Nachklausur

Stochastik und Statistik

26. September 2011

Prof. Dr. Bettina Grün

Institut für Statistik, LMU München

Wichtig:
ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
Aufgaben, einem Deckblatt und der χ2k -Verteilung im Anhang.
ˆ Schreiben Sie Ihren Namen und die Matrikelnummer auf jeden Klausurbogen.
ˆ Verwenden Sie für Ihre Lösungen ausschließlich die Klausurbögen (Vorder- und Rückseite),
Zusatzblätter werden auf Anfrage ausgeteilt.
ˆ Als Hilfsmittel sind das ausgedruckte Skript bzw. die Vorlesungsfolien sowie ein nicht-
programmierbarer Taschenrechner zugelassen. Weiters darf ein einseitig beschriebenes
oder bedrucktes A4 Blatt mit einer selbst erstellten Formelsammlung verwendet werden.
Bücher, alte Klausuren und Übungsaufgaben inkl. Lösungen sind nicht zugelassen.
ˆ Bei Unterschleif erfolgt eine Meldung an das Prüfungsamt. Sie sind verpflichtet, durch Ihr
Verhalten jegliche Missverständnisse diesbezüglich auszuschließen.
ˆ Die Bearbeitungszeit beträgt 120 Minuten. In den ersten 30 Minuten und in den letzten
15 Minuten ist keine vorzeitige Abgabe möglich.
ˆ Halten Sie für die Ausweiskontrolle bitte Ihren Studentenausweis und einen Lichtbildaus-
weis bereit.

Ich habe die Anweisungen zur Kenntnis genommen und die Angabe auf Vollständigkeit über-
prüft.

Matrikelnummer:
Name:
Unterschrift:

Viel Erfolg!

Punkte: Note:
 Name:
Klausur Stochastik und Statistik Matrikelnr.:

Aufgabe 1

Jeder Mensch besitzt unveränderliche Blutmerkmale. Man unterscheidet die vier Blut-
gruppen A, B, AB und 0 sowie den Rhesusfaktor R+ und R− . Die Verteilung der Blut-
gruppen in der Bevölkerung ist etwa A = 42%, B = 10%, AB = 4% und 0 = 44%.
Menschen mit Blutgruppe A oder 0 haben mit Wahrscheinlichkeiten 0.85 Rhesusfaktor
R+ . Dagegen tritt bei Personen mit Blutgruppe B R+ nur in 80% der Fälle auf, und bei
Menschen mit Blutgruppe AB sogar nur mit Wahrscheinlichkeit 0.75.

(a) Mit welcher Wahrscheinlichkeit hat eine zufällig ausgewählte Person den Rhesusfak-
tor R+ ? (3 Pkt.)
(b) Mit welcher Wahrscheinlichkeit gehört eine Person mit Rhesusfaktor R+ der Blut-
gruppe AB an? (2 Pkt.)

Lösung:

P (A) = 0.42 P (R+ |A) = 0.85

P (B) = 0.1 P (R+ |B) = 0.8
P (AB) = 0.04 P (R+ |AB) = 0.75
P (0) = 0.44 P (R+ |0) = 0.85

(a)

P (R+ ) = P (R+ |A) · P (A) + P (R+ |B) · P (B) + P (R+ |AB) · P (AB) + P (R+ |0) · P (0)
= 0.85 · 0.42 + 0.8 · 0.1 + 0.75 · 0.04 + 0.85 · 0.44 = 0.841

(b)

P (AB ∩ R+ ) P (R+ |AB) · P (AB) 0.75 · 0.04

P (AB|R+ ) = +
= +
= = 0.036
P (R ) P (R ) 0.841

26. September 2011 Aufgabe 1 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

Aufgabe 2

Die Zufallsvariable X sei exponentialverteilt mit Parameter λ > 0, d.h.


λ · exp(−λx) falls x > 0,
f (x) =
0 falls x ≤ 0.

