet.
Fur einen qualifizierten Studiennachweis benotigen Sie mindestens 18± ε Punkte. Fur einen Lei-stungsnachweis sind mindestens 24±ε Punkte notwendig. Sie haben zum Bearbeiten der Aufgaben3 Stunden Zeit.
Bitte verwenden Sie fur jede Aufgabe ein gesondertes Blatt, welches Sie mit Ihrem Namen undMatrikelnummer versehen.
Achten Sie in der Klausur auf sorgfaltige und exakte Formulierungen. Geben Sie, falls gefordert,Definitionen oder Satze stets exakt (mit allen Voraussetzungen) an.
Bei der Bearbeitung der einzelnen Aufgaben genugt es, entsprechende Formeln abzuleiten, ex-akte numerische Berechnungen, etwa mit Hilfe eines Taschenrechners sind nicht erforderlich.
Hilfsmittel (Bucher, Skripten) sind nicht zugelassen!
ε = +2
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Aufgabe 1: 4P + 6P + 2P = 12P
(a) Von 100 befragten Studenten horen 30 die Vorlesung A, 25 die Vorlesung B, und 12 dieVorlesung C. 11 Studenten horen die Vorlesungen A und B, 6 Studenten die Vorlesungen Aund C, 5 Studenten die Vorlesung B und C und 3 Studenten horen alle drei Vorlesungen.Wie viele der 100 Befragten horen keine der drei Vorlesungen?
(b) Jede Packung einer bestimmten Cornflakesart enthalte eines von insgesamt 11 verschiedenenSammelfotos des BVB. Es werden k ≥ 11 Packungen gekauft. Wie groß ist die Wahrschein-lichkeit, daß mindestens 1 Sammelfoto an der vollstandigen Serie fehlt?
(c) Geben Sie die Siebformel an.
Losung:
Zu (a):
A = Menge der Studenten, die Vorlesung A horen
B = Menge der Studenten, die Vorlesung B horen
C = Menge der Studenten, die Vorlesung C horen
#A = 30 #B = 25 #C = 12# (A ∩B) = 11 # (A ∩ C) = 6 # (B ∩ C) = 5
# (A ∩B ∩C) = 3
Gesucht: # (D := Menge der Studenten, die keine der 3 Vorlesungen horen.)
A ∪ B ∪ C ist die Menge der Studenten, die mindestens eine der 3 Vorlesungen horen. Es gilt:
D = (A ∪B ∪ C)∁.
Mit der Siebformel folgt:
# (A ∪B ∪ C) = #A + #B + #C −#(A ∩B)−#(A ∩ C)−#(B ∩ C) + # (A ∩B ∩ C)
= 30 + 25 + 12− 11− 6− 5 + 3
= 48
⇒ #D = 100−#(
D∁)
= 100−#(A ∪B ∪ C) = 100− 48 = 52
Zu (b):
k ≥ 11 Packungen, die Sammelfotos seien durchnumeriert von 1 bis 11.
Modell: Ω = (ω1, . . . , ωk)|ωi ∈ 1, . . . , 11, A = POT (Ω), P = LΩ, #Ω = 11k
Ai = Sammelfoto i fehlt (1 ≤ i ≤ 11)
Ai = (ω1, . . . , ωk) ∈ Ω|ωj ∈ 1, . . . , 11 \ i#Ai = 10k
⇒ P (Ai) =#Ai
#Ω=
(10
11
)k
Seite 54 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Fur i, j ∈ 1, . . . , 11, i 6= j gilt: Ai ∩Aj = (ω1, . . . , ωk) ∈ Ω|ωr ∈ 1, . . . , 11 \ i, j
#(Ai ∩Aj) = 9k
P (Ai ∩Aj) =
(9
11
)k
Allgemein gilt: Fur J ⊆ 1, . . . , 11, #J = l
P
⋂
j∈J
Aj
=
(11− l
11
)k
Daraus ergibt sich fur
11⋃
i=1
Ai = Mindestens ein Sammelfoto fehlt an der vollstandigen Serie
mit der Siebformel:
P
(11⋃
i=1
Ai
)
=
11∑
l=1
(−1)l−1
∑
J⊆1,...,11#J=l
P
⋂
j∈J
Aj
=11∑
l=1
(−1)l−1∑
J⊆1,...,11#J=l
(11− l
11
)k
=
11∑
l=1
(−1)l−1
(11l
)(11− l
11
)k
Zu (c):
Siebformel: (Ω, A,P) Wahrscheinlichkeitsraum und A1, . . . , An ∈ A (n ∈ N).
Dann gilt:
P
(n⋃
i=1
Ai
)
=
n∑
k=1
(−1)k−1
∑
J⊆1,...,n#J=k
P
⋂
j∈J
Aj
Zusatz:
Es folgt die Siebformel fur Kardinalitaten:
Ω endlich, A1, . . . , An ⊆ Ω (n ∈ N). Dann gilt:
#
(n⋃
i=1
Ai
)
=n∑
k=1
(−1)k−1∑
J⊆1,...,n#J=k
#
⋂
j∈J
Aj
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 55
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Aufgabe 2: 3P + 7P + 2P = 12P
(a) Einem Kasten, der 16 weiße und 16 schwarze Schachfiguren enthalt, werden nacheinander3 Figuren zufallig und ohne Zurucklegen entnommen. Wie groß ist die Wahrscheinlichkeit,hierbei 3 schwarze Figuren zu bekommen?
(b) In einem Aufzug, der noch 6 Stockwerke fahrt, sind 4 Personen, die voneinander unabhangigaussteigen. Wie groß ist die Wahrscheinlichkeit, daß
(i) alle in verschiedenen Stockwerken,
(ii) zwei in einem und die anderen beiden in jeweils verschiedenen Stockwerken,
(iii) alle 4 im gleichen Stockwerk,
(iv) mindestens 3 im gleichen Stockwerk aussteigen?
(c) Definieren Sie und geben Sie die Machtigkeiten an von
(i) k−Permutationen mit Wiederholung einer n−elementigen Menge.
(ii) k−Permutationen ohne Wiederholung einer n−elementigen Menge.
Losung:
Zu (a):
Modell: Urnenmodell mit 32 Kugeln, 16 weiße und 16 schwarze Kugeln. Ziehen: 3-mal ohne Zu-rucklegen.
Gesucht: P 3 schwarze KugelnHypergeometrische Verteilung: N = 32, w = 16, s = 16, n = 3.
