forked from NorfairKing/kansrekenen-notities
-
Notifications
You must be signed in to change notification settings - Fork 0
/
examenvragen.tex
703 lines (662 loc) · 34.7 KB
/
examenvragen.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
\documentclass[main.tex]{subfiles}
\begin{document}
\chapter{Examenvragen}
\label{cha:examenvragen}
\begin{examenvraag}{Tussentijdse Toets 2014}
\begin{ex-vraag}
Zij $\Omega$ een niet-aftelbare verzameling en zij $\mathcal{A}$ de volgende verzameling:
\[ \mathcal{A} = \{ A \in \Omega \mid A \text{ is aftelbaar} \vee A^{C} \text{ is aftelbaar } \} \]
Bewijs dat $\mathcal{A}$ een $\sigma$-algebra is.
\end{ex-vraag}
\begin{ex-antwoord}
\begin{proof}
\kennen{We gaan eenvoudigweg alle definierende eigenschappen van een $\sigma$-algebra af:}
\begin{itemize}
\item $\Omega \in \mathcal{A}$\\
$\Omega^{C}$ is leeg en dus aftelbaar, dus $\Omega$ zit in $\mathcal{A}$.
\item $\forall A \in \mathcal{A}: A^{C}\in \mathcal{A}$\\
Kies een willekeurige $A \in \mathcal{A}$.
We onderscheiden twee gevallen.
\begin{itemize}
\item $A$ is aftelbaar: $A^{C}$ zit dan in $\mathcal{A}$ want $A^{C^{C}} = A$ is aftelbaar.
\item $A^{C}$ is aftelbaar: $A$ zit dan in $\mathcal{A}$ want $A^{C}$ is aftelbaar.
\end{itemize}
\item $\forall (A_{n})_{n}, A\in \mathcal{A}: \bigcup_{n} A_{n} \in \mathcal{A}$\\
Fixeer een rij $(A_{n})_{n}$ in $\mathcal{A}$.
We onderscheiden opnieuw twee gevallen.
\begin{itemize}
\item Alle $A_{n}$ zijn aftelbaar: $\bigcup_{n}A_{n}$ is dan aftelbaar en zit dus in $\mathcal{A}$.
\item Er is minstens \'e\'en $A_{n}$ niet aftelbaar. Opdat die $A_{m}$ in $\mathcal{A}$ zou zitten moet $A_{m}^{C}$ aftelbaar zijn.
$\left(\bigcup_{n}A_{n}\right)^{C} = \bigcap_{n}A_{n}^{C}$ is nu aftelbaar omdat $A_{m}$ aftelbaar is.
Bijgevolg zit $\bigcup_{n}A_{n}$ ook in $\mathcal{A}$.
\end{itemize}
\end{itemize}
\end{proof}
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2015}
\begin{ex-vraag}
Beschouw een systeem dat bestaat uit 4 onafhankelijke componenten $A$, $B$, $C$ en $D$.
De component $C$ staat in serie met $B$ en zij staan in parallel met $A$.
Dit systeem staan dan op zijn beurt in serie met $D$.
De faalkansen van $A$, $C$ en $D$ zijn gekend: $p_{A} = 0.05$, $p_{C}=0.02$, $p_{D}=0.01$.
Wat is de faalkans van $B$ als we weten dat de kans dat $B$ faalt gegeven dat het hele systeem $S$ faalt gelijk is aan $0.1$?
\end{ex-vraag}
\begin{ex-antwoord}
\begin{itemize}
\item Definities:
\begin{itemize}
\item Noem $p_{i}$ de kans dat systeem $i$ faalt.
\item Noem $E$ het serieel systeem van $B$ en $C$
\item Noem $F$ het parallel systeem van $A$ en $E$.
\item Noem $S$ het hele systeem, dus het seriele systeem van $F$ en $D$.
\end{itemize}
\item Gegevens:
\begin{itemize}
\item $p_{A} = 0.05$, $p_{C}=0.02$, $p_{D}=0.01$, $P(B \text{ faalt } \mid S \text{ faalt }) = 0.1$
\item $p_{E} = p_{B} + p_{C} - p_{B}p_{C}$
\item $p_{F} = p_{A}p_{E}$
\item $p_{S} = p_{E} + p_{F} - p_{E}p_{F}$
\end{itemize}
\item $p_{B}$
\item Toepassing van de wetten.\\
\kennen{Zoals typisch bij een ``Wie is verantwoordelijk?'' vraag, proberen we de stelling van Bayes toe te passen:}
\[ P(B|S) = \frac{P(S|B)P(B)}{P(S|B)P(B) + P(S|B^{C})P(B^{C})} \]
Als $B$ al gefaald heeft, valt het systeem te reduceren tot het serieel systeem van enkel $A$ en $D$.
De kans $P(S|B)$ dat $S$ dan faalt is dus $p_{A}+p_{D}-p_{A}p_{D}$.
Als $B$ zeker niet gefaald heeft, valt $B$ gewoon weg te denken.
De kans $P(S|B^{C})$ dat $S$ dan faalt is dus $p_{D} + p_{A}p_{C} - p_{D}p_{A}p_{C}$.
We kunnen de formule nu herschrijven:
\[ P(B|S) = \frac{(p_{A}+p_{D})p_{B}}{(p_{A}+p_{D}-p_{A}p_{D})p_{B} + (p_{D} + p_{A}p_{C} - p_{D}p_{A}p_{C})(1-p_{B})} \]
Hierin is alles behalve $p_{B}$ gekend:
\begin{align*}
P(B|S) &= \frac{(p_{A}+p_{D}-p_{A}p_{D})p_{B}}{(p_{A}+p_{D}-p_{A}p_{D})p_{B} + (p_{D} + p_{A}p_{C} -p_{D}p_{A}p_{C})(1-p_{B})}\\
0.1 &= \frac{0.0595 p_{B}}{ 0.0595 p_{B} + 0.01099(1-p_{b})}\\
p_{B} &= 0.0201
\end{align*}
\end{itemize}
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2014}
\begin{ex-vraag}
Yumm's is een restaurant dat ook aan huis levert.