Bestimmen Sie die Dichtefunktion der Zufallsvariablen Y = X 1/α , wobei α > 0. (3 Pkt.)
Lösung:

g(x) = x1/α
g −1 (y) = y α
d −1
g (y) = α · y α−1
dy


d −1
 fx (g −1 (y)) · g (y) = λ exp(−λy α ) · α · y α−1 für y > 0


dy
fY (y) =


0 für y ≤ 0


(Weibullverteilung, vgl. Übungsblatt 11, Aufgabe 1)

26. September 2011 Aufgabe 2 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

Aufgabe 3
Eine Vertriebsgesellschaft vermutet, dass es hinsichtlich der Nachfrage nach bestimm-
ten Wochenzeitschriften regionale Unterschiede gibt. Um diese Vermutung statistisch zu
überprüfen, zieht sie aus der Menge der Käufer von Wochenzeitschriften zwei voneinander
unabhängige einfache Zufallsstichproben, und zwar eine aus der norddeutschen und eine
aus der süddeutschen Region.
Die Käufer der beiden Stichproben werden gefragt, welche Wochenzeitschrift sie bevorzu-
gen (keine Mehrfachnennungen!). Das Ergebnis dieser Befragung zeigt folgende Tabelle:

Zeitschrift Nord (N ) Süd (S) Summe

A 195 145 340
B 140 200 340
C 175 105 280
Summe 510 450 960

Mit einem χ2 -Test soll die Nullhypothese ”Bevorzugte Zeitschrift ist unabhängig von der
Region des Käufers” überprüft werden.

(a) Berechnen Sie die unter der Nullhypothese erwarteten Häufigkeiten für die sechs
Felder der Tabelle:
Zeitschrift Nord (N ) Süd (S) Summe
A E1 E2 340
B E3 E4 340
C E5 E6 280
Summe 510 450 960
(3 Pkt.)
(b) Als Teststatistik wird das Pearson’sche χ2 -Maß betrachtet. Die Teststatistik folgt
unter der Nullhypothese asymptotisch einer χ2 -Verteilung mit k Freiheitsgraden.
Wir groß ist k im betrachteten Beispiel (bitte begründen!) (3 Pkt.)
(c) Als Teststatistik ergibt sich der Wert 31.8. Kann die Nullhypothese auf dem Niveau
α = 0.01 verworfen werden? (2 Pkt.)
Hinweis: Die Quantilsfunktion der χ2k -Verteilung mit der korrekten Anzahl von
Freiheitsgraden k finden Sie im Anhang.
(d) Benennen Sie ein alternatives Maß, das zur Untersuchung der betrachteten Nullhy-
pothese verwendet werden kann. (1 Pkt.)
Welcher (asymptotischen) Verteilung folgt das alternative Maß? (1 Pkt.)

Lösung:

340 280 510 450

(a) π̂A = π̂B = , π̂C = , π̂N = , π̂S = .
960 960 960 960

26. September 2011 Aufgabe 3 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

Unter H0 ist zu erwarten:

unabh. 340 510
E1 = P (A ∩ N ) · n = π̂A · π̂N · n = · · 960 = 180.625
960 960
340 450
E2 = P (A ∩ S) · n = π̂A · π̂S · n = · · 960 = 159.375
960 960
340 510
E3 = P (B ∩ N ) · n = π̂B · π̂N · n = · · 960 = 180.625
960 960
340 450
E4 = P (B ∩ S) · n = π̂B · π̂S · n = · · 960 = 159.375
960 960
280 510
E5 = P (C ∩ N ) · n = π̂C · π̂N · n = · · 960 = 148.75
960 960
280 450
E6 = P (C ∩ S) · n = π̂C · π̂S · n = · · 960 = 131.25
960 960

(b) k = K − p − 1 wobei K die Anzahl der Kategorien und p die Anzahl der zu schät-
zenden Parameter sind.

Hier: K = 6 und p = 3
(πA , πB , und πN müssen geschätzt werden, πC ergibt sich über πC = 1 − πA − πB
und πS über πS = 1 − πN .)

Also: k = K − p − 1 = 6 − 3 − 1 = 2, d.h. unter H0 : χ2 ∼ χ22

(c) Als kritischer Wert lässt sich aus der Tabelle der Wert 9.21 ablesen. Da große Werte
der Teststatistik gegen H0 sprechen und 31.8 > 9.21, kann die Nullhypothese, dass
die beiden Variablen ”bevorzugte Zeitschrift” und ”Region” unabhängig sind, auf dem
Niveau α = 0.01 abgelehnt werden.
(d) Alternativ kann die Devianz zur Untersuchung der betrachteten Nullhypothese ver-
wendet werden. Die Devianz besitzt die gleiche asymptotische Verteilung wie das
Pearson’sche χ2 -Maß.