P 3 schwarze Kugeln = H3,32,16 (3)
=
(163
)
·(
160
)
(323
) =560
4960=
7
62
Zu (b):
Modell:
Ω = (ω1, ω2, ω3, ω4)|ωi ∈ 1, . . . , 6, ωi = Person i steigt in Stockwerk ωi aus.
A = POT (Ω), P = LΩ
Zu (b.i):
A = (ω1, . . . , ω4) ∈ Ω|ωi 6= ωj ∀i 6= j= Alle steigen in verschiedenen Stockwerken aus
#A = 6 · 5 · 4 · 3 = 30 · 12 = 360
⇒ P (A) =#A
#Ω=
6 · 5 · 4 · 364
=360
1296=
5
18
Seite 56 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Zu (b.ii):
Gesucht: Anzahl aller Tupel (ω1, . . . , ω4) ∈ Ω, in denen eine Zahl doppelt auftritt und die beidenubrigen voneinander verschieden sind, ebenso verschieden sind vom Paar.
6 Moglichkeiten, die Zahl auszuwahlen, die doppelt auftritt.
(42
)
Moglichkeiten, die beiden gleichen Zahlen im Tupel unterzubringen.
5 Moglichkeiten fur die erste noch freie Stelle im Tupel, 4 Moglichkeiten fur die zweite nochfreie Stelle im Tupel.
⇒ 6 ·(
42
)
· 5 · 4 Tupel (B = Menge aller dieser Tupel)
⇒ P (B) =
(42
)
· 6 · 5 · 464 = 720
1296 = 59
Zu (b.iii):
C = (ω1, . . . , ω4) ∈ Ω|ω1 = ω2 = ω3 = ω4#C = 6
⇒ P (C) =6
64=
1
63=
1
216
Zu (b.iv):
D = (ω1, . . . , ω4) ∈ Ω| ∃i, j, k ∈ 1, 2, 3, 4 , i 6= j 6= k mit ωi = ωj = ωk= mindestens drei im gleichen Stockwerk
D = C ∪· E wobei E = D \ C (= Genau drei im gleichen Stockwerk)
#D = #C + #E = 6 + 6 ·(
43
)
· 5 = 6 + 6 · 4 · 5 = 126
⇒ P (D) =6 + 6 · 4 · 5
64=
7
72
Zu (c): Nach Definition (2.1): Es sei A 6= ∅ und k ≥ 1
(i) k-Permutationen mit Wiederholung einer n-elementigen Menge.Jedes k-Tupel (a1, . . . , ak) mit ai ∈ A heißt k-Permutation aus A mit Wiederholung. Ak istdie Menge der k-Permutationen aus A mit Wiederholung.Kardinalitat von Ak: #Ak = nk
(ii) k-Permutationen ohne Wiederholung einer n-elementigen MengeEine k-Permutation aus A ohne Wiederholung ist ein k-Tupel (a1, . . . , ak) mit ai 6= aj furalle i 6= j. Die Menge aller solcher Permutationen bezeichnen wir mit PA
k .
Kardinalitat von PAk : #PA
k = (n)k = n · (n− 1) · . . . · (n− k + 1) = k! ·(
nk
)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 57
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Aufgabe 3: 4P + 6P + 2P = 12P
(a) Von den Ubungsaufgaben zu einer bestimmten Vorlesung werden 20% vom Professor, 50%vom Assistenten und 30% von einer Hilfskraft gestellt. Von den Aufgaben des Professorskonnen Sie erfahrungsgemaß 80%, von denjenigen des Assistenten 60% und von denjenigender Hilfskraft 50% losen. Wieder einmal konnen Sie eine Ubungsaufgabe nicht losen. Mitwelcher Wahrscheinlichkeit stammt die Aufgabe vom Professor, vom Assistenten bzw. vonder Hilfskraft?
(b) In der Stadt Omega wird ein neuer Impfstoff gegen Stochastichitis erprobt.MitI =Menge der Einwohner von Omega, die vor Ausbruch der Epidemie geimpft wurdenS =Menge der Einwohner von Omega, die an Stochastichitis erkrankt sindM =Menge der mannlichen Einwohner von Omegagilt:
# (S ∩ I ∩M) = 1000
#(
S ∩ I∁ ∩M)
= 14000
#(
S∁ ∩ I ∩M)
= 1000
#(
S∁ ∩ I∁ ∩M)
= 10000
#(
S ∩ I ∩M∁)
= 4000
#(
S ∩ I∁ ∩M∁)
= 10000
#(
S∁ ∩ I ∩M∁)
= 1000
#(
S∁ ∩ I∁ ∩M∁)
= 2000
Unter der Annahme, daß jede Person mit gleicher Wahrscheinlichkeit an Stochastichitis er-kranke, vergleiche man:
(i) P (S |I ∩M ) mit P(
S∣∣∣I∁ ∩M
)
(ii) P(
S∣∣∣I ∩M∁
)
mit P(
S∣∣∣I∁ ∩M∁
)
(iii) P (S |I ) mit P(
S∣∣∣I∁)
(c) Geben Sie die Formel von Bayes an.
