Lösungsvorschläge zu Blatt 2 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + 2kπ, k ∈ Z, das gleiche X liefern, kann Z als eine auf [−π, π] gleichverteilte ZV angesehen und X = cos Z gesetzt werden. Die Verteilungsdichte von Z ist somit (vergl. 5a) mit a = −π und b = π): 1/(2π) für − π ≤ z ≤ π fZ (z) = 0 sonst a) Verteilungsfunktion von X: −1 ≤ x ≤ 1 : F (x) := P (X ≤ x) = P (cos Z ≤ x) = P (cos Z < x) = P (cos |Z| < x), da Z eine stetige ZV und cos eine gerade Funktion ist (cos(−α) = cos α). Da nun arccos eine streng monoton fallende Funktion ist, x in ihrem Definitionsbereich liegt und arccos(cos α) = α für 0 ≤ α ≤ π gilt, kann man weiter folgern: F (x) = P (|Z| > arccos x) = 1 − P (|Z| ≤ arccos x) Intervallänge von [− arccos x, arccos x] (∗) = 1−P (− arccos x ≤ Z ≤ arccos x) = 1− Intervallänge von [−π, π] 2 arccos x arccos x = 1− =1− . 2π π Dabei wurde für (∗) benutzt, dass [− arccos x, arccos x] ⊂ [−π, π] und dass Z in [−π, π] gleichverteilt ist. Da die Verteilungsfunktion monoton wachsend ist, gilt schließlich: x < −1 ⇒ 0 ≤ F (x) ≤ F (−1) = 1 − (arccos(−1))/π = 1 − π/π = 0 ⇒ F (x) = 0. x > +1 ⇒ 1 ≥ F (x) ≥ F (1) = 1 − (arccos 1)/π = 1 − 0/π = 1 ⇒ F (x) = 1. b) 0 −1 −1 0 ·√ f (x) = F (x) = π 1 − x2 0 für x < −1 für −1<x<1 für x > 1 f (x) kann in endlich vielen Stellen x (also z.B. in ±1) undefiniert bleiben oder willkürlich definiert werden (z.B. f (±1) := 0). Es bleibt dann zu beweisen, was aber hier nicht durchgeführt werden soll: Z x F (x) = f (t)dt f.a. x −∞ c) E(X) = E(cos Z) = Z ∞ cos z fZ (z)dz = −∞ 1 Z π −π 1 cos z dz = [sin z]π−π = 0 2π 2π d) 2 2 2 V (X) = E(X ) − (E(X)) = E(cos Z) − 0 = Z π −π Z π (cos z)2 1 + cos 2z 1 dz = dz 2π 2π −π 2 π 1 1 sin 2z 2π = . = z+ = 4π 2 4π 2 −π 9) X sei der Gewinn bei Entscheidung A und Y der Gewinn bei Entscheidung B. a) E(X) = 2.5 · 0.30 + 2 · 0.50 + (−1) · 0.20 = 1.55, E(X 2 ) = 2.52 · 0.30 + 22 · 0.50 + (−1)2 · 0.20 = 4.075, 2 2 V (X) = E(X = 4.075 − 1.552 = 1.6725, p ) − (E(X)) √ σ(X) := V (X) = 1.6725 = 1.29, E(Y ) = 5 · 0.30 + 3 · 0.40 + (−2) · 0.30 = 2.1, E(Y 2 ) = 52 · 0.30 + 32 · 0.40 + (−2)2 · 0.30 = 12.3, 2 2 2 V (Y ) = E(Y p ) − (E(Y √ )) = 12.3 − 2.1 = 7.89, σ(Y ) := V (Y ) = 7.89 = 2.8, b) Wenn eine Unternehmensleitung nur auf den erwarteten Gewinn achtet, wird sie sich für Alternative B entscheiden. Dies ist aber mit einem großen Risiko verbunden; denn es sollten auch