• Keine Ergebnisse gefunden

Musterl¨ osung zu Serie 6

N/A
N/A
Protected

Academic year: 2022

Aktie "Musterl¨ osung zu Serie 6"

Copied!
2
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Prof. Peter B¨uhlmann Mathematik IV: Statistik FS 2013

Musterl¨ osung zu Serie 6

1. a) Skizze:

12 16 20 24 28 32 36 40 44 48 52

0.00 0.02 0.04 0.06

b) X bezeichne den Bleigehalt. Es gilt:

X∼ N µ, σ2

mitµ= 32 undσ2= 62.

Ohne Computer geht man aus praktischen Gr¨unden (Tabelle!) normalerweise zur standardisierten ZufallsvariablenZ= (X−µ)/σ ¨uber. Es gilt: Z ∼ N(0,1).

P [X≤40] = P

Z≤ 40−32 6

= P [Z ≤1.33] = Φ(1.33) = 0.9082 MitRkann die Wahrscheinlichkeit direkt (ohne Transformation) berechnet werden:

> pnorm(40, mean=32, sd=6) [1] 0.9087888

Die kleine Differenz zur Zahl welche “von Hand” berechnet wurde beruht auf einem Rundungs- fehler:

> pnorm(1.33, mean=0, sd=1) # == pnorm(1.33) [1] 0.9082409

> pnorm((40-32)/6, mean=0, sd=1) # == pnorm((40-32)/6) [1] 0.9087888

c) P [X ≤27] = P [Z≤ −0.83] = Φ(−0.83) = 1−Φ(0.83) = 0.2033 d) P [X ≤c] = 0.975 = P

Z ≤c−326

= Φ(c−326 )

Mit Hilfe der Tabelle findet man Φ(1.96) = 0.975. Also muss gelten:

c−32

6 = 1.96 und deshalbc= 32 + 1.96∗6 = 43.76 MitRkann man die Zahl wie folgt berechnen:

> qnorm(0.975,mean=32, sd=6) [1] 43.75978

e) Aus der Tabelle: Φ(1.28) = 0.9 und Φ(−1.28) = 1−0.9 = 0.1. Somitc= 32−1.28∗6 = 24.31 f ) Φ(1)−Φ(−1) = 2∗Φ(1)−1 = 2∗0.8413−1 = 0.6826

(2)

2

2. a) Wir betrachten f¨ur die i-te Person die Zufallsvariable Xi. Es sei Xi = 1 falls die Person etwas kauft und sonstXi= 0. Gem¨ass Aufgabenstellung gilt

P [Xi= 1] = 0.3.

MitY bezeichnen wir die Anzahl aller Eink¨aufe, d.h.

Y =

10

X

i=1

Xi.

Daher gilt alsoY ∼Bin (10,0.3).

b) Keine Person kauft etwas:

P [Y = 0] = (1−0.3)10= 0.710≈0.028.

Mindestens 2 Personen kaufen etwas:

P [Y ≥2] = 1−P [Y <2] = 1−P [Y = 0]−P [Y = 1]

Es gilt: P [Y = 1] = 10·0.3·0.79≈0.121. Somit:

P [Y ≥2]≈1−0.028−0.121≈0.85.

c) Approximation durch Normalverteilung:

Y ∼ N µ, σ2 , wobeiµ= 200·0.3 = 60,σ2= 200·0.3·0.7 = 42.

Durch standardisieren erhalten wir

P [50≤Y ≤60] = P [−1.54≤Z≤0] = Φ(0)−Φ(−1.54) = 0.4382,

wobei verwendet wurde, dass Φ(−1.54) = 1−Φ(1.54) = 1−0.9382 = 0.0618 (siehe Tabelle).

Referenzen

ÄHNLICHE DOKUMENTE

Darauf aufbauend kann man auch einen Test durchf¨ uhren (man spricht vom sogennanten Vorzeichentest). Der Vorteil ist, dass man keine Normalverteilung mehr annehmen muss... a)

e) Im Output k¨ onnen wir unter Residual standard error 62.68 ablesen. F¨ ur kleine Distanzen hat das Modell also einen viel zu grossen relativen Fehler!. f ) Man sieht einen

Das neue Modell (ohne Anzahl K¨ uhe als erkl¨ arende Variable) m¨ usste erneut mittels einer Regressionsanalyse mit R gepr¨

Da das einseitige 97.5%-Vertrauensintervall [0 , 4.82] betr¨ agt und 6 nicht in diesem liegt, muss die Nullhypothese λ 0 = 6 des einseitigen 2.5%-Niveau-Testes verworfen werden...

Wenn die Lieferung also nur 7.5% defekte Gl¨ aser enth¨ alt, so k¨ onnen wir dies mit unserem Test (mit 50 Proben) nur in ca.. Dank der gr¨ osseren Stichprobe ist auch die Macht

Peter B¨ uhlmann Mathematik IV: Statistik FS 2012. Musterl¨ osung zu

1. a) Es ist schwieriger, eine Grenz¨ uberschreitung nachzuweisen, wenn die Standardabweichung aus den Daten gesch¨ atzt wird. Der kritische Wert der Teststatistik ist demnach gr¨

Eine (graphische) Uberpr¨ ¨ ufung der Modellannahmen ist also unumg¨ anglich... a), b), c) W¨ ahrend ein Blick auf die Originaldaten suggeriert, dass sie ziemlich sch¨ on auf