Losung:
Zu (a):
D = Aufgabe vom Professor (Dozenten) gestelltP (D) = 0, 2
A = Aufgabe vom Assistenten gestelltP (A) = 0, 5
H = Aufgabe von der Hilfskraft gestelltP (H) = 0, 3
L = Aufgabe kann gelost werdenP (L|D) = 0, 8
P (L|A) = 0, 6
P (L|H) = 0, 5
Seite 58 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Gesucht: P(
D∣∣∣L∁
)
, P(
A∣∣∣L∁
)
, P(
H∣∣∣L∁
)
Aus der Formel fur die totale Wahrscheinlichkeit folgt:
P(
L∁)
= P(
L∁∣∣∣D)
·P (D) + P(
L∁∣∣∣A)
·P (A) + P(
L∁∣∣∣H)
·P (H)
= 0, 2 · 0, 2 + 0, 4 · 0, 5 + 0, 5 · 0, 3 = 0, 04 + 0, 2 + 0, 15 = 0, 39
Daraus folgt (mit der Formel von Bayes):
P(
D∣∣∣L∁
)
=P(
L∁
∣∣∣D)
·P (D)
P(L∁) =
0, 2 · 0, 2
0, 39=
4
39
P(
A∣∣∣L∁
)
=P(
L∁
∣∣∣A)
·P (A)
P(L∁) =
0, 4 · 0, 5
0, 39=
20
39
P(
H∣∣∣L∁
)
=P(
L∁
∣∣∣H)
·P (H)
P(L∁) =
0, 5 · 0, 3
0, 39=
15
39
Zu (b.i): Vergleich von P (S |I ∩M ) und P(
S∣∣∣I∁ ∩M
)
P (S |I ∩M ) =P (S ∩ I ∩M)
P (I ∩M)=
# (S ∩ I ∩M)
# (I ∩M)
=# (S ∩ I ∩M)
# (S ∩ I ∩M) + #(S∁ ∩ I ∩M
) =1000
1000 + 1000=
1
2
P(
S∣∣∣I∁ ∩M
)
=P(
S ∩ I∁ ∩M)
P(I∁ ∩M
) =#(
S ∩ I∁ ∩M)
#(I∁ ∩M
)
=#(
S ∩ I∁ ∩M)
#(S ∩ I∁ ∩M
)+ #
(S∁ ∩ I∁ ∩M
) =14000
14000 + 10000=
7
12
P (S |I ∩M ) < P(
S∣∣∣I∁ ∩M
)
Zu (b.ii): Vergleich von P(
S∣∣∣I ∩M∁
)
und P(
S∣∣∣I∁ ∩M∁
)
P(
S∣∣∣I ∩M∁
)
=P(
S ∩ I ∩M∁)
P(I ∩M∁
) =#(
S ∩ I ∩M∁)
#(I ∩M∁
)
=#(
S ∩ I ∩M∁)
#(S ∩ I ∩M∁
)+ #
(S∁ ∩ I ∩M∁
) =4000
4000 + 1000=
4
5
P(
S∣∣∣I∁ ∩M∁
)
=P(
S ∩ I∁ ∩M∁
)
P(I∁ ∩M∁
) =#(
S ∩ I∁ ∩M∁
)
#(I∁ ∩M∁
)
=#(
S ∩ I∁ ∩M∁)
#(S ∩ I∁ ∩M∁
)+ #
(S∁ ∩ I∁ ∩M∁
) =10000
10000 + 2000=
5
6
P(
S∣∣∣I ∩M∁
)
< P(
S∣∣∣I∁ ∩M∁
)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 59
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Zu (b.iii): Vergleiche P (S |I ) und P(
S∣∣∣I∁)
P (S |I ) =# (S ∩ I)
# (I)
=# (S ∩ I ∩M) + #
(
S ∩ I ∩M∁)
#(S ∩ I ∩M) + #(S ∩ I ∩M∁
)+ #
(S∁ ∩ I ∩M
)+ #
(S∁ ∩ I ∩M∁
)
=1000 + 4000
1000 + 4000 + 1000 + 1000=
5
7
P(
S∣∣∣I∁)
=2
3
P (S |I ) > P(
S∣∣∣I∁)
Obwohl P (S |I ∩M ) < P(
S∣∣∣I∁ ∩M
)
und P(
S∣∣∣I ∩M∁
)
< P(
S∣∣∣I∁ ∩M∁
)
:
Simpson-Paradoxon:
Q := P ( · |I ) ist Wahrscheinlichkeitsmaß.Nach der Formel von der totalen Wahrscheinlichkeit, angewandt auf Q, folgt:
P (S |I ) = Q (S)
= Q (S |M ) ·Q (M) + Q(
S∣∣∣M∁
)
·Q(
M∁)
(∗)=
1
2P (S |M ∩ I )︸ ︷︷ ︸
·P (M |I )(#)
+4
5
P(
S∣∣∣M∁ ∩ I
)
︸ ︷︷ ︸
·P(
M∁ |I)
(#)
Bemerkung zu (∗):
Q (S |M ) =Q (S ∩M)
Q (M)=
P (S ∩M | I)
P (M | I)=
P (S ∩M ∩ I)
P (I)
P (M ∩ I)
P (I)
=P (S ∩M ∩ I)
P (M ∩ I)= P (S |M ∩ I )
Analog folgt:
P(
S∣∣∣I∁)
=7
12
P(
S∣∣∣M ∩ I∁
)
︸ ︷︷ ︸
·P(
M∣∣∣I∁)
(#)
+5
6
P(
S∣∣∣M∁ ∩ I∁
)
︸ ︷︷ ︸
·P(
M∁∣∣∣I∁)
(#)
Bemerkung zu (#): Wichtig sind die eingehenden “Gewichte”.
Zu (c): Nach Satz (7.4):
Es seien B1, B2, . . . disjunkte Ereignisse und A ⊂∞⋃
n=1
Bn. Dann gilt die Formel von der totalen
Wahrscheinlichkeit:
P (A) =
∞∑
n=1
P (Bn) ·P (A |Bn )
Seite 60 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
und im Fall P (A) > 0 gilt die Formel von Bayes:
P (Bk|A) =P (Bk) ·P (A |Bk )
∞∑
n=1
P (Bn) ·P (A |Bn )
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 61
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Aufgabe 4: 4P + 6P + 2P = 12P
(a) Der zweidimensionale Zufallsvektor (X, Y ) sei gleichverteilt auf dem Einheitskreis Ω :=
(x, y) ∈ R2∣∣ x2 + y2 ≤ 1
. Es sei R der Abstand eines zufallig gezogenen Punktes (x, y)
zum Ursprung. Berechnen Sie:
(i) Die Verteilungsfunktion von R;
(ii) Die Dichte der Verteilung von R;
(iii) Den Erwartungswert und die Varianz von R.
(b) Aus einer Urne mit n Kugeln, die von 1 bis n durchnummeriert sind, werden k ≥ 1 Kugelnzufallig und mit Zurucklegen gezogen. Sei X die großte gezogene Zahl unter den k gezogenen.
(i) Man gebe ein geeignetes mathematisches Modell an.
(ii) Man berechne P X ≤ m fur 1 ≤ m ≤ n.
(iii) Man bestimme die Verteilung von X .
(iv) Berechnen Sie E (X). (Es reicht eine Formel anzugeben!)
(c) Man definiere die Begriffe Verteilungsfunktion und Dichte der Verteilung einer Zufallsvaria-blen.
Losung:
(X, Y ) gleichverteilt auf dem Einheitskreis Ω =(x, y) ∈ R
2∣∣x2 + y2 ≤ 1
, R Abstand eines zu-
fallig gezogenen Punktes vom Ursprung
R =√
X2 + Y 2.
