Lerninhalte finden
Features
Entdecke
© StudySmarter 2024, all rights reserved.
Gegeben sei ein Wahrscheinlichkeitsraum \((\Omega, \mathcal{F}, P)\). Sei \(\Omega = \{1, 2, 3, 4, 5, 6\}\), wobei jedes Ereignis eine gleich große Wahrscheinlichkeit besitzt (fairer Würfel).
(a) Zeige anhand der Kolmogorov-Axiome, dass die Wahrscheinlichkeit \(P(A)\) für ein Ereignis \(A\) korrekt definiert ist, wo \(A = \{2, 4, 6\}\).
Nutze die folgenden Schritte:
Lösung:
Gegeben sei ein Wahrscheinlichkeitsraum \( (\Omega, \mathcal{F}, P) \). Sei \( \Omega = \{1, 2, 3, 4, 5, 6\} \), wobei jedes Ereignis eine gleich große Wahrscheinlichkeit besitzt (fairer Würfel).
Um zu zeigen, dass die Wahrscheinlichkeit \( P(A) \) für ein Ereignis \( A \) korrekt definiert ist, müssen wir die Kolmogorov-Axiome überprüfen.
Axiom 1 besagt, dass für jedes Ereignis \( A \) die Wahrscheinlichkeit \( P(A) \) eine nichtnegative Zahl ist. Da unser Raum \( \{1, 2, 3, 4, 5, 6\} \) ein fairer Würfel ist, beträgt die Wahrscheinlichkeit eines jeden einzelnen Ergebnisses (Element von \( \Omega \)) \( \frac{1}{6} \). Das bedeutet:
Da \( A = \{2, 4, 6\} \), haben wir:
Also ergibt sich \( P(A) = \frac{3}{6} = \frac{1}{2} \). Da \( \frac{1}{2} \geq 0 \), ist Axiom 1 erfüllt.
Axiom 2 besagt, dass die Wahrscheinlichkeit des Ergebnisses des gesamten Ereignisraums \( \Omega \) gleich 1 ist. Unser Raum ist \( \Omega = \{1, 2, 3, 4, 5, 6\} \), und:
\( P(\Omega) = P(\{1, 2, 3, 4, 5, 6\}) \)
Damit ist Axiom 2 erfüllt.
Axiom 3 besagt, dass für zwei disjunkte Ereignisse \( B \) und \( C \) gilt: \( P(B \cup C) = P(B) + P(C) \).
Da \( B = \{1, 3, 5\} \) und \( C = \{2, 4, 6\} \) disjunkt sind, haben wir \( B \cap C = \emptyset \).
Damit ist Axiom 3 erfüllt.
Zusammenfassend haben wir alle drei Kolmogorov-Axiome überprüft und bestätigt, dass die Wahrscheinlichkeit \( P(A) \) korrekt definiert ist.
(b) Sei \(A = \{1, 3, 5\}\) und \(B = \{2, 4, 6\}\). Berechne die Wahrscheinlichkeit der Vereinigung \(P(A \cup B)\) und verifiziere das Ergebnis unter Anwendung des dritten Kolmogorov-Axioms. Verwende dabei die zuvor berechneten Wahrscheinlichkeiten von Ereignis \(A\) und Ereignis \(B\).
Lösung:
Gegeben sei ein Wahrscheinlichkeitsraum \((\Omega, \mathcal{F}, P)\). Sei \(\Omega = \{1, 2, 3, 4, 5, 6\}\), wobei jedes Ereignis eine gleich große Wahrscheinlichkeit besitzt (fairer Würfel).
Um die Wahrscheinlichkeit der Vereinigung \(P(A \cup B)\) zu berechnen und das Ergebnis unter Anwendung des dritten Kolmogorov-Axioms zu verifizieren, gehen wir wie folgt vor:
Die Elemente von \(\Omega\) haben jeweils die Wahrscheinlichkeit \(\frac{1}{6}\).
