restart:Wahrscheinlichkeitsrechnung und Statistikwith(stats); with(describe); with(transform); with(statplots); with(statevalf);Deskriptive StatistikAufgabe 2Wir betrachten \334bung 11.1 aus Mathematik kompakt, S 427, und geben die dortigen Absatzmengen als Liste ein:Absatzmengen:=[499,484,493,487,500,493,504,507,485,501,495,497,490,510,494,502,494,491,502,494,509,488,500,498,505,508,492,504,493,503,514,503,488,486,493,496,499,487,498,497];Die Liste besteht aus 40 Werten:nops(Absatzmengen);Mittelwert, Varianz und Standardabweichung werden berechnet, vgl. Mathematik kompakt, L\366sung 11.1, S. 428:mean(Absatzmengen);evalf(%);variance(Absatzmengen); evalf(%);standarddeviation(Absatzmengen); evalf(%);Wir teilen nun die Daten aus "Absatzmengen" in Klassen ein:1. Versuchrange(Absatzmengen);Die Klassengrenzen werden aufgestellt:Klassengrenzen1:=[seq( 480+i*5..480+(i+1)*5,i=0..6)];Die Daten aus "Absatzmengen" werden in diese Klassen eingeteilt, z.B. liegen 8 Werte in der Klasse 495..500:AbsatzInKlassen1:= tallyinto(Absatzmengen,Klassengrenzen1);Die Gewichte werden normiert (z.B. ist die relative H\344ufigkeit der Werte in Klasse 495..500 gleich 8/40=1/5):AbsatzInKlassenNormiert1:=scaleweight[1/nops(Absatzmengen)](AbsatzInKlassen1);Leider stimmen diese relativen H\344ufigkeiten nicht mit denen in der L\366sung der Aufgabe in Mathematik kompakt auf S 470 \374berein.Dies liegt daran, dass Maple bei Klassen a..b von a<=x<b ausgeht. Im Buch wurde jedoch a<x<=b benutzt. Da gewisse Werte wirklich auf den Intervallgrenzen liegen, erhalten wir hier andere Werte.2. Versuchrange(Absatzmengen);Durch einen Trick definieren wir die Klassengrenzen so, dass z.B. 480.001..485.001 dem Intervall 480.001<=x<485.001 bzw. 480<x<=485 entspricht:Klassengrenzen2:=[seq( 480+i*5+0.001..480+(i+1)*5+0.001,i=0..6)];AbsatzInKlassen2:= tallyinto(Absatzmengen,Klassengrenzen2);Wir erhalten nun die relativen H\344ufigkeiten aus der L\366sung auf S. 470/471:AbsatzInKlassenNormiert2:=scaleweight[1/nops(Absatzmengen)](AbsatzInKlassen2);histogram(AbsatzInKlassenNormiert2);Die relativen H\344ufigkeiten werden ausgegeben:RelH\344uf:=frequency(AbsatzInKlassenNormiert2); Die relativen H\344ufigkeiten werden auf 3 Nachkommastellen ausgegeben (vgl. Buch S. 470 unten):Digits:=3: RelH\344uf:=evalf(RelH\344uf); Digits:=10:Die kumulierten relativen H\344ufigkeiten werden berechnet (vgl. Buch S 471 unter b):KumRelH\344uf:=cumulativefrequency(AbsatzInKlassenNormiert2); Digits:=3: KumRelH\344uf:=evalf(KumRelH\344uf); Digits:=10:Wir erzeugen die "St\374tzpunkte" (X-Werte und Y-Werte bzw. die zugeh\366rigen Wertepaare) und zeichnen die empirische Verteilungsfunktion (vgl Buch S. 471, Abb.11.15):DataX:=[seq(480.+i*5,i=0..7)];DataY:=[0.0, seq( KumRelH\344uf[i], i=1..7) ];DataXY:=[ seq( [DataX[i],DataY[i]], i=1..8) ];plot(DataXY);Aufgabe 3Wir geben zun\344chst die Aktienkurse ein:Liste:=[47.7, 50.8, 50.4, 52.2, 48.2, 49.3, 50.9, 50.3, 49.1, 52.4, 49.6, 50.8, 50.0, 48.9, 51.4, 48.7, 48.8, 49.9, 50.2, 49.0, 51.8, 49.6, 48.6, 51.3, 50.1];range(Liste);sort(Liste);Klassengrenzen:=[seq( 47.5+i*1..47.5+(i+1)*1,i=0..4)];Die Daten aus "Liste" werden in diese Klassen eingeteilt, z.B. liegen 2 Werte in der Klasse 