Zu (a.i): Verteilungsfunktion von R (0 ≤ t ≤ 1):
P R ≤ t = P√
X2 + Y 2 ≤ t
= P(X,Y )
(x, y) ∈ Ω∣∣∣
√
x2 + y2 ≤ t
λ2
(x, y) ∈ Ω∣∣∣
√
x2 + y2 ≤ t
λ2 (Ω)=
π · t2π
= t2
1
x
y
1
Ω 1
x
y
1
t
t
Ω
F (t) =
0 fur t < 0t2 fur 0 ≤ t ≤ 11 fur t > 1
ist die Verteilungsfunktion von R.
Seite 62 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Zu (a.ii): F (stuckweise) stetig differenzierbar
⇒ Verteilung von R besitzt Dichte f , und es gilt f = F ′.
⇒ f (t) = 2 · t · 1[0,1] (t) ist die Dichte der Verteilung von R.
Zu (a.iii):
E (R) =
∫
R
tf (t) dλ1 (t) =
∫ 1
0
2t2 dt =
[2
3t3]1
0
=2
3
E(R2)
=
∫
R
t2f (t) dλ1 (t) =
∫ 1
0
2t3 dt =
[2
4t4]1
0
=1
2
⇒ V (R) = E(R2)− (E (R))2 =
1
2− 4
9=
1
18
Zu (b.i):
Modell:
Ω = (ω1, . . . , ωk)|ωi ∈ 1, . . . , n, ωi = Nummer der gezogenen Kugel im i.ten Zug, A =POT (Ω) , P = LΩ
Zu (b.ii):
X ((ω1, . . . , ωk)) = max ω1, . . . , ωk , mit (ω1, . . . , ωk) ∈ Ω
Gesucht: P X ≤ m fur 1 ≤ m ≤ n
P X ≤ m = P (ω1, . . . , ωk) ∈ Ω|max ω1, . . . , ωk ≤ m= P (ω1, . . . , ωk) ∈ Ω|ωi ∈ 1, . . . , m
=# (ω1, . . . , ωk) ∈ Ω|ωi ∈ 1, . . . , m
#Ω=
mk
nk=(m
n
)k
Zu (b.iii):
P X = 1 = P (1, . . . , 1) =1
nk
P X = 2 = P (X ≤ 2 \ X = 1) =
(2
n
)k
− 1
nk=
2k − 1
nk
P X = 3 = P (X ≤ 3 \ X ≤ 2) =
(3
n
)k
−(
2
n
)k
=3k − 2k
nk
...
P X = n = P (X ≤ n \ X ≤ n− 1) = 1−(
n− 1
n
)k
=nk − (n− 1)
k
nk
Allgemein: P X = m =mk − (m− 1)
k
nkfur 1 ≤ m ≤ n
Zu (b.iv):
E (X) =
n∑
m=1
m ·P X = m =
n∑
m=1
m · mk − (m− 1)
k
nk
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 63
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Zu (c): Nach Satz (4.7) und Definition (4.8):
(i) Sei X : (Ω, A) → (R,B (R)) eine reelle Zufallsvariable, P ein Wahrscheinlichkeitsmaß auf(Ω, A).Dann ist die Verteilungsfunktion FX von X definiert durch
FX (t) = PX (]−∞, t]) (= P X ≤ t = P ω ∈ Ω |X (ω) ≤ t)
fur ein t ∈ R.
(ii) Sei X : (Ω, A)→(R
d,B(R
d))
eine reelle Zufallsvariable, P ein Wahrscheinlichkeitsmaß auf(Ω, A).Die Verteilung PX sei ein Wahrscheinlichkeitsmaß mit Dichte f bezuglich λd, daß heißt esgelte
PX (A) =
∫
f · 1A dλd ∀A ∈ B(R
d)
dabei ist f : Rd → R+ ∪ +∞ meßbar mit
∫
f dλd = 1.
Dann ist f die Dichte der Verteilung der Zufallsvariablen X .
Seite 64 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Aufgabe 5: 4P + 6P + 2P = 12P
(a) Die Verteilung der reellen Zufallsvariablen X habe die Dichte fX . Zeigen Sie, daß die Ver-teilung von Y := |X | die Dichte
fY (x) =
fX (x) + fX (−x) falls x > 00 falls x ≤ 0
besitzt.
(b) Es sei X auf [−1, 1] gleichverteilt. Zeigen Sie:
(i) X und Y := X2 sind unkorreliert;
(ii) Die Zufallsvariablen Yk := sin (πkX), k ≥ 1 sind paarweise unkorreliert.
(iii)1
n
n∑
k=1
sin (πkX)→ 0 fur n→∞ stochastisch.
(c) Geben Sie die Transformationsformel fur E (g (X)) an.
Losung:
Zu (a): PX besitzt Dichte fX
Sei t > 0
P Y ≤ t = P |X | ≤ t = P −t ≤ X ≤ t = PX ([−t, t])
=
∫
fX (y) · 1[−t,t] (y) dy =
∫ t
−t
fX (y) dy
=
∫ 0
−t
fX (y) dy +
∫ t
0
fX (y) dy =
∫ t
0
fX (−z) dz +
∫ t
0
fX (y) dy
=
∫ t
0
fX (y) + fX (−y) dy =
∫ t
−∞(fX (y) + fX (−y)) · 1]0,∞[ (Y ) dy
Zu (b): PX besitzt die Lebesgue-Dichte f (x) = 12 · 1[−1,1] (x)
Zu (b.i):
Behauptung: X und Y := X2 sind unkorreliert
Beweis:
Zu Zeigen: Kov (X, Y ) = E (X · Y )−E (X) · E (Y ) = 0
E (X) =1
2·∫ 1
−1
xdx =1
2·[1
2· x2
]1
−1
=1
2·(
1
2− 1
2
)
= 0
E (X · Y ) = E(X3)
=1
2·∫ 1
−1
x3 dx =1
2·[1
4· x4
]1
−1
=1
2·(
1
4− 1
4
)
= 0
Somit folgt: Kov (X, Y ) = 0
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 65
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Zu (b.ii): Yk := sin (πkX), k ≥ 1
Behauptung: Die Zufallsvariablen (Yk)k≥1 sind paarweise unkorreliert
Beweis: Seien k, l ≥ 1, k 6= l
E (Yk) = E (sin (πkX)) =
∫
R
sin (πkx) dPX (x) =
∫
R
sin (πkx) · f (x) dx
=1
2·∫ 1
−1
sin (πkx) dx = 0 da sin ungerade
E (Yk · Yl) = E (sin (πkX) · sin (πlX)) =
∫
R
sin (πkx) · sin (πlx) dPX (x)
=1
2·∫ 1
−1
sin (πkx)︸ ︷︷ ︸