\(P(A) = P(\{1\}) + P(\{3\}) + P(\{5\}) = \frac{1}{6} + \frac{1}{6} + \frac{1}{6} = \frac{3}{6} = \frac{1}{2}\)
\(P(B) = P(\{2\}) + P(\{4\}) + P(\{6\}) = \frac{1}{6} + \frac{1}{6} + \frac{1}{6} = \frac{3}{6} = \frac{1}{2}\)
\(P(A \cup B) = P(A) + P(B)\)
\(P(A \cup B) = \frac{1}{2} + \frac{1}{2} = 1\)
Um das Ergebnis zu verifizieren, verwenden wir das dritte Kolmogorov-Axiom, das besagt, dass für zwei disjunkte Ereignisse \(B\) und \(C\) gilt:
Da \(A = \{1, 3, 5\}\) und \(B = \{2, 4, 6\}\) disjunkt sind (\(A \cap B = \emptyset\)), haben wir:
Dies entspricht:
Da das dritte Kolmogorov-Axiom bestätigt, dass die Wahrscheinlichkeit der Vereinigung \(A \cup B\) die Summe der Wahrscheinlichkeiten der einzelnen Ereignisse ist, haben wir das Ergebnis erfolgreich verifiziert.
(c) Angenommen, man definiert ein neues Ereignis \(C = \{1, 2, 3\}\). Überprüfe, ob die Wahrscheinlichkeit \(P(C) = \frac{1}{2}\) eine gültige Wahrscheinlichkeitsverteilung darstellt, indem Du die Kolmogorov-Axiome anwendest.
Lösung:
Gegeben sei ein Wahrscheinlichkeitsraum \((\Omega, \mathcal{F}, P)\). Sei \(\Omega = \{1, 2, 3, 4, 5, 6\}\), wobei jedes Ereignis eine gleich große Wahrscheinlichkeit besitzt (fairer Würfel).
Um zu überprüfen, ob die Wahrscheinlichkeit \(P(C) = \frac{1}{2}\) für das neue Ereignis \(C = \{1, 2, 3\}\) eine gültige Wahrscheinlichkeitsverteilung darstellt, müssen wir die Kolmogorov-Axiome anwenden.
Da \(P(C) = \frac{1}{2} \geq 0\), ist Axiom 1 erfüllt.
Der Ergebnisraum \(\Omega = \{1, 2, 3, 4, 5, 6\}\) besteht aus sechs gleich wahrscheinlichen Ergebnissen. Da jedes Element die Wahrscheinlichkeit \(\frac{1}{6}\) hat, sollte die Summe der Wahrscheinlichkeiten aller einzelnen Ergebnisse gleich 1 sein:
\(P(\Omega) = P(\{1, 2, 3, 4, 5, 6\}) = P(\{1\}) + P(\{2\}) + P(\{3\}) + P(\{4\}) + P(\{5\}) + P(\{6\}) = 6 \times \frac{1}{6} = 1\)
Da die Summe der Wahrscheinlichkeiten der einzelnen Ergebnisse gleich 1 ist, ist Axiom 2 erfüllt.
Betrachten wir zwei disjunkte Ereignisse \(C = \{1, 2, 3\}\) und \(D = \{4, 5, 6\}\).
\(P(C) = \frac{1}{6} + \frac{1}{6} + \frac{1}{6} = \frac{3}{6} = \frac{1}{2}\)
\(P(D) = \frac{1}{6} + \frac{1}{6} + \frac{1}{6} = \frac{3}{6} = \frac{1}{2}\)
Nach Axiom 3 sollte \(P(C \cup D) = P(C) + P(D)\) sein:
\(P(C \cup D) = P(C) + P(D) = \frac{1}{2} + \frac{1}{2} = 1\)
Da diese Gleichung wahr ist, ist Axiom 3 auch erfüllt.
Zusammenfassend stellen wir fest, dass die Wahrscheinlichkeit \(P(C) = \frac{1}{2}\) für das Ereignis \(C = \{1, 2, 3\}\) eine gültige Wahrscheinlichkeitsverteilung ist, da sie alle Kolmogorov-Axiome erfüllt.