Op hun website kan je terugvinden dat de gemiddelde wachttijd (tussen het moment waarop je bestelt en het moment waarop het eten geleverd wordt) $60$ minuten bedraagt, met als standaarddeviatie $20$ minuten.
Ook restaurant Tasty levert aan huis, gemiddeld gezien met een wachttijd van $75$ minuten met een standaarddeviatie van $10$ minuten.
Wanneer je eten bestelt, doe je dat $6$ van de $10$ keer bij Yumm's, en $4$ van de $10$ keer bij Tasty.
Indien je veronderstelt dat beide wachttijden normaal verdeeld zijn, geef dan antwoord op de volgende vragen:
\begin{itemize}
\item Indien je een bestelling geplaatst hebt om $19$ uur, en je eten wordt geleverd tussen $20.15$ uur en $20.30$ uur, hoe groot is dan de kans dat je bij Yumm's besteld hebt?
\item Indien je elke week bij Yumm's bestelt, hoe groot is dan de kans dat je eten gedurende \'e\'en jaar ($52$ weken) minstens $10$ keer tussen $20.15$ uur en $20.30$ uur geleverd werd?
\end{itemize}
\end{ex-vraag}
\begin{ex-antwoord}
Noem $X$ de wachttijd wanneer je eten bestelt bij Yumm's.
We gaan ervan uit dat $X$ normaal verdeeld is.
\[ X \sim N(\mu_{X}=60,\sigma_{X}=20) \]
Noem $Y$ de wachttijd wanner je eten bestelt bij Tasty.
We gaan ervan uit dat ook $Y$ normaal verdeeld is.
\[ Y \sim N(\mu_{Y}=75,\sigma_{Y}=10) \]
We gaan er ook van uit dat je enkel bij Yumm's of Tasty kan bestellen.
\begin{itemize}
\item
Merk op dat de wachttijd tussen $75$ en $90$ minuten ligt in dit geval.
Noem $A$ de gebeurtenis waarin de wachttijd tussen $75$ en $90$ minuten ligt
Noem $B$ de gebeurtenis waarin je bij Yumm's bestelt.
We zoeken nu de volgende kans:
\[ P(B|A) \]
\kennen{We gebruiken de stelling van Bayes}:
\[
P(B|A) = \frac{P(A|B)P(B)}{P(A|B)P(B) + P(A|B^{C})P(B^{C})}
\]
Hierin kennen we $P(B)$, $P(B^{C})$ en kunnen we $P(A|B)$ en $P(A|B^{C})$ berekenen.
\begin{itemize}
\item $P(A|B)$:\\
$P(A|B)$ is de kans op de gegeven wachttijd, gegeven dat we bij Yumm's bestellen.
\[ P(A|B) = P(75 \le X \le 90) \]
Omdat $X$ normaal verdeeld is, kunnen we deze kans berekenen met behulp van onze tabellen.
\[ P(75 \le X \le 90) = P\left(\frac{75-60}{20} \le Z \le \frac{90-60}{20}\right) = P(Z \le 1.5) - P(Z \le 0.75)\]
\tabel{Standaard normale verdeling}{$P(Z \le 0.75)=0.733$ en $P(Z \le 1.5) = 0.933$}
\[ = 0.933 - 0.773 = \frac{4}{25} = 0.16 \]
\item $P(A|B^{C})$:\\
$P(A|B^{C})$ is de kans op de gegeven wachttijd, gegeven dat we bij Tasty bestellen.
\[ P(A|B^{C} = P(75 \le Y \le 90) \]
Omdat $Y$ normaal verdeeld is, kunnen we deze kans berekenen met behulp van onze tabellen.
\[ P(75 \le Y \le 90) = P\left(\frac{75-75}{10} \le Z \le \frac{90-75}{10}\right) = P(Z \le 1.5) - P(Z \le 0) \]
\tabel{Standaard normale verdeling}{$P(Z \le 1.5) = 0.773$ en $P(Z \le 0) = 0.5$}
\[ = 0.933 - 0.5 = \frac{433}{1000} = 0.433 \]
\end{itemize}
We kunnen nu de gevraagde kans uitrekenen:
\[ \frac{P(A|B)P(B)}{P(A|B)P(B) + P(A|B^{C})P(B^{C})} = \frac{\frac{4}{25}\frac{6}{10}}{\frac{4}{25}\frac{6}{10} + \frac{433}{1000}\frac{4}{10}} = \frac{240}{673} = 0.3566 \]
\item
We gaan ervan uit dat je telkens om $19$ uur bestelt.
Noem $U$ het aantal keer dat het eten tussen $20.15$ uur en $20.30$ uur toekomt per jaar.
De kans dat het eten \'e\'en keer tussen $20.15$ uur en $20.30$ uur toekomt is $0.16$ (zie eerder).
\kennen{$U$ is dan binomiaal verdeeld met $p=0.16$}.
\[ U \sim B(n=52, p=0.16) \]
We zoeken nu de volgende kans:
\[ P(U > 9) \]
We kunnen stukje bij beetje uitrekenen door $52$ termen uit te schrijven en uit te rekenen, of we kunnen de centrale limietstelling gebruiken:
\[ U = 52 X \sim N(52\mu_{X},52\sigma_{X}^{2}) \]
We hebben hiervoor $\mu_{X}$ en $\sigma_{X}^{2}$ nodig.
\kennen{Aangezien $X$ twee mogelijke uitkomsten heeft, in de zin dat het eten ofwel binnen de grenzen, ofwel buiten de grenzen aankomt, is $X$ Bernoulli-verdeeld met $p=0.16$.}
\formularium{Bernoulli verdeling}{$\mu_{X}=p$ en $\sigma_{X}=p(1-p)$}
\[ U = 52 X \sim N(\mu_{U}= 52\cdot 0.16,\ \sigma_{U} = 52\cdot 0.16 \cdot 0.84) = N(\mu_{U}=8.32,\sigma_{U}=6.99) \]
We kunnen de gezochte kans nu berekenen met de tabellen.
\[ P(U \ge 10) = 1 - P(U \le 10) = 1 - P\left(Z \le \frac{10-0.5-8.32}{\sqrt{6.99}} \right) = 1 - P(Z \le 0.45) \]
\tabel{Standaard normale verdeling}{$P(Z \le 0.674) = 0.326$}
\[ = 1-0.674 = 0.326 \]
\end{itemize}
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2015}
\begin{ex-vraag}
Veronderstel dat $1$ op $2500$ lampen stuk gaat gedurende een bepaalde dag.