u
· sin (πlx)︸ ︷︷ ︸
v′
dx
=1
2·[
sin (πkx) ·(
− 1
πlcos (πlx)
)]1
−1
−1
2·∫ 1
−1
πk cos (πkx) ·(
− 1
πlcos (πlx)
)
dx
= 0 +1
2· k
l·∫ 1
−1
cos (πkx)︸ ︷︷ ︸
u
· cos (πlx)︸ ︷︷ ︸
v′
dx
=1
2· k
l·[
cos (πkx) · 1
πlsin (πlx)
]1
−1
−1
2· k
l·∫ 1
−1
(−πk sin (πkx)) · 1
πlsin (πlx) dx
=1
2· k
2
l2·∫ 1
−1
sin (πkx) · sin (πlx) dx
Also:1
2·∫ 1
−1
sin (πkx) · sin (πlx) dx =1
2· k
2
l2·∫ 1
−1
sin (πkx) · sin (πlx) dx
⇔ 1
2·∫ 1
−1
sin (πkx) · sin (πlx) dx ·(
1− k2
l2·)
= 0. Wegen
(
1− k2
l2·)
6= 0 da k 6= l
⇒ E (Yk · Yl) =
∫ 1
−1
sin (πkx) · sin (πlx) dx = 0
Somit folgt:Kov (Yk, Yl) = E (Yk · Yl)−E (Yk) · E (Yl) = 0
Seite 66 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Zu (b.iii):
Behauptung:
1
n·
n∑
k=1
Ykn→∞−−−−→ 0 stochastisch
Beweis: Sei k ≥ 1
|Yk| = |sin (πkX)| ≤ 1 ⇒ Y 2k ≤ 1 ⇒ E
(Y 2
k
)≤ 1
Somit ist V (Yk) = E(Y 2
k
)− (E (Yk))
2= E
(Y 2
k
)≤ 1 da E (Yk) = 0 (siehe (b.ii))
Damit ist (Yk) eine Folge von quadratisch integrierbaren und unkorrelierten Zufallsvariablen (nach(b.ii)) mit gleichem Erwartungswert 0 = E (Yk) und beschrankten Varianzen V (Yk) ≤ 1 ∀k ≥ 1.
Nach dem schwachen Gesetz der großen Zahlen konvergiert1
n·
n∑
k=1
Yk stochastisch gegen 0.
Zu (c): Nach Satz (5.4):
Es sei (Ω, A,P) ein Wahrscheinlichkeitsraum, ferner sei A′ eine σ-Algebra auf Ω′,X : (Ω, A) → (Ω′, A′) eine Zufallsvariable und g : Ω′ → R eine reelle Zufallsvariable. Dann istg (X) = g X genau dann integrierbar bezuglich P, wenn g integrierbar bezuglich PX ist und esgilt:
E (g X) = E (g (X)) =
∫
g dPX =
∫
g (x) dPX (x)
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 67
H-Doz. Dr. H.P. Scheffler Sommersemester 2001
Nachklausur zur Vorlesung Stochastik I - Losung
Name, Vorname:
Geburtsdatum:
Matrikelnummer:
Bearbeiten Sie bitte alle funf Aufgaben. Die maximal erreichbare Punktezahl finden Sie nebenjeder Aufgabe.
Fur einen qualifizierten Studiennachweis benotigen Sie mindestens 18± ε Punkte. Fur einen Lei-stungsnachweis sind mindestens 24±ε Punkte notwendig. Sie haben zum Bearbeiten der Aufgaben3 Stunden Zeit.
Bitte verwenden Sie fur jede Aufgabe ein gesondertes Blatt, welches Sie mit Ihrem Namen undMatrikelnummer versehen.
Achten Sie in der Klausur auf sorgfaltige und exakte Formulierungen. Geben Sie, falls gefordert,Definitionen oder Satze stets exakt (mit allen Voraussetzungen) an.
Bei der Bearbeitung der einzelnen Aufgaben genugt es, entsprechende Formeln abzuleiten, ex-akte numerische Berechnungen, etwa mit Hilfe eines Taschenrechners sind nicht erforderlich.
Hilfsmittel (Bucher, Skripten) sind nicht zugelassen!
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Aufgabe 1: 8P + 2P = 10P
(a) An einer Theatergarderobe werden nach Ende der Vorstellung zunachst die Mantel undanschließend (unabhangig davon) die Hute zufallig zuruckgegeben. Wie groß ist die Wahr-scheinlichkeit, daß keiner der Besucher beide Kleidungsstucke (sowohl den eigenen Mantel,als auch den eigenen Hut) zuruckerhalt?
(b) Geben Sie die Siebformel an.
Losung:
Zu (a):
n sei die Anzahl der Besucher
Modell:
Ω1 = P1,...,nn = (ω1, . . . , ωn) | ωi ∈ 1, . . . , n , ωi 6= ωj ∀i 6= j #Ω1 = n!
Ω = Ω1 × Ω1 = P1,...,nn × P1,...,n
n
= (ω1, . . . , ωn) , (ω′1, . . . , ω
′n) | (ω1, . . . , ωn) ∈ Ω1, (ω′
1, . . . , ω′n) ∈ Ω2
((ω1, . . . , ωn) , (ω′1, . . . , ω
′n)) ∈ Ω bedeutet:
Besucher 1 erhalt Mantel ω1 und Hut ω′1
...Besucher n erhalt Mantel ωn und Hut ω′
n
#Ω = (n!)2
A = POT (Ω) P = LΩ Laplace-Verteilung
Fur i ∈ 1, . . . , n sei Ai das Ereignis”Mindestens ein Besucher erhalt sowohl den eigenen Mantel,
als auch den eigenen Hut“.
Ai = ((ω1, . . . , ωn) , (ω′1, . . . , ω
′n)) ∈ Ω | ωi = ω′
i = i= (ω1, . . . , ωn) ∈ Ω1 | ωi = i2
mit
#Ai = ((n− 1)!)2.
n⋃
i=1
Ai ist dann das Ereignis”Mindestens ein Besucher erhalt sowohl den eigenen Mantel, als auch
den eigenen Hut“; gesucht ist also P
((n⋃
i=1
Ai
)∁)
.