26. September 2011 Aufgabe 3 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

Aufgabe 4

Ein Hamster lebt in einem Käfig mit drei Bereichen: Schlafbereich (S), Essensbereich
(E) und Wohnbereich (W ). Es wird angenommen, dass die Folge der Bereiche, die der
Hamster nacheinander aufsucht, eine homogene Markov-Kette X bildet mit dem Zu-
standsraum {S, E, W } und der Übergangsmatrix

S E W
 
S 0 1 0
P = E  pES 0 pEW 
W p W S pW E 0
(a) Interpretieren Sie die Modellannahmen pSS = pEE = pW W = 0 und pSE = 1. (2
Pkt.)
In den folgenden Teilaufgaben (b)-(f) wird angenommen, dass der Hamster nach dem
Essen mit 80% Wahrscheinlichkeit in den Wohnbereich geht. Vom Wohnbereich aus geht
er mit 50% Wahrscheinlichkeit in den Essensbereich.
(b) Stellen Sie mit Hilfe dieser Angaben die konkrete Übergangsmatrix auf. (1 Pkt.)
(c) Ist die Markov-Kette X irreduzibel? Begründen Sie Ihre Antwort. (2 Pkt.)
(d) Ist die Markov-Kette X aperiodisch? Begründen Sie Ihre Antwort. (3 Pkt.)
(e) Überprüfen Sie, bei welcher der folgenden Verteilungen es sich um die stationäre
Verteilung von X handelt:
   
∗ 1 5 1 ∗∗ 1 1 1
π = , , oder π = , ,
4 12 3 3 3 3
(1 Pkt.)
(f) Der Hamster befindet sich in Schritt n im Schlafbereich. Wie groß ist die erwartete
Anzahl von Schritten, bis der Hamster sich wieder im Schlafbereich befindet?
(1 Pkt.)
Lösung:

(a) pSS = pEE = pW W = 0: Der Hamster wechselt in jedem Schritt den Bereich und
verweilt nicht mehrere Schritte im gleichen Bereich.
pSE = 1: Vom Schlafbereich aus geht der Hamster immer in den Essensbereich.
(b)  
0 1 0
P =  0.2 0 0.8 
0.5 0.5 0
(c) Eine Markov-Kette ist irreduzibel, wenn alle Zustände miteinander kommunizieren.
Dies ist fürdie vorliegende Markov-Kette erfüllt, denn:
S→E  
E→S 



E→W

geht direkt in einem Schritt und
W →S  
W →E 



S→E


26. September 2011 Aufgabe 4 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

S → W geht in zwei Schritten über S → E → W.

   
0.2 0 0.8 0.4 0.6 0
(d) P 2 =  0.4 0.6 0  , P 3 =  0.12 0.4 0.48  .
0.1 0.5 0.4 0.3 0.3 0.4

n = 1 : pii (1) = 0 ∀ i ∈ {S, E, W }

 0.2 für i = S (Diagonale von P2 )


n = 2 : pii (2) = 0.6 für i = E

0.4 für i = W


n = 3 : pii (3) = 0.4 ∀ i ∈ {S, E, W } (Diagonale von P3 )

Der größte gemeinsame Teiler von n = 2 und n = 3 ist 1.

=⇒ Alle drei Zustände sind aperiodisch.
(e)  
  0 1 0  
1 5 1 1 5 1
π∗ · P = , , ·  0.2 0 0.8  = , , = π∗
4 12 3 4 12 3
0.5 0.5 0
⇒ π ∗ ist die stationäre Verteilung der Markov-Kette X.
1
(f) E(TS ) = ∗ = 4
πS