Betrachte eine Urne, die 5 rote, 3 blaue und 2 grüne Kugeln enthält. Eine Kugel wird zufällig ohne Zurücklegen gezogen.
Zentraler Grenzwertsatz Seien \(X_1, X_2, \ldots, X_n\) unabhängige identisch verteilte Zufallsvariablen mit \(E[X_i] = \mu\) und \(Var(X_i) = \sigma^2\). Die standardisierte Summe \(S_n\) dieser Zufallsvariablen ist gegeben durch: \[ S_n = \frac{\sum_{i=1}^{n} X_i - n \mu}{ \sigma \sqrt{n}} \] Nach dem Zentralen Grenzwertsatz gilt: \[ S_n \xrightarrow{d} \mathcal{N}(0,1) \] Dies bedeutet, dass die Verteilung von \(S_n\) für große \(n\) näherungsweise normalverteilt ist mit Mittelwert 0 und Varianz 1.
Berechne die Wahrscheinlichkeit, dass die standardisierte Summe \(S_n\) für \(n = 100\) der Zufallsvariablen \(X_i\) mit \(\mu = 50\) und \(\sigma^2 = 25\) größer als 1 ist.
Lösung:
Lösung der Teilaufgabe Um die Wahrscheinlichkeit zu berechnen, dass die standardisierte Summe \(S_n\) für \(n = 100\) der Zufallsvariablen \(X_i\) mit \(\mu = 50\) und \(\sigma^2 = 25\) größer als 1 ist, folgen wir den folgenden Schritten:
Zeige mathematisch, dass die Verteilung der standardisierten Summe \(S_n\) für \(n \to \infty\) gegen eine Normalverteilung konvergiert. Verwende dabei die Momenterzeugende Funktion (MGF).
Lösung:
Lösung der Teilaufgabe Um mathematisch zu zeigen, dass die Verteilung der standardisierten Summe \(S_n\) für \(n \to \infty\) gegen eine Normalverteilung konvergiert, machen wir Gebrauch von der Momenterzeugenden Funktion (MGF). Gehen wir dabei schrittweise vor:
In einem Experiment werden 10.000 Münzwürfe durchgeführt. Modellieren Sie die Anzahl der Kopf-Ergebnisse als Binomialverteilung und verwenden Sie den Zentralen Grenzwertsatz, um die Wahrscheinlichkeit zu approximieren, dass die Anzahl der Kopf-Ergebnisse zwischen 4900 und 5100 liegt.
Lösung:
Lösung der Teilaufgabe Gehen wir Schritt für Schritt vor, um die Wahrscheinlichkeit zu approximieren, dass die Anzahl der Kopf-Ergebnisse zwischen 4900 und 5100 liegt, wenn 10.000 Münzwürfe durchgeführt werden. Dabei modellieren wir die Anzahl der Kopf-Ergebnisse als Binomialverteilung und verwenden den Zentralen Grenzwertsatz.
Ein Unternehmen analysiert die Dauer von Serviceanrufen. Dabei sei die Zufallsvariable X die Anzahl der Minuten, die ein Anruf dauert.
Betrachte die diskrete Zufallsvariable X, die die Dauer der Anrufe in Minuten darstellt, wobei X nur die Werte 1, 2, 3 und 4 annehmen kann. Die Wahrscheinlichkeiten sind folgendermaßen gegeben: \( P(X=1) = 0.1 \), \( P(X=2) = 0.3 \), \( P(X=3) = 0.4 \), und \( P(X=4) = 0.2 \). Bestimme die Wahrscheinlichkeit, dass ein Anruf länger als 2 Minuten dauert.