Fur J ⊂ 1, . . . , n, #J = k gilt
⋂
i∈J
Ai = ((ω1, . . . , ωn) , (ω′1, . . . , ω
′n)) ∈ Ω | ωi = ω′
i ∀i ∈ J
und somit
#
(⋂
i∈J
Ai
)
= ((n− k)!)2.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 69
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Mit der Siebformel erhalt man:
P
(n⋃
i=1
Ai
)
=n∑
k=1
(−1)k−1∑
J⊆1,...,n#J=k
P
(⋂
i∈J
Ai
)
=n∑
k=1
(−1)k−1∑
J⊆1,...,n#J=k
((n− k)!)2
(n!)2
=n∑
k=1
(−1)k−1 ·(
n
k
)
· ((n− k)!)2
(n!)2
=
n∑
k=1
(−1)k−1 · n!
(n− k)! · k!· ((n− k)!)
2
(n!)2
=1
n!·
n∑
k=1
(−1)k−1 · (n− k)!
k!
⇒ P
(n⋃
i=1
Ai
)∁
= 1− 1
n!·
n∑
k=1
(−1)k−1 · (n− k)!
k!
ist die gesuchte Wahrscheinlichkeit.
Zu (b): Nach (2.5): Es sei (Ω, A,P) ein Wahrscheinlichkeitsraum und A1, . . . , An ∈ A. Die Sieb-formel liefert die Wahrscheinlichkeit, daß mindestens eines der A1, . . . , An eintritt:
P
(n⋃
j=1
Aj
)
=
n∑
k=1
(−1)k−1
∑
J⊂1,...,n#J=k
P
(⋂
j∈J
Aj
)
.
Seite 70 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Aufgabe 2: 2P + 2P + 2P + 2P = 8P
Die Blutspender der UniDo werden nach einem neuen Testverfahren auf Antikorper gegen Virenvom Typ B untersucht. Spenden, bei denen der Test positiv ist, werden ausgesondert. Aufgrundklinischer Untersuchungen ist bekannt, daß der Test mit Wahrscheinlichkeit 1−α positiv ausfallt,wenn das Spenderblut Antikorper enthalt, und mit Wahrscheinlichkeit 1−β negativ ausfallt, wennkeine Antikorper vorliegen. Aufgrund fruherer Untersuchungen weiß man, daß bei den Spendern derUniDo das Spenderblut mit Wahrscheinlichkeit γ Antikorper enthalt. (Dabei sind 0 < α, β, γ < 1.)
(a) Wie groß ist die Wahrscheinlichkeit, daß eine Blutprobe mit Antikorpern beim Test nichterkannt wird?
(b) Wie groß ist die Wahrscheinlichkeit, daß eine Blutprobe ausgesondert wird?
(c) Wie groß ist die Wahrscheinlichkeit, daß eine Spende, die ausgesondert wurde, antikorperfreiist?
(d) Geben Sie
(i) den Satz von der totalen Wahrscheinlichkeit und
(ii) die Bayes’sche Formel an.
A = Ereignis:”Spenderblut enthalt Antikorper“
Q = Ereignis:”Test fallt positiv aus“
Bekannt:
P (A) = γ
P (Q | A) = 1− α
P(
Q∁∣∣A∁
)
= 1− β
Losung:
Zu (a): Gesucht: P(
Q∁∣∣A)
P(
Q∁∣∣A)
= 1−P (Q | A) = 1− (1− α) = α
Zu (b): Gesucht: P (Q)
Nach der Formel von der totalen Wahrscheinlichkeit:
P (Q) = P (A) ·P (Q | A) + P(
A∁)
·P(
Q∣∣A∁
)
= γ · (1− α) + (1− γ) · β.
Zu (c): Gesucht: P(
A∁∣∣Q)
Nach der Formel von Bayes:
P(
A∁∣∣Q)
=P(
Q∣∣A∁
)
·P(
A∁)
P (Q)=
β · (1− γ)
(1− α) · γ + (1− γ) · β .
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 71
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Zu (d):
(i) Nach (7.1): Es seien (Ω, A,P) ein Wahrscheinlichkeitsraum und A, B ∈ A mit P (B) > 0.Dann heißt die Zahl
P (A | B) :=P (A ∩B)
P (B)
die bedingte Wahrscheinlichkeit von A unter B.
(ii) Nach (7.4): Es seien B1, B2, . . . disjunkte Ereignisse und A ∈ A mit A ⊂∞⋃
n=1Bn. Dann gilt
P (A) =∞∑
n=1
P (Bn) ·P (A | Bn)
und (im Fall P (A) > 0)
P (Bk | A) =P (Bk) ·P (A | Bk)
∞∑
n=1P (Bn) ·P (A | Bn)
.
Seite 72 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Aufgabe 3: 2P + 1P + 3P + 4P + 2P = 12P
Sei a > 0 und k ∈ N. Die Pareto-Verteilung Pa;k ist definiert durch die Verteilungsfunktion
F (x) =
0 x ≤ a1− akx−k x > a
(a) Zeigen Sie, daß F eine Verteilungsfunktion ist.
(b) Zeigen Sie, daß Pa;k eine Dichte besitzt und bestimmen Sie diese.
(c) Es sei X eine Zufallsvariable mit Verteilung Pa;k. Fur welche j ∈ N ist E(
|X |j)
<∞?
(d) Es seien X, Y unabhangige Pa;k-verteilte Zufallsvariable. Geben Sie die Verteilungsfunktio-nen und Dichten von min (X, Y ) und max (X, Y ) an.
(e) Definieren Sie die Begriffe:
(i) Lebesgue-Dichte einer Verteilung;
(ii) Verteilungsfunktion einer reellen Zufallsvariable.
Losung:
Zu (a):
(1) F ist monoton wachsend:
x ≤ a < y:
F (x) = 0
F (y) = 1− aky−k
= 1−(
a
y
)k
> 0
V
y > a ⇒ a
y< 1 ⇒
(a
y
)k
< 1 ⇒ 1−(
a
y
)k
> 0
UAlso F (y) > F (x).
a < x < y:
x < y ⇒ 1
x>
1
y⇒
(1
x
)k
>
(1
y
)k
⇒(a
x
)k
>
(a
y
)k
⇒ 1−(a
x
)k
< 1−(
a
y
)k
Also F (y) > F (x).
Somit gilt:F (y) > F (x)
fur alle x, y ∈ R mit x < y.
(2) F ist setig:
limx↓a
F (x) = limx↓a
(
1− ak
xk
)(∗)= 1− 1 = 0 = F (a)
Zu (∗): ak
xk
x↓a−−→ ak
ak = 1.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 73
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
(1)lim
x→−∞F (x) = 0 trivialerweise
limx→+∞
F (x) = limx→+∞
(
1− ak
xk
)
= 1 daak
xk
x→∞−−−−→ 0
Aus (1), (2) und (3) folgt: F ist Verteilungsfunktion.