Abweichungen von dem erwarteten Gewinn berücksichtigt werden, und dies lässt sich grob mit dem Intervallen [E(X) − σ(X), E(X) + σ(X)] = [1.55 − 1.29, 1.55 + 1.29] = [0.26, 2.84], [E(Y ) − σ(Y ), E(Y ) + σ(Y )] = [2.1 − 2.8, 2.1 + 2.8] = [−0.7, 4.9] erreichen. Bei Alternative B reicht dieses Intervall in den negativen Bereich und bei Alternative A nicht. Andererseits ist 4.9 deutlich größer als 2.84. eine risikofreudige Unternehmensleitung wird sich wohl für Alternative B, eine sehr vorsichtige für Alternative A entscheiden. 10)Zu berechnen ist die Wahrscheinlichkeit P (|X − E(X)| ≤ σ(X)) = P (E(X) − σ(X) ≤ X ≤ E(X) + σ(X)) für einige ZV aus den vorherigen Aufgaben. √ zu 4 b) E(X) = 0 und aus p ≤ 1/2 folgt: σ(X) = 2p ≤ 1. Für p = 0 ist X keine “echte” ZV und damit ist die gesuchte Wahrscheinlichkeit = 1. p = 1/2 : P (E(X) − σ(X) ≤ X ≤ E(X) + σ(X)) = P (−1 ≤ X ≤ 1) = 1, da X nur Werte zwischen (−1)und (+1) annimmt. √ √ 0 < p < 1/2 : P (E(X) − σ(X) ≤ X ≤ E(X) + σ(X)) = P (− 2p ≤ X ≤ 2p) = P (X = 0) = 1 − 2p. (P (|X − E(X)| √ ≤ σ(X)) kann also √ sehr klein werden.) Dabei wurde benutzt, dass −1 < − 2p < 0 und 0 < 2p < 1 ist und X nur ganzzahlige Werte annimmt. √ zu 5 a) σ(X) = (b − a)/(2 3) und damit > 0 und < (b − a)/2, und E(X) = (b + a)/2. 2 Daraus folgt: E(X) − σ(X) > b+a b−a b+a b−a − = a und E(X) + σ(X) < + = b. 2 2 2 2 Für die gesuchte Wahrscheinlichkeit erhalten wir somit, da X eine stetige ZV ist und da das Intergrationsintervall ⊂ [a, b] ist: Z E(X)+σ(X) 1 2σ(X) 1 dx E(X)+σ(X) = [x]E(X)−σ(X) = = √ = 0.577. b−a b−a 3 E(X)−σ(X) b − a √ zu 5 b) σ(X) = 2. Da der Integrand eine gerade Funktion ist und über ein symmetrisches Intervall integriert wird, erhalten wir für die gesuchte Wahrscheinlichkeit: Z √2 Z √2 √ √ √ −|x| P (0 − 2 ≤ X ≤ 0 + 2) = 0.5 √ e dx = e−x dx = 1 − e− 2 = 0.757. − 2 0 13) Bedingungen, damit das Modell des Bernoulli-Experiment exakt anwendbar ist: Zufällige Auswahl aus den wahlberechtigten Einwohnern der Stadt ”m.Z.”, d.h. es können Personen mehrfach befragt werden. ”Erfolg”: Befragte Person ist für Partei A, Wahrscheinlichkeit: p = 0.45 X:= Anzahl der Resultate ”für A” bei den 50 Befragungen X ist binominalverteilt mit p = 0.45, (⇒ q = 0.55), n = 50 44% von 50 : 22 46% von 50 : 23 P (22 6 X 6 23) = P (X = 22) + P (X = 23) 50 50 22 28 = · 0.45 · 0.55 + · 0.4523 · 0.5527 22 23 = 0.223 14) Annahme: Kreditnehmer verhalten