In een bedrijf hangen $10000$ lampen.
Wat is de kans dat minstens $6$ lampen stuk gaan op een bepaalde dag?
\end{ex-vraag}
\begin{ex-antwoord}
Definieer $X$ als het aantal lampen dat stuk gaat en een bepaalde dag.
Een lamp die stuk gaat kunnen we als een Bernoulli experiment beschouwen, $X$ is dan Binomiaal verdeeld:
\[ X \sim B\left(n=10000,p=\frac{1}{2500}\right)\]
Wanneer we hiermee de gevraagde kans $P(X \ge 6)$ willen berekenen, kunnen we twee dingen doen:
Ofwel berekenen we de kans meteen met de formule: \formularium{Binomiaal}{$P(X=k) = \binom{n}{k}p^{k}(1-p)^{n-k}$}
\[ P(X \ge 6) = \sum_{i=6}^{10000}P(X=i) \]
Dit zou heel veel werk kosten.
Ofwel berekenen we het complement rechtstreeks met de formule:
\[ P(X \ge 6) = \sum_{i=0}^{5}(X=5) \]
Dit is nog steeds redelijk wat werk:
\begin{align*}
P(X \ge 6)
&= \sum_{i=0}^{5}\binom{n}{i}p^{i}(1-p)^{n-i}\\
&= \left(\frac{2499}{2500}\right)^{10000}\\
&+ 10000\left(\frac{1}{2500}\right)\left(\frac{2499}{2500}\right)^{9999}\\
&+ 10000\cdot 9999\left(\frac{1}{2500}\right)^{2}\left(\frac{2499}{2500}\right)^{9998}\\
&+ 10000\cdot 9999 \cdot 9998\left(\frac{1}{2500}\right)^{3}\left(\frac{2499}{2500}\right)^{9997}\\
&+ 10000\cdot 9999 \cdot 9998 \cdot 9997\left(\frac{1}{2500}\right)^{4}\left(\frac{2499}{2500}\right)^{9996}\\
&+ 10000\cdot 9999 \cdot 9998 \cdot 9997 \cdot 9998\left(\frac{1}{2500}\right)^{5}\left(\frac{2499}{2500}\right)^{9995}
\end{align*}
Dit is vooral veel intikwerk.
Het kan nog eenvoudiger.
\kennen{We kunnen de binomiaalverdeling benaderen, maar afhankelijk van de vuistrekel gebruiken we de stelling van De Moivre-Laplace (als de vuistregel-test slaagt) of de limietstelling van Poisson (als de vuistregel-test niet slaagt)}
\[ n \ge 30 \text{ maar } np = \frac{10000}{2500} = 4 \not\ge 5 \text{ (ookal geldt } nq = \frac{24990000}{2500} \ge 5 \text{ )} \]
\kennen{Zoals we al hadden kunnen raden uit de opgave (het gaat over een aantal gebeurtenissen in een tijdsinterval), zullen we de binomiaalverdeling inderdaad benaderen met een Poissonverdeling:}
\[ B(n,p) \simeq\mathcal{P}(np) \]
In ons geval is $np$ gelijk aan $4$.
Het antwoord ziet er dan als volgt uit:
\[ P(X \ge 6) \approx 1-P(X<6) = 1-\sum_{k=0}^{5}P(X=k) = 1-\sum_{k=0}^{5}\frac{e^{-4}4^{k}}{k!} = 0.21486961296959495 \]
Toegegeven, dit is nog steeds redelijk wat werk.
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2015}
\begin{ex-vraag}
Een lampenbedrijf is ge\"interesseerd in het gemiddelde lichtrendement van de lampen.
In het bedrijf hangen $10000$ lampen.
De kans dat het gemiddelde lichtrendement groter is dan $105$ $lumen/Watt$ is gelijk aan $6\%$ en er is $26.6\%$ kans dat het gemiddelde lichtrendement kleiner is dan $98 lumen/Watt$.
Wat is dan de kans het gemiddelde lichtrendement tussen $99$ en $104.5 lumen/Watt$ ligt?
\end{ex-vraag}
\begin{ex-antwoord}
Noem $Y$ het gemiddeld lichtrendement van een lamp.
De vraag spreekt over $10000$ gemiddeldes.
\kennen{Dit zou u meteen moeten doen denken aan de centrale limietstelling.
Omdat we over zodanig veel lampen spreken zal $Y$ benaderd kunnen worden met $N(\mu,\sigma^{2})$}
Gegeven is $P(Y > 105) = 0.06$ en $P(Y \le 98) = 0.266$.