Zu (b):
F ist stetig differenzierbar auf R \ a
⇒ Pa,k besitzt Dichte f , und es gilt F ′ = f (auf R \ a ).
x > a:
F ′ (x) = −ak (−k)x−k−1 = kak
xk+1
x < a:F ′ (x) = 0
⇒ f (x) = k · ak
xk+1· 1]0,∞[ (x) ist die Dichte.
Zu (c):
X Zufallsvariable mit PX = Pa,k, j ∈ N:
E(
|X |j)
=
∫
|X |j dP =
∫
|x|j · f (x) dλ1 (x)
=
∫ ∞
a
|x|j · k · ak · x−(k+1) dx = k · ak ·∫ ∞
a
xj · x−(k+1) dx
= k · ak ·∫ ∞
a
xj−(k+1) dx = k · ak ·∫ ∞
a
1
x(k+1)−jdx
︸ ︷︷ ︸
(#)
Zu (#): Existiert genau fur (k + 1)− j > 1. (Analysis I:∫∞1
1xα dx existiert ⇔ α > 1)
Also ist fur j ∈ N mit j < k
E(
|X |j)
<∞.
Zu (d):
X, Y sind unabhangige Zufallsvariable mit PX = PY = Pa,k.
Fmin(X,Y ) (t) = P min (X, Y ) ≤ t = 1−P min (X, Y ) > t
= 1−P X > t, Y > t (♣)= 1−P X > t ·P Y > t
= 1− (P X > t)2 = 1− (1−P X ≤ t)2 = 1− (1− FX (t))2
t>a= 1−
(
1−(
1− ak
tk
))2
= 1−(
ak
tk
)2
= 1− a2k
t2kfur t > a
Zu (♣): X und Y sind unabhangig.
Seite 74 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Fmin(X,Y ) (t) = 0 fur t ≤ a
⇒ Pmin(X,Y ) = Pa,2k
und somit ist
fmin(X,Y ) (x) = 2k · a2k
x2k−1· 1]a,∞[ (x)
die Dichte von Pmin(X,Y ).
Fmax(X,Y ) (t) = P max (X, Y ) ≤ t = P X ≤ t, Y ≤ t (♣)= P X ≤ t ·P Y ≤ t
= (P X ≤ t)2 = (FX (t))2 t>a
=
(
1− ak
tk
)2
fur t > a
Fmax(X,Y ) (t) = 0 fur t ≤ a
Zu (♣): X und Y sind unabhangig.
Fmax(X,Y ) ist stetig und stetig differenzierbar auf R \ a
⇒ Pmax(X,Y ) besitzt Dichte fmax(X,Y ), und es gilt F ′max(X,Y ) = fmax(X,Y ).
Fur t > a:
F ′max(X,Y ) (t) = 2 ·
(
1− ak
tk
)
·(−ak
)· (−k) · t−k−1
= 2kak ·(
1− ak
tk
)
· 1
tk+1
⇒ fmax(X,Y ) (t) = 2kak(1− akx−k
)x−(k+1)1]a,∞[ (x)
Zu (e):
(i) Nach (3.19): Es sei f : Rd → R+ ∪∞ eine meßbare Funktion mit
∫
f dλd = 1. Dann wird
durch
P (A) =
∫
1A · f dλd A ∈ B(R
d)
ein Wahrscheinlichkeitsmaß P auf Rd definiert. Die Funktion f nennen wir Lebesgue-Dichte
von P. Samtliche Wahrscheinlichkeitsmaße die man so erhalt sind diffus, d.h. fur alle ω ∈ Rd
gilt P ω =
∫
1ω · f dλd = f (ω) · λd ω = 0.
(ii) Nach (4.7) und (4.8): Es sei X : (Ω, A)→ (Ω′, A′) eine Zufallsvariable auf einem Wahrschein-lichkeitsraum (Ω, A,P). Dann wird durch
PX : A′ → R+ PX (A′) = P X ∈ A′ = P ω ∈ Ω | X (ω) ∈ A′
ein Wahrscheinlichkeitsmaß auf (Ω′, A′) definiert. Das so eingefuhrte WahrscheinlichkeitsmaßPX auf (Ω′, A′) heißt Verteilung von X unter P.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 75
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Aufgabe 4: 4P + 2P + 2P + 2P = 10P
(a) Die Bauteile Bi eines Systems besitzen die Lebensdauer Xi, 1 ≤ i ≤ n. Die Xi seien un-abhangig und besitzen eine Exponentialverteilung mit Parameter λi ≥ 0 fur 1 ≤ i ≤ n.Bestimmen Sie die Verteilung der Gersamtlebensdauer Z des Systems, falls
(i) die Bi in Reihe geschaltet sind;
(ii) die Bi parallel geschaltet sind.
(b) Es sei X eine Zufallsvariable mit Exponentialverteilung mit Parameter λ > 0. Berechnen SieE (X) und V (X).
(c) Beweisen Sie: Sind X1, . . . , Xn unabhangige reelle Zufallsvariablen, so gilt fur die Vertei-lungsfunktion
FmaxXi:1≤i≤n (x) =
n∏
i=1
FXi(x) .
(d) (i) Definieren Sie die Varianz einer reellen Zufallsvariablen.
(ii) Geben Sie die Tschebyscheff-Ungleichung an.
Losung:
Zu (a):Xi unabhangige Zufallsvariable
PXibesitzt Dichte fi (x) = λie
−λix · 1[0,∞[ (x)
und Verteilungsfunktion Fi (t) =(1− e−λit
)· 1[0,∞[ (x)
(i) Bi in Reihe geschaltet:
Z = min (X1, . . . , Xn) Gesamtlebensdauer des Systems
FZ (t) = P X ≤ t = P (min (X1, . . . , Xn) ≤ t) = 1−P (min (X1, . . . , Xn) > t)= 1−P X1 > t, . . . , Xn > t (♣)
= 1−P X1 > t · . . . ·P Xn > t= 1− (1−P X1 ≤ t) · . . . · (1−P Xn ≤ t)= 1− (1− F1 (t)) · . . . · (1− Fn (t)) fur t ≥ 0
= 1− e−λ1t · . . . · e−λnt = 1− e−(λ1+...+λn)t
FZ (t) = 0 fur t < 0
Zu (♣): Die Xi sind unabhangig.