26. September 2011 Aufgabe 4 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

Aufgabe 5

(a) Sei X ∼ E(λ) mit P (X ≤ 1) = P (X > 1). Bestimmen Sie V ar(X). (3 Pkt.)
(b) Sei Y eine stetige Zufallsvariable mit Dichte

a + by 2 , 0 ≤ y ≤ 1
f (y) =
0, sonst.
2
Bestimmen Sie a, b ∈ R unter der Annahme, dass E(Y ) = . (3 Pkt.)
3
(c) Die für die Reparatur eines Wagens benötigte Zeit (in Stunden) sei eine exponenti-
alverteilte Zufallsvariable mit Parameter λ. Die Wahrscheinlichkeit, dass eine Repa-
ratur über 4 Stunden dauert, beträgt 0.8. Wie groß ist die Wahrscheinlichkeit, dass
die Reparatur länger als 8 Stunden dauert, wenn sie bereits länger als 4 Stunden
gedauert hat? (1 Pkt.)
(d) Übliche Zufallsgeneratoren erzeugen Realisierungen von stetig gleichverteilten Zu-
fallsvariablen Zi ∼ U(0, 1). Skizzieren Sie, wie man mit dem Zentralen Grenzwertsatz
(nicht mit der Inversions-Methode!) daraus Beobachtungen einer N (µ, σ 2 ) Verteilung
simulieren könnte. (3 Pkt.)

Lösung:

(a)

P (X ≤ 1) P (X > 1) ⇔
=
1 − exp(−λ) 1 − (1 − exp(−λ))
= ⇔
12 · exp(−λ) ⇔
=
0.5exp(−λ) ⇔
=
log 0.5−λ ⇔ =
λlog 2=
1 1
⇒ V ar(X) = 2
=
λ (log 2)2

(b) Bedingung (1):

Z 1  1
2 b 3 b ! b
(a + by ) dy = ay + y =a+ =1 ⇒a=1−
0 3 0 3 3
Bedingung (2):
Z 1  1
2 a 2 b 4 a b ! 2
E(Y ) = y · (a + by ) dy = y + y = + =
0 2 4 0 2 4 3
(1) in (2) einsetzen:
1 b b ! 2 2 1
− + = ⇔ b=2 ⇒ a=1− =
2 6 4 3 3 3
(c) P (X > 8 | X > 4) = P (X > 4) = 0.8
wegen der Gedächtnislosigkeit der Exponentialverteilung (vgl. Bspl. 8.2.2 im Skript).

26. September 2011 Aufgabe 5 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

(d)
n n n 
ZGW S
X
Zi ∼ U(0, 1) ⇒ Z= Zi ∼ N (n · E(Zi ), n · V ar(Zi )) = N ,
i=1
2 12

n
P
Aus der Summe n gleichverteilter Zufallsvariablen Z = Zi lässt sich über die
i=1
lineare Transformation cZ + d eine N (µ, σ 2 )-verteilte Zufallsvariable erzeugen, wenn
man c und d so wählt, dass
n
E(cZ + d) = c · E(Z) + d = c · + d = µ und
2
n
V ar(cZ + d) = c2 · V ar(Z) = c2 · = σ2.
12

26. September 2011 Aufgabe 5 LMU München

 Name:
Klausur Stochastik und Statistik Matrikelnr.:

p χ2k (p) p χ2k (p)

0.750 2.77 0.875 4.16
0.755 2.81 0.880 4.24
0.760 2.85 0.885 4.33
0.765 2.90 0.890 4.41
0.770 2.94 0.895 4.51
0.775 2.98 0.900 4.61
0.780 3.03 0.905 4.71
0.785 3.07 0.910 4.82
0.790 3.12 0.915 4.93
0.795 3.17 0.920 5.05
0.800 3.22 0.925 5.18
0.805 3.27 0.930 5.32
0.810 3.32 0.935 5.47
0.815 3.37 0.940 5.63
0.820 3.43 0.945 5.80
0.825 3.49 0.950 5.99
0.830 3.54 0.955 6.20
0.835 3.60 0.960 6.44
0.840 3.67 0.965 6.70
0.845 3.73 0.970 7.01
0.850 3.79 0.975 7.38
0.855 3.86 0.980 7.82
0.860 3.93 0.985 8.40
0.865 4.00 0.990 9.21
0.870 4.08 0.995 10.60

Tabelle 1: Quantilsfunktion der χ2k -Verteilung.

26. September 2011 Anhang LMU München