47.5..48.5:AbsatzInKlassen:= tallyinto(Liste,Klassengrenzen);Die Gewichte werden normiert (Z.B. ist die relative H\344ufigkeit der Werte in Klasse 495..500 gleich 8/40=1/5):AbsatzInKlassenNormiert:=scaleweight[1/nops(Liste)](AbsatzInKlassen);RelH\344uf:=frequency(AbsatzInKlassenNormiert); Die relativen H\344ufigkeiten werden auf 2 Nachkommastellen ausgegeben (vgl. Buch S. 429 Mitte):Digits:=2: RelH\344uf:=evalf(RelH\344uf); Digits:=10:Die kumulierten relativen H\344ufigkeiten werden berechnet (vgl. Buch S 471 unter 3a):KumRelH\344uf:=cumulativefrequency(AbsatzInKlassenNormiert); Digits:=2: KumRelH\344uf:=evalf(KumRelH\344uf); Digits:=10:Wir erzeugen die "St\374tzpunkte" (X-Werte und Y-Werte bzw. die zugeh\366rigen Wertepaare) und zeichnen die empirische Verteilungsfunktion (vgl Buch S. 472, Abb.11.16):DataX:=[seq(47.5+i*1,i=0..5)];DataY:=[0.0, seq( KumRelH\344uf[i], i=1..5) ];DataXY:=[ seq( [DataX[i],DataY[i]], i=1..6) ];plot(DataXY);F\374r Teil b) gilt:Unter Benutzung der relativen H\344ufigkeiten erh\344lt man durch Interpolation (Formel S. 430 unten):0.08 + 0.28+ (49.8-49.5)/(50.5-49.5)*0.32;F\374r Teil c) erhalten wir analog:Gl:= 0.5=0.08+0.28+(x-49.5)/(50.5-49.5)*0.32;solve(Gl,x);Aufgabe 4Wir schreiben die beiden Normalgleichungen (S 433 ganz unten) auf.Dabei ist bei der zweiten Gleichung folgendes zu beachten: 1/n*sum(xi^2) = (S_x)^2 + MittelX*MittelX (Verschiebungsformel S. 427; S_x bezeichnet Standardabweichung der X-Werte)1/n*sum(xi*yi) = S_xy + MittelX*MittelY (Definition der Kovarianz S_xy S. 434).(In der folgenden Rechnung wird die Standardabweichung der X-Werte zum Quadrat (=Varianz) mit sx2 und die Kovarianz mit sxy bezeichnet.)Gl1:=a+MittelX*b=MittelY;Gl2:=a*MittelX + b*(sx2+MittelX^2)=sxy+MittelX*MittelY; solve({Gl1,Gl2},{a,b});WahrscheinlichkeitsrechnungAufgabe 31-Root[50](0.9);assume(p>0); Gl:=p^50 = 0.9; solve(Gl,p);p:='p';Zur Erkl\344rung: Die Gleichung p^50=0.9 hat 50 (komplexe) L\366sungen, die Maple alle angibt. Reelle L\366sungen sind nur +/- 0.9978950083, in unserem Fall also + 0.997895.Zufallsvariable und VerteilungsfunktionAufgabe 1Die X-Werte und die FX-Werte werden f\374r die diskrete Zufallsvariable eingegeben:DataX:= [seq(i,i=2..12)]; DataFX:= [1/36, 2/36, 3/36, 4/36, 5/36, 6/36, 5/36, 4/36, 3/36, 2/36, 1/36];Berechnung des Erwartungswertes:Erw:=sum(DataX[i]*DataFX[i],i=1..11);Berechnung der Varianz und der Standardabweichung:Var:=sum( (DataX[i]-Erw)^2 * DataFX[i], i=1..11); evalf(%);Stand:=sqrt(Var); evalf(%);Die diskreten Wahrscheinlichkeiten werden im Aufgabenteil c) aufsummiert:sum( DataFX[i], i=4..8);Aufgabe 3Die X-Werte und die FX-Werte werden f\374r die diskrete Zufallsvariable eingegeben:DataX:= [seq(i,i=2..12)]; DataFX:= [1/36, 2/36, 3/36, 4/36, 5/36, 6/36, 5/36, 4/36, 3/36, 2/36, 1/36];Der Erwartungswert von X wird berechnet:ErwX:=sum(DataX[i]*DataFX[i],i=1..11);Der Erwartungswert von X Quadrat wird berechnet:ErwXQuad:=sum(DataX[i]^2*DataFX[i],i=1..11); evalf(%);\334ber die Verschiebungsformel S. 449 kann die Varianz berechnet werden:ErwXQuad-ErwX^2; evalf(%);Die Varianz kann auch \374ber die \374bliche Definition berechnet werden:Var:=sum( (DataX[i]-Erw)^2 * DataFX[i], i=1..11); evalf(%);Aufgabe 4f1:=statevalf[cdf,normald];f1(1)-f1(-1);f1(2)-f1(-2);