GYMNASIUM MIT SCHÜLERHEIM PEGNITZ WILHELM-VON-HUMBOLDT-STRASSE 7 91257 PEGNITZ FERNRUF 09241/48333 FAX 09241/2564 math.-technolog. u. sprachl. Gymnasium Grundwissen Stochastik Leistungskurs 1. Erklären Sie die stochastischen Begriffe | 10. Februar 2008 Lösung (a) Ergebnis, (a) Ein Ergebnis ist der mögliche Ausgang eines stochastischen Experimentes. (b) Ergebnisraum sowie (b) Alle möglichen Ergebnisse werden zu einer Menge Ω (genannt Ergebnisraum) zusammengefasst. (c) Mächtigkeit des Ergebnisraumes (c) Die Anzahl der Elemente |Ω| heißt Mächtigkeit des Ergebnisraumes. und geben Sie ein Zufallsexperiment, an dem Sie die Begriffe verdeutlichen können. Beispiel: Einfacher Würfelwurf • Beobachtungsgegenstand: Oberseite des Würfels • — Ω |Ω| = = {1; 2; 3; 4; 5; 6} 6 — 2. Erkläre an einem Beispiel die Begriffe | — Lösung Ω = {1, 2, 3} (a) Ereignisraum: {∅, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} | {z } (a) Ereignisraum (b) Elementarereignisse Ω (b) Elementarereignisse: ω1 = {1}, ω2 = {2}, ω3 = {3} (c) sicheres Ereignis (c) sicheres Ereignisse: Ω (d) unmögliches Ereignis (d) unmögliches Ereignisse: ∅ (e) Gegenereignis (e) Gegenereignis E zu einem Ereignis E: E = {3} ⇒ E := Ω \ E = {1, 2} — — 3. Erkläre an einem Beispiel mit zwei Ereignissen A und B die mengenalgebraischen Begriffe (a) A oder B. | — Lösung Ω = {1, 2, 3, 4}, A = {2, 3}, B = {2, 4}. (a) B B ... ... ... ... ... ... ... ... ... ... A ... ... ... ... ... ... ... ... ... ... A ... Ω A ∪ B = {2, 3, 4} (b) B B ... ... ... ... ... ... ... ... ... ... A ... ... ... ... ... ... ... ... ... ... A ... Ω A ∪ B = {2, 3, 4} (c) A A (b) Mindestens eines der Ereignisse A oder B. (c) Weder A noch B. (d) Entweder A oder B. BB (d) ... ... ... ... ... ... ... A ∩ B = A ∪ B = {1} Ω B ... B ... ... ... ... A ... ... ... ... ... ... ... ... A ... Ω (A ∩ B) ∪ (A ∩ B) = {3, 4} — — 4.(a) Was versteht man unter der relativen Häufigkeit eines Ereignisses A? | — Lösung (a) Tritt ein Ereignis A bei n Versuchen genau k-mal ein, k so heißt hn (A) := n die relative Häufigkeit von A in dieser Versuchsfolge. (b) Welche Eigenschaften besitzt die relative Häufigkeit (wenn man sie als Funktion betrachtet)? Beispiele! (b) • 0 ≤ hn (A) ≤ 1, hn (∅) = 0 und hn (Ω) = 1. • Die relative Häufigkeit hn (A) eines möglichen Ereignisses A ist gleich der Summe der rel. Häufigkeiten der zugehörigen Elementarereignisse ω. (c) Welche Eigenschaften besitzt das Wahrscheinlichkeitsmaß P über einem Ergebnisraum Ω? Beispiele! • hn (A ∪ B) = hn (A) + hn (B) − hn (A ∩ B) • Für disjunkte Ereignisse A und B gilt hn (A ∪ B) = hn (A) + hn (B) • hn (A) = 1 − hn (A) (c) Die gleichen wie die relative Häufigkeit. Ersetze also in der Lösung von Teilaufgabe (b) jedes hn durch P. — — 5. Welche Gesetzmäßigkeiten an Wahrscheinlichkeitsbäumen gibt es? Beispiele! | — Lösung • Die Summe der Wahrscheinlichkeiten auf den Ästen, die von einem Verzweigungspunkt ausgehen, ist stets 1. • Die Wahrscheinlichkeit eines Elementarereignisses ist gleich dem Produkt der Wahrscheinlichkeiten auf dem zugehörigen Pfad (1. Pfadregel). • Die Wahrscheinlichkeit eines Ereignisses ist gleich der Summe der Wahrscheinlichkeiten der zugehörigen (vollständigen) Pfade (2. Pfadregel). — — 6.