Omdat $Y$ normaal verdeeld is betekent dit het volgende:
\[ P\left(Z > \frac{105 - \mu}{\sigma}\right) = 0.06 \quad\text{ en }\quad P\left(Z \le \frac{98-\mu}{\sigma}\right) = 0.266\]
\tabel{Standaard normale verdeling}{$P(Z \le 1.555) = 0.94$ en $P(Z \le 0.625) = 0.734$}
Vanuit de tabel vinden we het volgende:
\[
P\left(Z > \frac{105 - \mu}{\sigma}\right)
= 1 - P\left(Z \le \frac{105 - \mu}{\sigma}\right)
= 1 - P(Z \le 1.555)
= 0.94
= 1-0.06
\Rightarrow
\frac{105-\mu}{\sigma}
= 1.555
\]
\[ P\left(Z \le \frac{98-\mu}{\sigma}\right)
= 1 - P\left(Z \le -\frac{98-\mu}{\sigma}\right)
= 1 - P(Z \le 0.63)
= 0.743
= 1 - 0.266
\Rightarrow
\frac{98-\mu}{\sigma}
= -0.625
\]
\kunnen{Nu lossen we dit stelsel op om $\mu$ en $\sigma$ te vinden:}
\begin{align*}
\begin{cases}
\frac{105-\mu}{\sigma}
&= 1.555\\
\frac{98-\mu}{\sigma}
&= -0.625
\end{cases}
\longrightarrow
\begin{cases}
105-\mu
&= 1.555\sigma\\
98-\mu
&= -0.625\sigma
\end{cases}
\longrightarrow
\begin{cases}
7
&= 2.18\sigma\\
98-\mu
&= -0.625\sigma
\end{cases}\\
\longrightarrow
\begin{cases}
\sigma
&= 3.21\sigma\\
98-\mu
&= -(0.625)(3.21)
\end{cases}
\longrightarrow
\begin{cases}
\sigma
&= 3.21\sigma\\
\mu
&= 100.025
\end{cases}
\end{align*}
\kunnen{We rekenen nu de gevraagde kans $P(99 \le Y \le 104.5)$ uit:}
\begin{align*}
P(99 \le Y \le 104.5)
&= P(-0.32 \le Z \le 1.39)\\
&= P(Z \le 1.39) - P(Z \le -0.32)\\
&= P(Z \le 1.39) - (1-(Z \le 0.32))
\end{align*}
\tabel{Standaard normale verdeling}{$P(Z \le 1.39) = 0.918$ en $P(Z \le 0.32) = 0.626$}
\[ P(Z \le 1.39) - (1-(Z \le 0.32)) = 0.918 - (1-0.626) = 0.544\]
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2014}
\begin{ex-vraag}
Zij $X_{1}$ een exponentieel-verdeelde stochastische variabele met dichtheid $f_{X_{1}}$:
\[ f_{X_{1}}(x) = \frac{1}{6}e^{-\frac{x}{6}} \quad x \ge 0 \]
Zij $X_{2}$ een een $\chi^{2}$ verdeelde stochastische variabele met dichtheid $f_{X_{2}}$:
\[ f_{X_{2}}(x) = \frac{e^{-\frac{x}{2}}x^{2-1}}{2^{2}\Gamma(2)} \]
Wat is de verdeling van $X_{1} + 3X_{2}$ als $X_{1}$ en $X_{2}$ onafhankelijk zijn?
\end{ex-vraag}
\begin{ex-antwoord}
We bekijken de momentgenererende functies van $X_{1}$ en $X_{2}$.
Omdat $X_{1}$ en $X_{2}$ onafhankelijk zijn, is de momentgenerenede functie van $X_{1} + 3X_{2}$ eenvoudig te berekenen:
\[ M_{X_{1}+3X_{2}}(t) = M_{X_{1}}(t)M_{3X_{2}}(t) = M_{X_{1}}(t)M_{X_{2}}(3t) \]
\formularium{Exponentiele verdeling}{$M_{X_{1}}(t) = \frac{1}{\sqrt{1-6t}}$ voor $t < \alpha$ ($\alpha = \nicefrac{1}{6}$)}
\formularium{$\chi^{2}$-verdeling}{$M_{X_{2}}(t) = \frac{1}{1-2t} $ ($n = 4$)}
We vinden de momentgenererende functie:
\[ M_{X_{1}+3X_{2}}(t) = \frac{1}{\sqrt[3]{1-6t}} \]
Kijken we nu terug naar het formularium, dan vinden we de verdeling van $X_{1} + 3X_{2}$.
\formularium{$\Gamma$-verdeling}{$M_{\Gamma_{3,6}}= \frac{1}{\sqrt[3]{1-6t}}$}
\[ X_{1} + 3X_{2} \sim \Gamma(3,6) \]
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2015}
\begin{ex-vraag}
Een discrete variabele $X$ heeft volgende momentgenererende functie:
\[ M_{X}(t) = \frac{1}{4}\left( e^{-2t} + e^{-t} + e^{t} + e^{2t} \right) \]
\begin{itemize}
\item Bereken de variantie van $X$.
\item Geef, gebruik makende van de variantie, een ondergrens voor de kans $P(|X| < \frac{7}{4})$.
\end{itemize}
\end{ex-vraag}
\begin{ex-antwoord}
\begin{itemize}
\item \kennen{De variantie van een toevalsvariabele valt als volgt te berekenen:}
\[ Var[X] = E[X^{2}] - E[X]^{2} \]
\kennen{$E[X^{i}]$ valt te berekenen als $\left.\frac{d^{i}}{dt^{i}}M_{X}(t)\right|_{t=0}$,} dus we kunnen de variantie berekenen aan de hand hiervan:
\begin{align*}
E[X]
&= \left.\frac{d}{dt}M_{X}(t)\right|_{t=0}\\
&= \left.\frac{d}{dt}\left(\frac{1}{4}\left( e^{-2t} + e^{-t} + e^{t} + e^{2t} \right)\right)\right|_{t=0}\\
&= \frac{1}{4}\left.\frac{d}{dt}\left(e^{-2t} + e^{-t} + e^{t} + e^{2t}\right)\right|_{t=0}\\
&= \frac{1}{4}\left.\left(-2e^{-2t} -e^{-t} + e^{t} + 2e^{2t}\right)\right|_{t=0}\\
&= \frac{1}{4}\left(-2-1+1+2\right) \\
&= 0
\end{align*}
\begin{align*}
E[X^{2}]
&= \left.\frac{d^{2}}{dt^{2}}M_{X}(t)\right|_{t=0}\\
&= \frac{1}{4}\left.\frac{d}{dt}\left( -2e^{-2t} - e^{-t} + e^{t} + 2e^{2t} \right)\right|_{t=0}\\
&= \frac{1}{4}\left.\left( 4e^{-2t} + e^{-t} + e^{t} + 4e^{2t} \right)\right|_{t=0}\\
&= \frac{1}{4}\left( 4+1+1+4 \right)\\
&= \frac{5}{2}
\end{align*}
De variantie is dus $\frac{10}{4}$.
