Lösungen Übungsklausur Aufgabe 1 Definiere die Ereignisse I = {Person ist infiziert} T = {Test ist positiv} In der Aufgabenstellung sind folgende Wahrscheinlichkeiten gegeben P(T | I c ) = 0,01 P(T | I) = 0,9 P(I) = 0,001 a) Gesucht ist P(T ). P(T ) = P(T | I)P(I) + P(T | I c )P(I c ) = 0,9 · 0,001 + 0,01 · 0,999 = 0,01089 Die Wahrscheinlichkeit, daß der Test einen positiven Befund liefert beträgt ungefähr 0,01. b) Gesucht ist P(I | T ). P(I | T ) = P(T | I) P(I) 0,001 = 0,9 · = 0,0826 P(T ) 0,00091 Die Wahrscheinlichkeit, daß eine Person mit positivem Befund tatsächlich infiziert ist, beträgt ungefähr 0,08. c) Bezeichne X die Anzahl der positiven Testbefunde. Dann gilt X ∼ B(500, P(T )) und daher EX = 500 · 0,01089 = 5,445 varX = 500 · 0,01089 · 0,98911 = 5,386 d) Poisson-Approximation: Sei X ∼ B(n, p) und Y ∼ P(λ) mit λ = np dann gilt Y ≈ X. Hier gilt demnach Y ∼ P(λ) mit λ = 500 · 0,01089 = 5,445. Damit ist zu berechnen: P(3 ≤ Y ≤ 6) = P(Y = 3) + . . . + P(Y = 6) λ3 −λ λ4 −λ λ5 −λ λ6 −λ e + e + e + e = 3! 4! 5! 6! µ ¶ 1 λ λ2 λ3 −λ 3 =e λ + + + 6 24 120 720 = 0,603 Die Wahrscheinlichkeit, zwischen drei und sechs positiven Befunden zu beobachten beträgt ungefähr 0,60. 1 Aufgabe 2 RR ! a) Für eine Dichte muß gelten: fX,Y (x, y) dx dy = 1 Z 1Z 1 Z 1h i1 2 2 3 2 1 2 k x + 3x y dx dy = k x + x y dy 2 0 −1 0 −1 Z 1 1 =k + y 2 dy 2 h =k −1 1 y 2 ¡1 + 31 y 3 1 3 =k 2+ − = k 53 Daraus folgt, für k = 3 5 i1 −1 (− 12 ¢ − 13 ) ergibt das Integral über fX,Y (x, y) gerade eins. b) Berechne zunächst die marginalen Dichten. In Teil a) wurde bereits berechnet: ( 3 1 ( + y 2 ) −1 ≤ y ≤ 1 fY (y) = 5 2 0 sonst Bestimme nun die marginale Dichte von X: Z 1 fX (x) = fX,Y (x, y) dy −1 Z 1 3 =5 x + 3x2 y 2 dy = 3 5 h −1 2 3 xy + x y i1 −1 = 65 (x + x2 ) Also insgesamt: ( fX (x) = 6 5 (x + x2 ) 0 ≤ x ≤ 1 0 sonst Man sieht direkt, daß fX (x) · fY (y) 6= fX,Y (x, y). Daher sind X und Y nicht unabhängig. R c) Berechne die marginale Dichte über fU (u) = fX,U (x, u) und die gemeinsame Dichte fX,U (x, u) = fX,Y (x, u − x) nach dem Transformationssatz. Bestimmung der Integrationsgrenzen: fX,Y (x, u − x) > 0, falls 0≤x≤1 −1 ≤ u − x ≤ 1 ⇔ 2 u−1≤x≤u+1 und damit insgesamt max(0, u − 1) ≤ x ≤ min(1, u + 1). Es sind drei Fälle zu unterscheiden: 1. Fall 2. Fall 3. Fall −1 ≤ u ≤ 0 0≤u≤1 1≤u≤2 =⇒ =⇒ =⇒ 0≤x≤u+1 0≤x≤1 u−1≤x≤1 Hierzu benötigt man Z b Z b 2 2 3 3 (x + 3x (u − x) ) dx = 5 x + 3x2 (u2 − 2ux + x2 ) dx 5 a a Z b = 53 x + 3u2 x2 − 6ux3 + 3x4 dx a h ib = 53 12 x2 + u2 x3 − 32 ux4 + 35 x5 a Und es ergibt sich für die Dichte 1. Fall −1 ≤ u ≤ 0 Z u−1 fU (u) = fX,U (x, u) dx 0 = 3 5 h 1 2 x 2 + u2 x3 − 32 ux4 + 35 x5 iu+1 0 = 35 ( 12 (u + 1)2 + u2 (u + 1)3 − 32 u(u + 1)4 + 53 (u + 1)5 ) 2. Fall 0 ≤ u ≤ 1 Z 1 fU (u) = fX,U (x, u) dx 0 = 35 ( 21 + u2 − 32 u + 35 ) 9 = 33 − 10 u + 35 u2 50 3. Fall 1 ≤ u ≤ 2 Z fU (u) = = 1 fX,U (x, u) dx u−1 3 11 ( − 32 u + u2 ) − 53 ( 12 (u 5 10 − 1)2 + u2 (u − 1)3 − 32 u(u − 1)4 + 35 (u − 1)5 ) 4. Fall u < −1 oder u > 2 fU (u) = 0 3 Aufgabe 3 uiv Seien X1 , . . . , Xn ∼ Exp(λ) und Gn = min1≤i≤n Xi a) Die Verteilungsfunktion exponential-verteilter Zufallsvariablen ist bekannt: FXi (x) = FX1 (x) = 1 − e−λx Damit kann man die Verteilungsfunktion berechnen P(G2 > c) = P(X1 > c, X2 > c) = P(X1 > c)P(X2 > c) = (1 − P(X1 < c))(1 − P(X2 < c)) = (1 − FX1 (c))2 = e−2λc b) Analog zu a) folgt P(Gn > c) = (1 − FX1 (c))n = e−nλc → 0 für n → ∞ c) Es ist zu zeigen P(|Gn | > ε) → 0 für beliebiges ε > 0 und n → ∞. Da Xi immer positiv ist (für alle i), gilt auch Gn > 0 und daher |Gn | = Gn . P(|Gn | > ε) = P(Gn > ε) = e−nλε → 0 für beliebiges ε > 0 Alternativ kann man die Wahrscheinlichkeit mittels der Chebychev/MarkovUngleichung durch das erste oder zweite Moment abschätzen. Es gilt Gn ∼ Exp(nλ) und die Momente sind aus der Vorlesung/Übung bekannt. 4