sich unabhängig voneinander. Das Prüfen der 2000 Kreditnehmer ist dann ein Bernoulli-Experiment. ”Erfolg”: Kreditnehmer zahlt nicht, Wahrscheinlichkeit: p = 0.001 ”Fehlschlag”: Kreditnehmer zahlt, Wahrscheinlichkeit: q = 0.999 Die Zufallsvariable X:= Anzahl der Kreditnehmer, die nicht zahlen ist binominalverteilt mit n = 2000, p = 0.001, q = 0.999 2000 P (X = k) = 0.001k · 0.9992000−k k P (X > 2) = 1 − P (X 6 2) 3 P (X 6 2) = 2 X P (X = k) = 0.999 2000 k=0 k 2 X 2000 0.001 k k=0 1 = 0.135 · 1 · 1 + 2000 · 1.00 · 10 = 0.677 ⇒ P (X > 2) = 0.323 −3 0.999 2000 · 1999 + · 1.002 · 10−6 1·2 Die Wahrscheinlichkeit, dass mehr als 2 von 2000 Kreditnehmern nicht zahlen, ist also 0.323. 15) X:= Zahl der an einem Schalter in einer Minute ankommenden Kunden Man erwartet durchschnittlich 3 Kunden pro Minute: E(X) = 3 Poisson-Verteilung mit λ = E(X) = 3 a) Wahrscheinlichkeit, dass höchstens ein Kunde in einer Minute ankommt: P (X 6 1) = P (X = 0) + P (X = 1) 0 3 31 −3 = e = 4 · e−3 = 0.199 + 0! 1! b) Wahrscheinlichkeit, dass mindestens 5 Kunde in einer Minute ankommen: P (X > 5) = 1 − P (X < 5) = 1 − P (X 6 4) 4 X 3k = 1 − e−3 = 0.185 k! k=0 Für die Ermittlung der der Funktionswerte der Verteilungsfunktion Φ der Standard–Normalverteilung benutzen wir die bereitgestellte Tabelle. Da X eine stetige ZV ist, können wir immer < durch ≤ und > durch ≥ ersetzen und umgekehrt. Es wird hauptsäcchlich Satz 7.6.6 angewendet. 16) 4−3 P (X < 4) = P (X 6 4) = Φ = Φ(0.5) = 0.6915 2 P (X > 4) = 1 − P (X < 4) = 0.3085 1−3 −2 − 3 P (−2 6 X 6 1) = Φ −Φ = Φ(−1)−Φ(−2.5) = 1−Φ(1)−(1−Φ(2.5)) 2 2 = Φ(2.5) − Φ(1) = 0.9938 − 0.8413 = 0.1525 Da 3 = µ und 2.5 = 1.25 · σ bzw. 2 = 1 · σ ist, können wir Satz 7.6.6 c)v) anwenden: P (|X − 3| 6 2.5) = 2Φ(1.25) − 1 = 2 · 0.8944 − 1 = 0.7888 4 P (|X − 3| > 2) = 1 − P (|X − 3| 6 2) = 1 − (2Φ(1) − 1) = 2 − 2 · 0.8413 = 0.3174 Bei g) können wir Satz 7.6.6 c)v) nicht anwenden, da 5 nicht der Erwartungswert von X ist, aber Satz 7.6.6 b) und c)iii): P (|X−5| > 2.5) = 1−P (|X−5| < 2.5) = 1−P (|X−5| 6 2.5) = 1−P (5−2.5 6 X 6 5+2.5) 7.5 − 3 2.5 − 3 = 1−Φ +Φ = 1−Φ(2.25)+1−Φ(0.25) = 2−0.9878−0.5987 = 0.4135 2 2 2. Weg: ”Direkte” Anwend. der N (0, 1)-Verteilung: Y := X −3 2 N (0, 1)-vert. X = 2Y + 3 P (X 6 4) = P (2Y + 3 6 4) = P (Y 6 0.5) = Φ(0.5) = 0.6915 17) Die Zufallsvariable X:= Brenndauer einer Glühbirne in Stunden ist näherungsweise N (1300, 