\item \kennen{De ongelijkheid van Chebyschev leert ons dat we een afschatting kunnen maken voor een kans van de voor $P(|X| \ge a)$ als we de variantie en het gemiddelde kennen van $X$.}
\[ \forall a \ge 0:\ P(|X-\mu| \ge a) \le \frac{\sigma^{2}}{a^{2}} \]
In dit geval betekent dat het volgende:
\[ P\left(|X| \ge \frac{7}{4}\right) \le \frac{\frac{5}{2}}{\left(\frac{7}{4}\right)^{2}} = \frac{40}{49} \]
Dit geeft het volgende als antwoord:
\[ P\left( |X| < \frac{7}{4} \right) = 1 - P\left(|X| \ge \frac{7}{4}\right) \ge 1 - \frac{40}{49} = \frac{9}{49} \]
\end{itemize}
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2014}
\begin{ex-vraag}
Een stochastisch koppel $(X,Y)$ heeft een bivariate normale verdeling als de gezamelijke verdelingsfunctie van $X$ en $Y$ als volgt gegeven wordt:
\[
f_{X,Y}(x,y)
=
\frac
{
e^{-\frac{1}{2}\frac{1}{1-\rho^{2}}
\left(
\left(\frac{x-\mu_{x}}{\sigma_{x}}\right)^{2}
- 2\rho\left(\frac{x-\mu_{x}}{\sigma_{x}}\right)^{2}\left(\frac{y-\mu_{y}}{\sigma_{y}}\right)^{2}
+ \left(\frac{y-\mu_{y}}{\sigma_{y}}\right)^{2}
\right)
}
}
{
2\pi\sigma_{x}\sigma_{y}\sqrt{1-\rho^{2}}
}
\]
Bereken de marginale dichtheidsfunctie van $Y$.
\end{ex-vraag}
\begin{ex-antwoord}
\kennen{De formule voor een marginale dichtheidsfunctie gaat als volgt:}
\[ f_{y}(y) = \int_{-\infty}^{+\infty}f_{X,Y}(x,y)\ dx \]
We voeren eerst een aantal constanten in, om de leesbaarheid te vergroten:
\[
C = \dfrac{1}{2\pi\sigma_{x}\sigma_{y}\sqrt{1-\rho^{2}}} \quad A = \frac{1}{2}\frac{1}{1-\rho^{2}} \quad u = \frac{x-\mu_{x}}{\sigma_{x}} \quad v = \frac{y-\mu_{y}}{\sigma_{y}}
\]
\[ f_{X,Y}(x,y) = C e^{A \cdot (u^{2}-2\rho u v + v^{2})} \]
\kunnen{We kunnen de formule nu uitrekenen}
\[ \int_{-\infty}^{+\infty}f_{X,Y}(x,y)\ dx\ dy = \int_{-\infty}^{+\infty} C e^{-A \cdot (u^{2}-2\rho u v + v^{2})}\ dx = C\int_{-\infty}^{+\infty}e^{-A \cdot (u^{2}-2\rho u v + v^{2})}\ dx \]
We voeren een nieuwe integratieveranderlijke in:
\[
\begin{array}{rl}
u &= \frac{x-\mu_{x}}{\sigma_{x}}\\
du &= \frac{1}{\sigma_{x}}dx\\
\end{array}
\]
\[
= C\sigma_{x}\int_{-\infty}^{+\infty}e^{-A \cdot (u^{2}-2\rho u v + v^{2})}\ du
= C\sigma_{x}\sigma_{X}\int_{-\infty}^{+\infty}e^{-Av^{2}}e^{-A \cdot (u^{2}-2\rho u v)}\ du
= C\sigma_{x}e^{-Av^{2}}\int_{-\infty}^{+\infty}e^{-Au^{2}+2A\rho u v}\ du
\]
We forceren hier een bijzonder product door $+ A\rho^{2}v^{2} - A\rho^{2}v^{2}$ toe te voegen in de exponent.
\[
= C\sigma_{x}e^{-Av^{2}}\int_{-\infty}^{+\infty}e^{-Au^{2}+2A\rho u v + A\rho^{2}v^{2} - A\rho^{2}v^{2}}\ du
= C\sigma_{x}e^{-Av^{2}-A\rho^{2}v^{2}}\int_{-\infty}^{+\infty}e^{-Au^{2}+2A\rho u v + A\rho^{2}v^{2}}\ du
\]
\[
= C\sigma_{x}e^{-A(1-\rho^{2})v^{2}}\int_{-\infty}^{+\infty}e^{-A(u-\rho v)^{2}}\ du
\]
We voeren nogmaals een nieuwe integratieveranderlijke in:
\[
\begin{array}{rl}
z &= \sqrt{2A}(u-\rho v) \\
dz &= \sqrt{2A} du\\
\end{array}
\]
$z^{2}$ is dan $2A(u-\rho v)^{2}$.
\[
= C\sigma_{x}e^{-A(1-\rho^{2})v^{2}}\frac{1}{\sqrt{A}}\int_{-\infty}^{+\infty}e^{-\frac{1}{2}z^{2}}\ dz
\]
Nu zou je de formule binnen de integraal moeten herkennen.
\formularium{Dichtheidsfunctie van een algemene Normaalverdeling}{ $\frac{e^{-\frac{(x-\mu)^{2}}{2\sigma^{2}}}}{\sigma\sqrt{2}\pi}$}
De formule voor de standaard normaalverdeling ziet er als volgt uit:
\[ \phi(x) = \frac{e^{-\frac{1}{2}x^{2}}}{\sqrt{2\pi}} \]
Omdat dit een dichtheid is, moet de integraal tot $1$ evalueren:
\[ 1 = \int_{-\infty}^{+\infty}\frac{e^{-\frac{1}{2}x^{2}}}{\sqrt{2\pi}} \]
\[ \sqrt{2\pi} = \int_{-\infty}^{+\infty}e^{-\frac{1}{2}x^{2}} \]
De integraal die nog overblijft kunnen we dus vervangen door $\sqrt{2\pi}$.
\[
= C\sigma_{x}e^{-A(1-\rho^{2})v^{2}}\frac{\sqrt{2\pi}}{\sqrt{2A}}
\]
We vervangen nu de leesbaarheidsconstanten terug naar de originele waarden en zien dat we al veel kunnen vereenvoudigen.
\[
= \dfrac{1}{2\pi\sigma_{x}\sigma_{y}\sqrt{1-\rho^{2}}}\sigma_{x}e^{-\left( \frac{1}{2}\frac{1}{1-\rho^{2}}\right)(1-\rho^{2})\left(\frac{y-\mu_{y}}{\sigma_{y}}\right)^{2}}\frac{\sqrt{2\pi}}{\sqrt{2\left( \frac{1}{2}\frac{1}{1-\rho^{2}}\right)}}
\]
\[
= \dfrac{1}{\sqrt{2\pi}\sigma_{y}}e^{- \frac{1}{2}\left(\frac{y-\mu_{y}}{\sigma_{y}}\right)^{2}}
\]
We vinden dat $f_{y}(y)$ de dichtheidsfunctie is van een normaal verdeelde stochastische variabele, zoals verwacht.