Lösung:
Angenommen, ein Unternehmen analysiert die Dauer von Serviceanrufen. Die Zufallsvariable X repräsentiert die Anzahl der Minuten, die ein Anruf dauert, und kann die Werte 1, 2, 3 oder 4 annehmen. Die Wahrscheinlichkeiten sind wie folgt gegeben:
Wir müssen die Wahrscheinlichkeiten der Ereignisse ermitteln, bei denen die Anrufdauer größer als 2 Minuten ist, d.h., P(X = 3) und P(X = 4). Die gesuchte Wahrscheinlichkeit ist die Summe dieser beiden Wahrscheinlichkeiten:
Die Wahrscheinlichkeit, dass ein Anruf länger als 2 Minuten dauert, beträgt somit 60%.
Das Unternehmen möchte auch die Gesamtanzahl der Anrufe an einem Tag analysieren. Angenommen, es werden regelmäßig am Tag 100 Anrufe getätigt und die Wahrscheinlichkeit für einen erfolgreichen Anruf beträgt 0.7. Modelliere die Anzahl der erfolgreichen Anrufe mit einer geeigneten diskreten Verteilung und berechne die Wahrscheinlichkeit, dass genau 75 dieser Anrufe erfolgreich sind.
Lösung:
Ein Unternehmen möchte die Gesamtanzahl der erfolgreichen Anrufe an einem Tag analysieren. Angenommen, es werden regelmäßig 100 Anrufe pro Tag getätigt und die Wahrscheinlichkeit für einen erfolgreichen Anruf beträgt 0.7. Um die Anzahl der erfolgreichen Anrufe zu modellieren, verwenden wir die Binomialverteilung.
Die Zufallsvariable X beschreibt die Anzahl der erfolgreichen Anrufe und folgt der Binomialverteilung:
X ~ Bin(n, p)
Wir wollen die Wahrscheinlichkeit berechnen, dass genau 75 dieser Anrufe erfolgreich sind, also P(X = 75).
Die Wahrscheinlichkeitsmassefunktion der Binomialverteilung ist gegeben durch:
\[P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}\]
Für unser Beispiel setzen wir n = 100, k = 75 und p = 0.7 ein:
\[P(X = 75) = \binom{100}{75} (0.7)^{75} (0.3)^{25}\]
Die Berechnung der Binomialkoeffizienten und Wahrscheinlichkeiten erfolgt normalerweise mithilfe eines Computers oder eines wissenschaftlichen Taschenrechners. Wir können Python verwenden, um dies zu berechnen:
import mathfrom scipy.stats import binom# Parameter der Binominalverteilungn = 100p = 0.7k = 75# Berechnung von P(X = 75)p_x_75 = binom.pmf(k, n, p)print(f'Die Wahrscheinlichkeit, dass genau 75 von 100 Anrufen erfolgreich sind, beträgt {p_x_75:.4f}')
Durch Ausführen dieses Codes erhalten wir:
Die Wahrscheinlichkeit, dass genau 75 von 100 Anrufen erfolgreich sind, beträgt etwa 0.0582 oder 5.82%.
Übergangend zu einer stetigen Betrachtung, gehe nun davon aus, dass die Dauer der Anrufe X eine Exponentialverteilung mit dem Parameter \( \theta = 0.5 \) hat. Bestimme die Dichtefunktion von X und berechne die Wahrscheinlichkeit, dass ein Anruf kürzer als 3 Minuten dauert.
Lösung:
Wir gehen nun davon aus, dass die Dauer der Anrufe X einer Exponentialverteilung mit dem Parameter \( \theta = 0.5 \) folgt. Lassen uns die Dichtefunktion von X bestimmen und die Wahrscheinlichkeit berechnen, dass ein Anruf kürzer als 3 Minuten dauert.