(a) Was ist eine Laplace’sche Wahrscheinlichkeitsverteilung? (b) Welche Eigenschaft besitzt sie? | — Lösung (a) Eine Wahrscheinlichkeitsverteilung, bei der jedes Elementarereignis mit der gleichen Wahrscheinlichkeit vorkommt, heißt Laplace’sche Wahrscheinlichkeitsverteilung. (b) • Für jedes Elementarereignis ω gilt P (ω) = 1 . |Ω| • Für jedes Ereignis A gilt P (A) = |A| Anzahl der für A günstigen Ereignisse = . |Ω| Anzahl der möglichen Ereignisse — — 7. Erkläre, was man unter dem Zählprinzip versteht. Anwendungsbeipiele! | — Lösung Ist ein Zufallsexperiment z.B. in 5 Stufen zerlegbar und gibt es für die einzelnen Stufen 10, 8, 6, 4 und 2 mögliche Ausgänge, dann gibt es für das gesamte Zufallsexperiment 10 · 8 · 6 · 4 · 2 mögliche Ausgänge. Beim 4-fachen Würfelwurf gibt es z.B. 64 mögliche Ausgänge, 6 verschiedene Buchstaben kann man zu 6! verschiedenen Wörtern zusammenfügen. — — 8.(a) Wie lauten die Bezeichnungen der vier grundlegenden Auswahlverfahren? | Lösung Bezeichnung Urnenmodell Verteilungsmodell (b) Wie können sie im Urnenmodell beschrieben werden? mit Wied. mit Zurückl. M-fachbel. zul. ohne Wied. ohne Zurückl. M-fachbel. verb. (c) Wie können sie im Verteilungsmodell beschrieben werden? (d) Wie lautet jeweils die Formel für die Anzahl der Auswahlmöglichkeiten? Variationen m.B.d.R Kugeln n. id. Kombinationen o.B.d.R Kugeln id. nk ³n + k − 1´ k n! (n − k)! ³n´ k — | Lösung m. Wied. 9. Nenne für jede der vier grundlegenden Auswahlverfahren stochastische Beispiele, die nicht direkt in das Urnen- oder das Verteilungsmodell übertragen werden können. — o. Wied. — — Variationen Kombinationen Anzahl der möglichen Tupel beim mehrfachen Würfelwurf Anzahl der möglichen ungerechten Verteilungen von k id. Bonbons auf n Kinder Anzahl der Belegungen der ersten drei Plätze beim 100-mLauf; Anzahl möglicher Tanzpaare bei n Männern und k Frauen Anzahl der möglichen Blätter beim Schafkopf — — 10.(a) Wie berechnet man die Wahrscheinlichkeit für das Ziehen von s schwarzen Kugeln aus einer Urne mit insgesamt N Kugeln von denen S schwarz sind wenn insgesamt n Kugeln ohne Zurücklegen und ohne Beachtung der Reihenfolge gezogen werden? | Lösung (a) P(X = s) = ¡S¢ ¡N−S¢ · n−s s ¡N¢ n (b) Aus dem Wort MISSISSIPPI lassen sich ¡ 11 ¢ 11! Anagramme bilden. = 1!·4!·4!·2! 1,4,4,2 Urne mit 11 Kugeln, 1M, 4S, 4I, 2P, Ziehen ohne Zurücklegen, BG: Folge der Kugeln. 1M-, 4S-, 4I-, 2P- Kugeln werden auf 11 nummerierte Fächer ohne Mehrfachbelegung verteilt, BG: Folge der Kugeln in den Fächern. (b) Erkläre an einem Beispiel wozu der Multinomialkoeffizient gut ist. Gib auch ein passendens Urnen- und Verteilungsmodell an — — — 11.(a) Was versteht man unter der bedingten Wahrscheinlichkeit eines Ereignisses A unter der Bedingung B? Beispiel! | — Lösung (a) PB (A) := P (A∩B) P (B) falls P (B) 6= 0. (b) Zwei Ereignisse A und B in Ω heißen (stochastisch) unabhängig, wenn (b) Wann heißen zwei bzw drei Ereignisse stochastisch unabhängig? P (A) · P (B) = P (A ∩ B). (c) Wie kann man die Unabhängigkeit am schnellsten überprüfen? Drei Ereignisse A, B und C in Ω heißen unabhängig, wenn je zwei von ihnen unabhängig sind und wenn P (A) · P (B) · P (C) = P (A ∩ B ∩ C). (c) Die Vierfelder-Tafel bzw. die 8-Felder-Tafel muss eine Multiplikationstafel sein. — — 12.