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Tussentijdse Toets 2015}
\begin{ex-vraag}
Een apparaat bestaat uit $2$ componenten en stopt met werken zodra minstens $1$ van de $2$ componenten faalt.
Stel $X$ en $Y$ de respectievelijke levensduren (uitgedrukt in uren) van de $2$ componenten.
Stel dat de gezamenlijke dichtheidsfunctie van de levensduren gegeven wordt door $f_{X,Y}$:
\[
f_{X,Y}(x,y) =
\begin{cases}
c(x+y) & \text{ als } x\in\interval[open]{0}{3} \text{ en } y \in\interval[open]{0}{3}\\
0 & \text{ anders}
\end{cases}
\]
\begin{enumerate}
\item Bereken $c$ op dat $f_{X,Y}$ een dichtheidsfunctie is.
\item Bepaal de kans dat het apparaat binnen het uur faalt.
\item Bereken $f_{Y|X}(x|y)$
\end{enumerate}
\end{ex-vraag}
\begin{ex-antwoord}
\begin{enumerate}
\item \kennen{We integreren heel de dichtheidsfunctie, dat moet op $1$ uitkomen}
\begin{align*}
\int_{-\infty}^{+\infty}\int_{-\infty}^{\infty}f_{X,Y}(x,y)\ dy dx
&= \int_{0}^{3}\int_{0}^{3}c(x+y)\ dy dx\\
&= c\int_{0}^{3}\left.\left(xy + \frac{y^{2}}{2}\right)\right|_{y=0}^{y=3}\ dx\\
&= c\int_{0}^{3}3x + \frac{9}{2}\ dx\\
&= c\left.\left(\frac{3}{2}x^{2}+\frac{9}{2}x\right)\right|_{x=0}^{x=3}\\
&= c\left(\frac{27}{2} + \frac{27}{2}\right)\\
&= 27 c
\end{align*}
$c$ moet dus $\frac{1}{27}$ zijn.
\item We zoeken $P(X < 1 \cup Y < 1)$.
\kunnen{We tekenen het universum en duiden de gebeurtenis aan:}
\begin{figure}[H]
\centering
\begin{tikzpicture}
\draw[->] (0,0) -- (6.1,0) node[right] {$x$};
\draw[->] (0,0) -- (0,6.2) node[above] {$y$};
\node[below] (all) at (6,0) {(3,0)};
\node[left] (all) at (0,6) {(0,3)};
\node[below left] (all) at (0,0) {(0,0)};
\node[below] (all) at (2,0) {(1,0)};
\node[left] (all) at (0,2) {(0,1)};
\draw (2,0) -- (2,6) node {};
\draw (0,2) -- (6,2) node {};
\draw (6,0) -- (6,6) node {};
\draw (0,6) -- (6,6) node {};
\filldraw[thick,fill=green!80!black,fill opacity=0.4] (0,0) -- (0,6) -- (2,6) -- (2,2) -- (6,2) -- (6,0) -- cycle;
\end{tikzpicture}
\caption{Het universum}
\end{figure}
We zouden dit kunnen uitrekenen als $\int_{0}^{3}\int_{0}^{1}f_{X,Y}(x,y)\ dy dx + \int_{0}^{1}\int_{0}^{3}f_{X,Y}(x,y)\ dy dx - \int_{0}^{1}\int_{0}^{1}f_{X,Y}(x,y)\ dy dx$, maar omdat we eigenlijk niet graag veel integralen uitrekenen kunnen we het eenvoudiger doen door naar te tekening te kijken:
\[ P(X < 1 \cup Y < 1) = 1 - \int_{1}^{3}\int_{1}^{3}f_{X,Y}(x,y)\ dy dx \]
\kunnen{We rekenen dit uit:}
\begin{align*}
\int_{1}^{3}\int_{1}^{3}f_{X,Y}(x,y)\ dy dx
&= \int_{1}^{3}\int_{1}^{3}c(x+y)\ dy dx\\
&= c\int_{1}^{3}\left.\left(xy+\frac{y^{2}}{2}\right)\right|_{y=1}^{y=3}\ dx\\
&= c\int_{1}^{3}\left(3x + \frac{9}{2} - x - \frac{1}{2}\right)\ dx\\
&= c\int_{1}^{3}(2x + 4)\ dx\\
&= c\left.\left(x^{2} + 4x\right)\right|_{x=1}^{x=3}\\
&= c\left(9 + 12 - 1 - 4\right)\\
&= 16c
\end{align*}
Het antwoord is dus $P(X < 1 \cup Y < 1) = 11c$.
\item \kennen{We berekenen de marginale dichtheidsfunctie als volgt:}
\[ f_{Y|X}(y|x) = \frac{f_{X,Y}(x,y)}{f_{X}(x)} \]
De teller kennen we al, \kennen{de noemer berekenen we als volgt:}
\[ f_{X}(x) = \int_{-\infty}^{+\infty}f_{X,Y}(x,y)\ dy \]
\begin{align*}
\int_{-\infty}^{+\infty}f_{X,Y}(x,y)\ dy
&= \int_{0}^{3}c(x+y)\ dy\\
&= c\left.\left(xy + \frac{y^{2}}{2}\right)\right|_{y=0}^{y=3}\\
&= c\left(3x + \frac{9}{2}\right)
\end{align*}
We kunnen nu de marginale dichtheidsfunctie berekenen:
\begin{align*}
\frac{f_{X,Y}(x,y)}{f_{X}(x)}
&= \frac{c(x+y)}{c\left(3x + \frac{9}{2}\right)}\\
&= \frac{x+y}{3\left(x+\frac{3}{2}\right)}
\end{align*}
Het definitiegebied is $x\in\interval{0}{3}, y\in\interval{0}{3}$.