Die Exponentialverteilung wird häufig verwendet, um die Zeit zwischen zwei Ereignissen in einem Poisson-Prozess zu modellieren. Die Dichtefunktion der Exponentialverteilung mit dem Parameter \( \theta \) lautet:
\[ f_X(x) = \theta e^{-\theta x} \quad \text{für} \quad x \geq 0 \]
Für unser Beispiel mit \( \theta = 0.5 \) ist die Dichtefunktion:
\[ f_X(x) = 0.5 e^{-0.5 x} \quad \text{für} \quad x \geq 0 \]
Um die Wahrscheinlichkeit zu berechnen, dass ein Anruf kürzer als 3 Minuten dauert, müssen wir das Integral der Dichtefunktion von 0 bis 3 berechnen:
\[ P(X < 3) = \int_0^3 f_X(x) \, dx \]
Wir setzen die Dichtefunktion \( f_X(x) = 0.5 e^{-0.5 x} \) ein:
\[ P(X < 3) = \int_0^3 0.5 e^{-0.5 x} \, dx \]
Um das Integral zu lösen, verwenden wir die Integrationsregel für die Exponentialfunktion:
\[ \int e^{-ax} \, dx = -\frac{1}{a} e^{-ax} \]
In unserem Fall ist \( a = 0.5 \):
\[ P(X < 3) = \left[ - e^{-0.5 x} \right]_0^3 \]
Setzen wir die Grenzen des Integrals ein:
\[ P(X < 3) = \left( - e^{-0.5 \cdot 3} \right) - \left( - e^{-0.5 \cdot 0} \right) \]
Vereinfachen wir den Ausdruck:
\[ P(X < 3) = \left( - e^{-1.5} \right) + 1 \]
\[ P(X < 3) = 1 - e^{-1.5} \]
Durch Berechnung mit einem Taschenrechner oder Computer erhalten wir:
\[ P(X < 3) = 1 - e^{-1.5} \approx 1 - 0.2231 = 0.7769 \]
Die Wahrscheinlichkeit, dass ein Anruf kürzer als 3 Minuten dauert, beträgt somit etwa 77.69%.
Eine genauere Analyse der Anrufdauer zeigt, dass diese normalverteilt ist mit einem Mittelwert von 2 Minuten und einer Standardabweichung von 0.5 Minuten. Berechne die Wahrscheinlichkeit, dass ein Anruf zwischen 1.5 und 2.5 Minuten dauert. Verwende dabei die Normalverteilungsfunktion.
Lösung:
Eine genauere Analyse der Anrufdauer zeigt, dass diese normalverteilt ist mit einem Mittelwert von 2 Minuten und einer Standardabweichung von 0.5 Minuten. Wir möchten die Wahrscheinlichkeit berechnen, dass ein Anruf zwischen 1.5 und 2.5 Minuten dauert. Dafür benutzen wir die Normalverteilungsfunktion.
Die Zufallsvariable X, die die Dauer eines Anrufs in Minuten darstellt, folgt einer Normalverteilung mit den Parametern:
Wir möchten die Wahrscheinlichkeit berechnen, dass ein Anruf zwischen 1.5 und 2.5 Minuten dauert, also P(1.5 < X < 2.5).
Zunächst transformieren wir die gegebenen Werte in z-Werte, die der Standardnormalverteilung \( Z \sim N(0, 1) \) folgen. Die Transformation lautet:
\[ Z = \frac{X - \mu}{\sigma} \]
Wir suchen jetzt die Wahrscheinlichkeit P(-1 < Z < 1).
Die Wahrscheinlichkeiten können wir aus der Standardnormalverteilungstabelle oder mithilfe eines Computers berechnen. Für Z \sim N(0, 1) gilt:
Die gesuchte Wahrscheinlichkeit P(-1 < Z < 1) ist die Differenz dieser beiden Wahrscheinlichkeiten:
\[ P(-1 < Z < 1) = P(Z < 1) - P(Z < -1) \]
\[ P(-1 < Z < 1) = 0.8413 - 0.1587 \]
\[ P(-1 < Z < 1) = 0.6826 \]
Die Wahrscheinlichkeit, dass ein Anruf zwischen 1.5 und 2.5 Minuten dauert, beträgt somit etwa 68.26%.
Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.
Kostenloses Konto erstellenDu hast bereits ein Konto? Anmelden