150)-verteilt. a) 1100 − 1300 P (X < 1100) ≈ Φ 150 ≈ Φ(−1.333) = 1 − Φ(1.333) Da wir nun “1.333” in der Tabelle nicht finden, wenden wir eine schon in der Statistik I im Zusammenhang mit kumulierten Häufigkeiten benutzte Formel zur linearen Interpolation an: x − x1 Φ(x2 ) − Φ(x1 ) x2 − x 1 x1 6 x 6 x 2 Φ(x) ≈ Φ(x1 ) + Für die “1.333” benachbarten Argumente erhalten wir aus der Tabelle: Φ(1.33) = 0.9082 Φ(1.34) = 0.9099 Somit liefert die Interpolationsformel mit x1 := 1.33, x2 := 1.34 und x = 1.333: Φ(1.333) ≈ 0.9082 + 1.333 − 1.33 (0.9099 − 0.9082) = 0.9087 1.34 − 1.33 5 Für die gesuchte Wahrscheinlichkeit erhalten wir somit: P (X < 1100) ≈ 0.0913 b) P (X > 1400) ≈ ≈ ≈ = 1400 − 1300 1−Φ 150 1 − Φ(0.667) 0.667 − 0.66 1 − Φ(0.66) + Φ(0.67) − Φ(0.66) 0.67 − 0.66 0.007 (0.7486 − 0.7454) = 1 − 0.7476 = 0.2524 1 − 0.7454 + 0.01 c) 1500 − 1300 1000 − 1300 P (1000 6 X 6 1500) ≈ Φ −Φ 150 150 ≈ Φ(1.333) − Φ(−2) a) ≈ 0.9087 − (1 − 0.9772) = 0.8859 18) a) X N (µ, σ)-verteilt, µ =?, σ =? 2512 − µ ! P (X < 2512) = P (X 6 2512) = Φ = 0.0139 σ 2512 − µ Wir suche in Tabelle x = mit Φ(x) = 0.0139. Dieser Wert kommt σ als Funktionswert in der Tabelle nicht vor, da 0.0139 < 0.5 ist. Ausweg: Φ(−x) = 1 − Φ(x) = 1 − 0.0139 = 0.9861 Die Tabelle liefert dann: −x = − 2512 − µ = 2.20 σ Dies formen wir noch etwas um: µ − 2512 = 2.20 · σ 2590 − µ ! P (X > 2590) = P (X > 2590) = 1 − Φ = 0.1469 σ 6 (1) Bezeichnen wir (2590 − µ)/σ mit y, so suchen wir also einen Wert y mit Φ(y) = 1 − 0.1469 = 0.8531 Die Tabelle liefert dann: 2590 − µ =: y = 1.05 σ Dies formen wir noch etwas um: 2590 − µ = 1.05 · σ (1) + (2) : (2590 − 2512) = (2.200 + 1.050) · σ σ = 24 Dies in (1) eingesetzt liefert: µ = 2.200 · 24 + 2512 = 2564.8 σ 2 = 576 b) X µ =?, σ 2 = 225, d.h. σ = 15 200 − µ ! P (X > 200) = 1 − Φ = 0.0047 15 N (µ, σ)-verteilt, Φ(z) = 1 − 0.0047 = 0.9953 Die Tabelle liefert dann: 200 − µ =: z = 2.60 15 200 − µ = 2.60 · 15 µ = 161 170 − 161 140 − 161 P (140 6 X 6 170) = Φ −Φ 15 15 = Φ(0.6) − 1 − Φ(1.4) = 0.7257 − (1 − 0.9192) = 0.6449 19) X sei N (10, 0.02)-verteilt. a) Da 10 = µ und 0.03 = 1.5 · σ ist, können wir Satz 7.6.6 c)v) anwenden: P (|X − 10| 6 0.03) = 2Φ(1.5) − 1 = 2 · 0.9332 − 1 = 0.8664 7 (2) Es sind also 13.36% Ausschuss zu erwarten. b) P (10 − C 6 X 6 10 + C) = P (|X − 10| 6 C) C ! = 2Φ − 1 = 0.95 0.02 C Φ = 0.975 0.02 C = 1.96 0.02 C = 0.0392 Die Tabelle liefert: 8