\end{enumerate}
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Augustus 2013}
\begin{ex-vraag}
Veronderstel een gezamelijke dichtheidsfunctie van twee continue stochastische veranderlijken $X$ en $Y$:
\[ f_{X,Y}(x,y) = 2 \]
Hierin is $f_{X,Y}$ gedefinieerd op $\{ (x,y) \mid x,y\in \interval{0}{1}, x+y \le 1 \}$
\begin{enumerate}
\item Bereken de marginale dichtheidsfuncties $f_{X}$ en $f_{Y}$
\item Bereken de voorwaardelijke dichtheidfunctie $f_{Y\mid X=x}(y\mid X=x)$ van $(Y \mid X = x)$
\item Bereken de covariantie van $X$ en $Y$.
\end{enumerate}
\end{ex-vraag}
\begin{ex-antwoord}
\begin{enumerate}
\item
\kennen{De marginale dichtheidsfunctie vinden we door de gezamelijke dichtheidsfunctie te integreren: $f_{X} = \int_{-\infty}^{+\infty}f_{X,Y}(x,y)\ dy$.}
\[ f_{X}(x) = \int_{-\infty}^{+\infty}f_{X,Y}(x,y)\ dy = \int_{0}^{1-x}2\ dy = 2-2x \]
Analoog vinden we de marginale dichtheidsfunctie voor $Y$:
\[ f_{Y}(y) = 2-2y\]
Beide zijn gedefinieerd op $\interval{0}{1}$.
\item
\kennen{De voorwaardelijke dichtheidsfunctie berekenen we aan de hand van de dichtheidsfuncties: $f_{Y\mid X}(y\mid x)$}
\[ f_{Y\mid X}(y\mid x) = \frac{f_{X,Y}(x,y)}{f_{X}(x)} = \frac{2}{2-2x} \]
Voor een gegeven $x$ is deze functie gedefinieerd op $\interval{0}{1-x}$.
\item
\kennen{De covariantie van twee stochastische variabelen kunnen we berekenen aan de hand van de formule $Cov(X,Y) = \int_{-\infty}^{+\infty}(x-E[X])(y-E[Y])f_{X,Y}(x,y)\ dxdy$.}
We berekenen eerst $E[X]$ en $E[Y]$:
\[ E[X] = \int_{-\infty}^{+\infty}f_{X}\ dx = \int_{0}^{1}2-2x\ dx = 1 \]
Analoog berekenen we dat ook $E[Y] = 1$ geldt.
\begin{align*}
&\int_{-\infty}^{\infty}\int_{-\infty}^{+\infty}(x-E[X])(y-E[Y])f_{X,Y}(x,y)\ dxdy\\
&= \int_{0}^{1}\int_{0}^{1-x}2(x-1)(y-1)\ dxdy\\
&= 2\int_{0}^{1}\int_{0}^{1-x}xy-x-y+1\ dx\ dy\\
&= 2\int_{0}^{1}\left( \int_{0}^{1-x}xy\ dy + \int_{0}^{1-x}1-x\ dy +\int_{0}^{1-x}y\ dy \right)\ dx\\
&= 2\int_{0}^{1}\left( \frac{x}{2}(1-x)^{2} + (1-x)^{2} + \frac{1}{2}(1-x)^{2} \right)\ dx\\
&= \int_{0}^{1}(3+x)(1-x)^{2}\ dx\\
&= \int_{0}^{1}x^{3} + x^{2} -5x + 3\ dx\\
&= \frac{1}{4}+\frac{1}{3} - \frac{5}{2} + 3\\
&= \frac{13}{12}\\
\end{align*}
De covariantie van $X$ en $Y$ is dus $\frac{13}{12}$.
\end{enumerate}
\end{ex-antwoord}
\end{examenvraag}
\begin{examenvraag}{Augustus 2013, Tussentijdse Toets 2014}
\begin{ex-vraag}
Beschouw een toevalsvariabele $X$ met de volgende cumulatieve verdelingsfunctie.
\[ F_{X}(x) = 1 - e^{-\left(\frac{X}{\alpha}\right)^{\beta}} \]
\begin{enumerate}
\item Bepaal de dichtheidsfunctie van $X$.
\item Stel $Y=\left(\frac{X}{\alpha}\right)^{\beta}$, wat kan je vertellen over de verdeling van $Y$.
\item Hoe kunnen we stochastische veranderlijken komende van de Weibull verdeling genereren vertrekkende van $U \sim \mathcal{U}\interval{0}{1}$?
\end{enumerate}
\end{ex-vraag}
\begin{ex-antwoord}
\begin{enumerate}
\item \kennen{De dichtheidsfunctie van een stochastische variabele is de afgeleide van de cumulatieve verdelingsfunctie.}
\[ f_{X}(x) = \frac{d}{dx}F_{X}(x) = \frac{\beta}{\alpha}\left(\frac{X}{\alpha}\right)^{\beta-1}e^{\left(\frac{X}{\alpha}\right)^{\beta}} \]
\item \kennen{De cumulatieve verdelingsfunctie in $x$ geeft u de waarde $P(X \le x)$.}
\begin{align*}
F_{Y}(y)
&= P(Y \le y)\\
&= P\left(\left(\frac{X}{\alpha}\right)^{\beta} \le y\right)\\
&= P\left( X \le \alpha\sqrt[\beta]{y} \right)\\
&= F_{X}\left(\alpha\sqrt[\beta]{y} \right)\\
&= 1 - e^{-\left(\frac{\alpha\sqrt[\beta]{y}}{\alpha}\right)^{\beta}}\\
&= 1-e^{-y}
\end{align*}
Als we dit afleiden om de dichtheidsfunctie te vinden we $f_{Y}(y) = e^{-y}$.