Z ist exponential-verteilt mit Parameter λ1 + . . . + λn
(ii) Bi parallel geschaltet:
Z = max (X1, . . . , Xn) Gesamtlebensdauer des Systems
FZ (t) = P Z ≤ t = P max (X1, . . . , Xn) ≤ t = P X1 ≤ t, . . . , Xn ≤ t(♣)= P X1 ≤ t · . . . ·P Xn ≤ t = F1 (t) · . . . · Fn (t)
t≥0=
(1− e−λ1t
)· . . . ·
(1− e−λnt
)
FZ (t) = 0 fur t < 0
Zu (♣): Die Xi sind unabhangig.
Seite 76 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
Zu (b):X exponential-verteilte Zufallsvariable,
das heißt PX besitzt Dichte f (x) = λe−λx · 1[0,∞[ (x)
E (X) =
∫
x · f (x) dλ1 (x) = λ ·∫ ∞
0
x · e−λx dx
partielle=
Integrateionλ ·[
x ·(
− 1
λe−λx
)]∞
0︸ ︷︷ ︸
= 0
− λ ·∫ ∞
0
− 1
λe−λx dx
=
∫ ∞
0
e−λx dx =
[
− 1
λe−λx
]∞
0
= 0 +1
λ=
1
λ
E(X2)
=
∫
x2 · f (x) dλ1 (x) = λ ·∫ ∞
0
x2 · e−λx dx
partielle=
Integrateionλ ·[
x2 ·(
− 1
λe−λx
)]∞
0︸ ︷︷ ︸
= 0
− λ ·∫ ∞
0
2x ·(
− 1
λe−λx
)
dx
= 2 ·∫ ∞
0
x · e−λx dx = 2 · 1λ· λ ·
∫ ∞
0
x · e−λx dx
︸ ︷︷ ︸
=1
λsiehe oben
= 2 · 1
λ2
⇒ V (X) = E(X2)− (E (X))
2=
2
λ2− 1
λ2=
1
λ2
Zu (c): X1, . . . , Xn unabhangige reelle Zufallsvariablen mit Verteilungsfunktion FXi.
FmaxXi:1≤i≤n (x) = P max Xi : 1 ≤ i ≤ n ≤ x = P X1 ≤ x, . . . , Xn ≤ x(♣)= P X1 ≤ x · . . . ·P Xn ≤ x = FX1
(x) · . . . · FXn(x)
=
n∏
i=1
FXi(x)
Zu (♣): Die Xi sind unabhangig.
Zu (d):
(i) Nach (3.21): Es sei P ein Wahrscheinlichkeitsmaß auf (R, B (R)). Dann heißt die Funktion
FP (x) := P (]−∞, x]) ,
x ∈ R die Verteilungsfunktion von P.
(ii) Nach (5.17): Es sei X eine quadratisch integrierbare Zufallsvariable. Dann gilt fur alle ε > 0:
P |X −E (X)| ≥ ε ≤ V (X)
ε2
E (X)
εz |
εz |
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 77
Stochastik I Klausur - Sommersemester 2001 Fachschaften Mathematik
Aufgabe 5: 5P + 5P + 2P = 12P
(a) Es sei (X0, X1, . . .) eine Markovkette mit Ubergangsmatrix
K =
0 12
12
12 0 1
2
0 0 1
(i) Geben Sie den Ubergangsgraphen an.
(ii) Was kann man uber das Konvergenzverhalten von Kn beziehungsweise P Xn = isagen? Bestimmen Sie gegebenenfalls die Grenzwerte.
(b) Es sei (X0, X1, . . .) eine Markovkette mit Ubergangsmatrix
K =
0 1 01 0 00 0 1
(i) Berechnen Sie Kn fur alle n ≥ 1.
(ii) Berechnen Sie die stationaren Vektoren von K, das heißt die Zahldichten π mit π·K = π.
(c) Formulieren Sie den Satz von Markov.
Losung:
Zu (a.i): Ubergangsgraph:
1 2 3
12
12
1
12
12
Zu (a.ii):
Da K eine strikt positive Spalte besitzt ist der Satz von Markov anwendbar, und es folgt
Kn → Q,
wobei
Q =
← π →← π →← π →
und π ist die eindeutig bestimmte staionare Verteilung.
Ermittlung von π:
π ·K = π ⇔12π2 = π1 I12π1 = π2 II12π1 + 1
2π2 + π3 = π3 III
Aus I und II folgt π1 = π2 = 0 und aus III folgt π3 = π3. Wegen π1 + π2 + π3 = 1 folgt π3 = 1,und somit ist π = (0, 0, 1) die stationare Verteilung.
Also
Kn n→∞−−−−→
0 0 10 0 10 0 1
.
Seite 78 Letzte Anderung: 18. Januar 2007
Lehrstuhl IV Stochastik I Klausur - Sommersemester 2001
⌈(P Xn = 1 ,P Xn = 2 ,P Xn = 3) = (σ1, σ2, σ3) ·Kn
konvergiert fur n→∞ gegen
(σ1, σ2, σ3) ·
0 0 10 0 10 0 1
= (0, 0, σ1 + σ2 + σ3) = (0, 0, 1) = π,
ist also unabhangig von der Startverteilung σ. ⌋
Zu (b.i):
K =
0 1 01 0 00 0 1
⇒ K2 =
1 0 00 1 00 0 1
= I
⇒ K3 = K ·K2 = K, K4 = K2 ·K2 = I, . . .
Somit:
Kn =
1 0 00 1 00 0 1
falls n gerade
0 1 01 0 00 0 1
falls n ungerade
Zu (b.ii):
(π1, π2, π3) ·
0 1 01 0 00 0 1
= (π1, π2, π3) ⇔
π2 = π1
π1 = π2
π3 = π3
,
die allgemeine Losung lautet also:(s, s, t) : s, t ∈ R .
Wegen 1 = π1 + π2 + π3 = 2s + t folgt t = 1− 2s und 0 ≤ s, t ≤ 1 liefert
π = (s, s, 1− 2s) : 0 ≤ s ≤ 1
2
als Menge der stationaren Vektoren.
Zu (c): Nach Satz (8.8):
Es sei (Xn)n∈Neine Markoff-Kette mit endlichem Zustandsraum I und Ubergangsmatrix K. Es
existiere ein N ≥ 1, j0 ∈ I, so daß KNi,j0
> 0 fur alle i ∈ I. Dann gibt es eine Zahldichte π ∈ RI+
mit P Xn = i → πi fur alle i ∈ I, und π ist unabhangig von der Startverteilung.
http://fsmath.mathematik.uni-dortmund.dehttp://mathematik.uni-dortmund.de/lsiv
Seite 79