(a) Erkläre an einem Bespiel, wie man den Erwartungswert, die Varianz (letztere auf zwei Arten) und die Standdardabweichung berechnen kann. (b) Wie kann man den Erwartungswert geometrisch darstellen? (c) Welche Information über eine Zufallsgröße gibt die Varianz? | — Lösung (a) x W(x) −4 0, 1 0 0, 1 2 0 3 0, 8 EX = µ = −4 · 0, 1 + 0 + 0 + 3 · 0, 8 = 2 Var(X) = E(X − µ)2 = EX 2 − µ2 Var(X) = 36 · 0, 1 + 4 · 0, 1 + 0 + 1 · 0, 8 = 4, 8 Var(X) = σX = 16 · 0, 1 + 9 · 0, 8 + 0 − 4 = 4, 8 p Var(X) ≈ 2, 19. (b) Im Histogramm ist der Erwartungswert die zur y-Achse parallele Schwerlinie der Verteilung. (c) Die Varianz gibt die Streuung einer Zufallsgröße an. Je mehr “Gewicht“ weit vom Erwartungswert entfernt ist, desto größer ist die Varianz der Zufallsverteilung. — — 13. Wie lautet die Tschebyschow-Ungleichung und welche Information erhält man durch sie über die Zufallsgröße? | — Lösung P (|X − µ| ≥ a) ≤ Das Tyschebyschow-Risiko ist also eine obere Schranke für das wahre Risiko P (|X − µ| ≥ a). Wenn a ein Vielfaches von σ ist, also a = kσ gilt, erhält man P (|X − µ| ≥ kσ) ≤ 1 1 bzw. P (|X − µ| < kσ) ≥ 1 − 2 . k2 k Das bedeutet z.B. , dass im Inneren des Intervalls [µ − 2σ; µ + 2σ] mehr als 75% der gesamten Verteilung liegt, und zwar unabhängig davon, um welche Zufallsgröße es sich handelt. — Var(X) . a2 Var(X) rT = a2 a a z. . . . }| {Nz }| { .................. ............................................. ............................................. ............................................. ............................................. ....................... ................................................................... ............................................. ............................................. ............................................. ............................................. ....................... ................................................................... ............................................. ............................................. ≥ 75% µ − 2σ • µ — 14.(a) Was ist ein Bernoulli-Experiment? | — Lösung (a) Ein Bernoulli-Experiment ist ein Zufallsexperiment, das genau zwei verschiedene Ausgänge besitzt (z.B. TN, 1-0, z-w). Die Wahrscheinlichkeit für T sei p. (b) Was ist eine Bernoulli-Kette? (c) Gib ein Beispiel für eine Bernoulli-Kette und benenne die auftretenden mathematischen Größen. — (b) Eine Bernoulli-Kette der Länge n ist das n-malige Ausführen eines bestimmten Bernoulli-Experiments. (c) 7-maliges Werfen eines Laplace-Würfels. BG: Folge der Ereignisse 6 6; Treffer: 6 n=7 p = 16 — 15.(a) Wie berechnet man die Wahrscheinlichkeit für das Auftreten von k Treffern in einer BernoulliKette? (b) Wie kann man das kurz ausdrücken? (c) Wie findet man häufig auftretende Werte für B-verteilte Zufallsgrößen? (d) Wie groß sind Erwartungswert und Standardabweichung einer Binomialverteilung? I µ + 2σ x | — Lösung ³n´ pk · qn−k , q = 1 − p. k (b) Man sagt, die Wahrscheinlichkeit einer Bernoulli-Kette ist binomial verteilt und schreibt P(X = k) = B(n; p; k). (a) P(X = k) = (c) im Tafelwerk √ npq (d) µ = np, σ = — — 16.(a) Wie lautet die Gauß’sche Dichtefunktion? | (b) Welche Eigenschaften besitzt sie? — Lösung (a) ϕ(z) = √1 2π e− z2 2 D = R. (b) • Der Graph, Gauß’sche Glockenkurve genannt, ist achsensymmetrisch zur y-Achse, 1 • E( 0 | √ ) ist das einzige Maximum, 2π | {z } ≈0,4 • lim ϕ(z) = 0 und z→±∞ Z ∞ ϕ(z) = 1. • −∞ — 17. Wie kann man für eine binomialverteilte Zufallsgröße X die Wahrscheinlichkeit P(X = k) annähern? Beispiel! — — | Lösung Durch die lokale Näherungsformel von Moivre und Laplace: Falls σ > 3 so gilt ³ ´ 1 P(X = k) ≈ · ϕ k−µ σ σ Z.B. n = 10000, p = 0, 1 ⇒ µ = 1000, σ = 30 > 3 somit ¡ ¢ 1 1 P(X = 985) ≈ · ϕ 985−1000 = · ϕ(0, 5) ≈ 2, 6% 30 30 30 — — 18.(a) Wie lautet die Gauß’sche Integralfunktion? (b) Welche Eigenschaften besitzt sie? | — Lösung (a) Φ(z) = Rz ϕ(t) dt D = R −∞ (b) • lim Φ(z) = 1 z→∞ lim Φ(z) = 0 z→−∞ • Der Graph ist punktsymmetrisch zu T( 0 | 0, 5 ) also Φ(−z) = 1 − Φ(z) — — 19. Welche Näherungsformeln gibt es für binomialverteilte Zufallsgrößen? | — Lösung ³ • P(X ≤ k) ≈ Φ k+0,5−µ σ ´ ³ ³ ´ ´ • P(a ≤ X ≤ b) ≈ Φ b+0,5−µ − Φ a−0,5−µ σ σ ³ ´ • P(|X − µ| ≤ a) ≈ 2Φ a+0,5 −1 σ — 20. Erkläre an einem Beispiel die Begriffe — — | Lösung Gegeben sind zwei Güteklassen für Glühbirnen. Alternativen: A: p=0,90; B: p=0,70. Eine Stichprobe der Länge 20 soll Aufschluss geben, um welche Güteklasse es sich bei einer Lieferung handelt. ½ ¾ Festlegeung der ½ Entschei¾ X ≥ 17: für A dungsregel: Falls Entscheidung . X ≤ 16: für B Zufallsbedingt könnte die Stichprobe aber nicht repräsentativ für eine der Alternativen ausfallen. So erhält man die Fehlerwahrscheinlichkeiten P(FA ) und P(FB ) dafür, dass man fälschlicherweise aufgrund der Stichprobe an die falsche Alternative glaubt. A : p = 0, 9 B : p = 0, 7 • Alternativ-Test, • Entscheidungsregel, • Fehlerwahrscheinlichkeit. X ≥ 17 X ≤ 16 •• ° ^ FA FB •• ° ^ P(FA ) = P0,9 (X ≤ 16) = {wenn B-Exp.,TW} = 13, 4% P(FB ) = P0,7 (X ≥ 17) = {wenn B-Exp.,TW} = 10, 7% — 21. Erkläre an einem Beispiel, wie man bei einem zweiseitigen Hypothesentest eine Entscheidungsregel zu einem vorgegebenen Signifikanzniveau bestimmt. Unterscheide dabei die Fälle: (1) Der Annahmebereich soll symmetrisch zu µ sein und (2) die Fehlerwahrscheinlichkeit links und rechts vom Annahmebereich soll maximal α2 sein. — — | Lösung Eine Firma liefert angeblich Transistoren mit einer Ausfallrate von 10%. Diese Nullhypthese H0 soll auf dem Signifikanzviveau α = 5% mit einer Stichprobe der Länge 200 getestet werden. H0 : p = 0, 1 (1): |X − µ| ≤ k (2): (1): a≤X≤b |X − µ| > k (2): X <a∧X >b H0 : p 6= 0, 1 •• ° ^ FI FII •• ° ^ (1) Z.B. mit Normalverteilung: √ P(FI ) = 1 − P0,1 (|X − µ| ≤ k) ≈ 2 − 2Φ( k+0,5 ) ≤ 0, 05. 18 | {z } α (2) Z.B. mit Binomialverteilung: P0,1 (X < a) =≤ 0, 025 und 1 − P0,1 (X ≤ b) =≤ 0, 025 Erg: (1) A = {12 . . . 28}, (2) A = {10 . . . 28}