\formularium{Exponenti\"ele verdeling}{$f_{\mathcal{E}(\alpha)} = \alpha e^{-\alpha}$, $\alpha > 0$}
We vinden dat $Y$ exponentieel verdeeld is met parameter $\alpha = 1$.
\[ Y \sim \mathcal{E}(1) \]
\item
\kennen{Door de integraaltransformatie om te keren kunnen we eender welke stochastische variabele genereren.\eiref{ei:integraaltransformatie}}
We hebben hiervoor eerst $F^{-1}$ nodig:
\begin{align*}
F_{X}(x) &= 1 - e^{\left(\frac{x}{\alpha}\right)^{\beta}}\\
1-F_{X}(x) &= e^{\left(\frac{x}{\alpha}\right)^{\beta}}\\
\ln\left(1-F_{X}(x)\right) &= \left(\frac{x}{\alpha}\right)^{\beta}\\
\alpha \sqrt[\beta]{\ln\left(1-F_{X}(x)\right)} &= x\\
F^{-1}(F(x)) &= \alpha \sqrt[\beta]{\ln\left(1-F_{X}(x)\right)}
\end{align*}
We vinden een Weibull-verdeelde stochastische variabele door $F^{-1}$ toe te passen op $U$.\eiref{ei:stochastische-veranderlijke-genereren}
\end{enumerate}
\end{ex-antwoord}
\end{examenvraag}
\iffalse
\begin{examenvraag}{Juni 2014}
\begin{ex-vraag}
In een fabriek zijn er $500$ LEDs van elke kleur: rood, groen en blauw.
De kans dat er op een bepaalde dag \'e\'en LED stuk gaat is $0.1\%$.
Bereken de kans dat er op een bepaalde dag $40$ LED's stuk gaan van elke kleur.
\end{ex-vraag}
\begin{ex-antwoord}
We spreken in heel de oplossing over die bepaalde dag.
Noem $R$ het aantal rode LEDs dat kapot gaat, $B$ het aantal blauwe LEDs dat kapot gaat en $G$ het aantal groene LEDs dat kapot gaat.
Gevraagd is dan de volgende kans:
\[ P(R \ge 40, B \ge 40, G \ge 40) \]
Wanneer we ervan uitgaan dat de kleur van een LED onafhankelijk is van de kans dat hij kapot gaat, komt dit op het volgende neer:
\[ P(R \ge 40)^{3} \]
We kunnen een LED die kapot gaat als een 'succes' beschouwen.\footnote{Ironisch h\'e!}
De succeskans is dan $p=0.001$ en $R$ is dan binomiaal verdeeld:
\[ R \sim B(n=500,p=0.001) \]
We kunnen nu de gevraagde kans uitrekenen, maar dit zal waarschijnlijk veel langer duren dan er tijd voor is op het examen dus we zullen de kans moeten gaan benaderen.
\kennen{We gaan het diagram van de benaderingen af.\figref{fig:benaderingen}}
\begin{itemize}
\item $n = 500 > 30$ geldt, dus we moeten inderdaad een benadering maken.
\item $np = 0.5 < 5$ geldt, dus we zullen $R$ benaderen met een Poissonverdeling waarin $\alpha = 0.5$ geldt.
\end{itemize}
De gevraagde kans benaderen we dan als volgt:
\[ P(R \ge 40) \approx P(\mathcal{P}(\alpha=0.5) \ge 40) \]
\kunnen{De normale verdeling kunnen we opzoeken}
\[ P(\mathcal{N}(\mu = 0.5, \sigma=0.5) \ge 40) = P\left(Z \ge \frac{40-0.5}{\sqrt{0.5}}\right) = 1 - P(Z \le 55.86) \]
\end{ex-antwoord}
\end{examenvraag}
\fi
\begin{examenvraag}{Augustus 2013}
\begin{ex-vraag}
Het gewicht van een zak wortelen van het merk Flandria is normaal verdeeld met gemiddeld gewicht $10kg$ en variantie $2kg^2$.
Een zak wortelen wordt afgekeurd als hij minder weegt dan een ondergrens $g$ of meer dan $11kg$.
\begin{enumerate}
\item Wat is $g$ als maximaal $1\%$ van de zakken afgekeurd mag worden wegens 'te licht'.
\item Hoe groot is de kans dat $50$ zakken samen tussen $490kg$ en $530kg$ wegens.
\end{enumerate}
\end{ex-vraag}
\begin{ex-antwoord}
\begin{enumerate}
\item
Zij $X$ de stochastische variabele het gewicht van een zak wortelen voorstelt.
Als er maximaal $1\%$ van de zakken afgekeurd mag worden omdat ze te licht zijn, moet de kans dat een zak minder dan $g\ kg$ weegt kleiner dan $1\%$ zijn.
Gevraagd is dus de kleinste $g$ die aan volgende ongelijkheid voldoet:
\[ P(X < g) \le 0.01 \]
Omdat $X$ normaal verdeeld is, is dit equivalent met de volgende ongelijkheid:
\[ P\left(Z < \frac{g-10}{2}\right) \le 0.01 \]
\tabel{Standaard Normale Verdeling}{$P(Z \le 2.31) = 0.99$}
We vinden dat $\frac{g-10}{2}$ minimaal $-2.32$ mag zijn.
\[ \frac{g-10}{2} = -2.31 \Rightarrow g = 5.38 \]
Het antwoord is dus dat $g$ mininmaal $5.38$ moet zijn.
\item
Noem $Y$ de stochastisch variabele die de som het gewicht van $50$ willekeurige zakken wortelen voorstelt.
\[ Y = 50 \cdot X \]
De gevraagde kans ziet er dan als volgt uit:
\[ P(490 \le Y \le 530) \]
Volgens de centrale limietstelling kunnen we de verdeling van $Y$ benaderen met een Normale verdeling als volgt:
\[ Y \sim \mathcal{N}(\mu = 50 \cdot 10,\ \sigma^{2} = 50 \cdot 2) \]
Omdat $Y$ normaal verdeeld is kunnen we de gevraagde kans herschrijven als volgt:
\[ P(490 \le Y \le 530) = P(Y \le 530) - P(Y \le 490) = P\left( Z \le \frac{530-500}{100} \right) - P\left( Z \le \frac{490-500}{100}\right) \]
\tabel{Standaard Normale Tabel}{$P(Z \le 0.3) = 0.618$ en $P(Z \le 0.1) = 0.540$}
We vinden de gevraagde kans:
\[ P(490 \le Y \le 530) = 0.618 - 0.460 = 0.158 \]
Het antwoord is dus dat de kans $0.158$ is of $15.8\%$.
\end{enumerate}
\end{ex-antwoord}
\end{examenvraag}
\end{document}
%%% Local Variables:
%%% mode: latex
%%% TeX-master: t
%%% End: