Zufallsprozesse in der Betriebswirtschaftslehre: Online-Quiz für Studierende

Question 1

Ein stochastischer Prozess ist eine Familie von Zufallsvariablen, die von einem Parameter t abhängen. Welcher der folgenden Sachverhalte ist ein Beispiel für einen stochastischen Prozess?

Accepted Answer

Die Anzahl der Kunden, die pro Stunde in ein Geschäft kommen

Answer

Die Höhe des DAX-Index an einem bestimmten Tag

Answer

Die Größe eines Kindes im Alter von 5 Jahren

Answer

Das Wetter in Berlin im Juli

Question 2

Welche der folgenden Aussagen über die Übergangsmatrix einer Markov-Kette mit absorbierenden Zuständen ist korrekt?

Accepted Answer

Sie hat mindestens einen Eigenwert gleich 0, der den absorbierenden Zuständen entspricht.

Answer

Sie ist regulär, d. h. es gibt einen Weg von jedem Zustand zu jedem anderen Zustand.

Answer

Sie ist irreduzibel, d. h. es gibt keine Teilmenge von Zuständen, die vom Rest der Zustandsmenge isoliert ist.

Answer

Ihre Inverse existiert, da es keine absorbierenden Zustände gibt.

Question 3

Welches der folgenden Ereignisse ist ein Elementarereignis im Wahrscheinlichkeitsraum (Ω, ?, P) mit Ω = {1, 2, 3}, ? = {∅, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, Ω}?

Accepted Answer

{1}

Answer

{1, 2}

Answer

∅

Answer

Ω

Question 4

Welche der folgenden Größen ist eine Charakteristik einer Poisson-Verteilung?

Accepted Answer

Alle aufgeführten Größen

Answer

Erwartungswert

Answer

Standardabweichung

Answer

Variationskoeffizient

Question 5

Welche der folgenden Optionen beschreibt einen grundlegenden Begriff der Stochastischen Prozesse?

Accepted Answer

Markov-Kette mit endlichem Zustandsraum

Answer

Wahrscheinlichkeitsverteilung einer Zufallsvariablen

Answer

Regressionsgerade zwischen zwei Zufallsvariablen

Answer

Verteilungsfunktion einer Zufallsvariablen

Question 6

Was versteht man unter einer Markov-Kette mit endlichem Zustandsraum?

Accepted Answer

Ein stochastischer Prozess, bei dem die zukünftigen Zustände nur vom aktuellen Zustand abhängen

Answer

Ein stochastischer Prozess, bei dem die zukünftigen Zustände von allen vorherigen Zuständen abhängen

Answer

Ein stochastischer Prozess, bei dem die Wahrscheinlichkeiten der Zustände konstant sind

Answer

Ein stochastischer Prozess, bei dem die Anzahl möglicher Zustände unendlich ist

Question 7

Welche Eigenschaft trifft auf eine stationäre Markov-Kette zu?

Accepted Answer

Die Übergangswahrscheinlichkeiten sind zeitunabhängig

Answer

Die Zustandsverteilung ändert sich mit der Zeit

Answer

Die Verteilungsfunktion ist eine Normalverteilung

Answer

Die Erwartungswerte der Zufallsvariablen hängen von der Zeit ab

Question 8

Eine Markov-Kette ist ein stochastischer Prozess, bei dem die Wahrscheinlichkeit für den nächsten Zustand abhängt vom:

Accepted Answer

ausschließlich vom aktuellen Zustand

Answer

ausschließlich von vergangenen Zuständen

Answer

ausschließlich von zukünftigen Zuständen

Answer

allen Zuständen

Question 9

Welche Aussage über Übergangswahrscheinlichkeiten in Markov-Ketten ist korrekt?

Accepted Answer

Sie sind immer positiv und summieren sich zu 1 für jeden Zustand.

Answer

Sie können sowohl positiv als auch negativ sein und summieren sich zu 0 für jeden Zustand.

Answer

Ihre Summe über alle Zustände ergibt immer eine komplexe Zahl.

Answer

Sie können nur negative Werte annehmen.

Question 10

Welche der folgenden Matrizen repräsentiert vollständig die Übergänge einer Markov-Kette?

Accepted Answer

Übergangsmatrix

Answer

Zustandsmatrix

Answer

Wahrscheinlichkeitsmatrix

Answer

Erwartungswertmatrix

Question 11

Eine Markov-Kette mit endlicher Zustandsmenge heißt irreduzibel, wenn:

Accepted Answer

es von jedem Zustand einen Pfad mit positiver Wahrscheinlichkeit zu jedem anderen Zustand gibt.

Answer

jeder Zustand mit positiver Wahrscheinlichkeit zu sich selbst übergehen kann.

Answer

die Zustandsmenge eine Primzahl ist.

Answer

die Übergangsmatrix eine Diagonalmatrix ist.

Question 12

Die mittlere Verweilzeit eines Markov-Kette-Zustands ist definiert als:

Accepted Answer

Erwartungswert der Zeit bis zum Verlassen eines Zustands.

Answer

Varianz der Zeit bis zum Verlassen eines Zustands.

Answer

Standardabweichung der Zeit bis zum Verlassen eines Zustands.

Answer

Wahrscheinlichkeit, dass ein Zustand verlassen wird.

Question 13

Welche Annahme trifft auf Markov-Ketten zu?

Accepted Answer

Übergänge zwischen Zuständen sind unabhängig von vorangegangenen Zuständen.

Answer

Die Zustandsmenge ist endlich.

Answer

Die Zeit zwischen den Übergängen ist deterministisch.

Answer

Übergangswahrscheinlichkeiten hängen von allen vergangenen Zuständen ab.

Question 14

Welche Bedingungen müssen erfüllt sein, damit eine Markov-Kette eine stationäre Verteilung aufweist?

Accepted Answer

Die Übergangsmatrix muss irreduzibel und aperiodisch sein.

Answer

Die Übergangsmatrix muss invertierbar sein.

Answer

Die Übergangsmatrix muss symmetrisch sein.

Answer

Die Übergangsmatrix muss als Eigenwert 1 aufweisen.

Question 15

Was versteht man unter einem stochastischen Prozess?

Accepted Answer

Eine Abfolge von Zufallsvariablen, die von einem Parameter abhängig sind

Answer

Eine Wahrscheinlichkeitsverteilung, die die Verteilung möglicher Werte einer Zufallsvariablen beschreibt

Answer

Ein spezieller Typ eines stochastischen Prozesses, bei dem der zukünftige Zustand nur vom gegenwärtigen Zustand abhängt

Answer

Eine Funktion, die einem Zufallsexperiment einen Zahlenwert zuordnet

Question 16

Welcher Begriff beschreibt den Raum aller möglichen Ereignisse in einem stochastischen Prozess?

Accepted Answer

Ereignisraum

Answer

Wahrscheinlichkeitsverteilung

Answer

Zufallsvariable

Answer

Korrelationskoeffizient

Question 17

Eine Markov-Kette zeichnet sich dadurch aus, dass:

Accepted Answer

die Wahrscheinlichkeit des nächsten Zustands nur vom aktuellen Zustand abhängt.

Answer

die Wahrscheinlichkeit des nächsten Zustands von allen vorherigen Zuständen abhängt.

Answer

der Prozess deterministisch ist.

Answer

der Prozess nur in kontinuierlicher Zeit definiert werden kann.

Question 18

Welche Aussage über Markov-Ketten ist zutreffend?

Accepted Answer

Die Wahrscheinlichkeit des nächsten Zustands hängt nur vom aktuellen Zustand ab.

Answer

Die Wahrscheinlichkeit des nächsten Zustands hängt von allen vorherigen Zuständen ab.

Answer

Markov-Ketten sind deterministische Prozesse.

Answer

Markov-Ketten können nur in diskreter Zeit definiert werden.

Question 19

Unter welcher Bedingung existiert für eine Markov-Kette eine stationäre Wahrscheinlichkeitsverteilung?

Accepted Answer

Die Übergangsmatrix ist irreduzibel und aperiodisch.

Answer

Die Übergangsmatrix ist symmetrisch.

Answer

Die Übergangsmatrix hat einen Eigenwert von 1.

Answer

Die Übergangsmatrix ist eine Diagonalmatrix.

Question 20

Welche der folgenden Aussagen beschreibt zutreffend die Eigenschaft der Zustandsabhängigkeit von Markov-Ketten?

Accepted Answer

Der zukünftige Zustand hängt nur vom aktuellen Zustand ab, nicht aber von vergangenen Zuständen.

Answer

Der zukünftige Zustand hängt von allen vergangenen Zuständen ab.

Answer

Der zukünftige Zustand ist unabhängig vom aktuellen und allen vergangenen Zuständen.

Question 21

Die Übergangsmatrix einer Markov-Kette mit m Zuständen besitzt die Dimension:

Accepted Answer

m x m

Answer

m x n

Answer

n x m

Question 22

Ein stochastischer Prozess, der die Anzahl der Kunden, die pro Stunde in einem Geschäft eintreffen, abbildet, ist ein:

Accepted Answer

Poisson-Prozess

Answer

Wiener-Prozess

Answer

Gamma-Prozess

Question 23

Welche Wahrscheinlichkeitsverteilung wird in der Regel zur Modellierung der Wartezeit in einem Warteschlangensystem verwendet?

Accepted Answer

Exponentialverteilung

Answer

Normalverteilung

Answer

Lognormalverteilung

Question 24

Die durchschnittliche Anzahl von Kunden, die sich zu einem bestimmten Zeitpunkt in einem Warteschlangensystem befinden, wird als:

Accepted Answer

mittlere Warteschlangenlänge

Answer

mittlere Wartezeit

Answer

mittlere Durchlaufzeit

Question 25

Ein Zufallsprozess, dessen zukünftige Entwicklung ausschließlich vom gegenwärtigen Zustand abhängt, wird als was bezeichnet?

Accepted Answer

Markov-Kette

Answer

Poisson-Prozess

Answer

Wiener-Prozess

Answer

Binomialverteilter Prozess

Question 26

Ein Markov-Prozess zeichnet sich dadurch aus, dass:

Accepted Answer

Sein zukünftiger Zustand nur vom aktuellen Zustand abhängt.

Answer

Sein zukünftiger Zustand zufällig ist.

Answer

Sein zukünftiger Zustand vom gesamten Verlauf der Vergangenheit abhängt.

Answer

Sein zukünftiger Zustand unabhängig von der Vergangenheit ist.

Question 27

Um die Wahrscheinlichkeit zu berechnen, dass ein Markov-Prozess in einem bestimmten Zustand endet, muss man:

Accepted Answer

Die Übergangsmatrix mit sich selbst multiplizieren, bis die gewünschte Zeitperiode erreicht ist.

Answer

Die Wahrscheinlichkeiten aller anderen Zustände subtrahieren.

Answer

Die Wahrscheinlichkeiten aller Zustände summieren.

Answer

Die Wahrscheinlichkeit des aktuellen Zustands durch die Wahrscheinlichkeit des gesuchten Zustands dividieren.

Question 28

Eine grafische Darstellung einer Markov-Kette ist möglich als:

Accepted Answer

Gerichteter Graph, in dem Knoten Zustände repräsentieren.

Answer

Ungerichteter Graph, in dem Kanten Wahrscheinlichkeiten darstellen.

Answer

Baumdiagramm, in dem Äste mögliche Übergänge zeigen.

Answer

Histogramm, in dem die Balken die Wahrscheinlichkeiten der Zustände anzeigen.

Question 29

Die stationäre Verteilung eines Markov-Prozesses kann berechnet werden, indem:

Accepted Answer

Das Gleichungssystem Px = P gelöst wird.

Answer

Die Elemente jeder Zeile der Übergangsmatrix summiert werden.

Answer

Die Elemente jeder Zeile der Übergangsmatrix voneinander subtrahiert werden.

Answer

Die Elemente jeder Zeile der Übergangsmatrix durch ihre Summe dividiert werden.

Question 30

Die Übergangsraten einer Markov-Kette können beeinflusst werden durch:

Accepted Answer

Alle genannten Faktoren.

Answer

Zeitabhängigkeit.

Answer

Abhängigkeit vom aktuellen Zustand.

Answer

Äußere Einflüsse.

Question 31

Welche Eigenschaft trifft auf eine ergodische Markov-Kette zu?

Accepted Answer

Sie besitzt einen eindeutigen stationären Verteilungsvektor.

Answer

Sie ist periodisch.

Answer

Alle Zustände sind transient.

Answer

Ihre Übergangsmatrix ist nicht stochastisch.

Question 32

Welche der folgenden Aussagen über Markov-Ketten ist falsch?

Accepted Answer

Markov-Ketten sind immer ergodisch.

Answer

Markov-Ketten sind zeitlich homogene stochastische Prozesse.

Answer

Die Wahrscheinlichkeitsverteilung der nächsten Zustände hängt nur vom aktuellen Zustand ab.

Answer

Markov-Ketten können sowohl diskrete als auch stetige Zustandsräume haben.

Question 33

Welche der folgenden Größen ist bei der Modellierung von Markov-Ketten in der Regel gegeben?

Accepted Answer

Beides: Übergangsmatrix und Anfangszustand

Answer

Übergangsmatrix

Answer

Stationäre Verteilung

Answer

Anfangszustand

Question 34

Welche der folgenden Annahmen trifft auf Markov-Ketten zu?

Accepted Answer

Die Zukunft ist abhängig von der unmittelbaren Vergangenheit.

Answer

Die Zukunft ist unabhängig von der Vergangenheit.

Answer

Die gegenwärtige Zukunft ist abhängig von der gesamten Vergangenheit.

Answer

Die Zukunft ist unabhängig von der Gegenwart.

Question 35

Welche Metrik kann verwendet werden, um den Abstand zwischen zwei Verteilungen zu messen?

Accepted Answer

KL-Divergenz

Answer

Hamming-Distanz

Answer

Euklidische Distanz

Answer

Mahalanobis-Distanz

Question 36

Definiere eine Markov-Kette.

Accepted Answer

Ein stochastischer Prozess, dessen Zustand zu einem bestimmten Zeitpunkt nur vom Zustand zum vorherigen Zeitpunkt abhängt.

Answer

Ein stochastischer Prozess, dessen Zustand zu einem bestimmten Zeitpunkt von allen vorherigen Zuständen abhängt.

Answer

Ein stochastischer Prozess, dessen Zustand zu einem bestimmten Zeitpunkt unabhängig von allen vorherigen Zuständen ist.

Answer

Ein stochastischer Prozess, dessen Zustand zu einem bestimmten Zeitpunkt beliebig sein kann.

Question 37

Was beschreibt die Zustandsverteilung einer Markov-Kette?

Accepted Answer

Die Wahrscheinlichkeit, dass sich die Markov-Kette zu einem bestimmten Zeitpunkt in einem bestimmten Zustand befindet.

Answer

Die erwartete Anzahl von Zustandsübergängen in einem bestimmten Zeitraum.

Answer

Die mittlere Verweildauer in einem bestimmten Zustand.

Answer

Die Übergangswahrscheinlichkeit zwischen zwei bestimmten Zuständen.

Question 38

Was ist die mittlere Verweildauer in einem Zustand einer Markov-Kette?

Accepted Answer

Die erwartete Zeit, die die Markov-Kette in einem bestimmten Zustand verbringt.

Answer

Die Wahrscheinlichkeit, dass die Markov-Kette in einen bestimmten Zustand übergeht.

Answer

Die Anzahl der Zustände, die die Markov-Kette hat.

Answer

Die Summe aller Übergangswahrscheinlichkeiten von einem bestimmten Zustand.

Question 39

Definiere einen Poisson-Prozess.

Accepted Answer

Ein stochastischer Prozess, der Ereignisse modelliert, die mit einer konstanten Rate auftreten.

Answer

Ein stochastischer Prozess, der Ereignisse modelliert, die in regelmäßigen Abständen auftreten.

Answer

Ein stochastischer Prozess, der Ereignisse modelliert, die zufällig auftreten.

Answer

Ein stochastischer Prozess, der Ereignisse modelliert, die in einer bestimmten Reihenfolge auftreten.

Question 40

Was beschreibt die Poisson-Verteilung?

Accepted Answer

Die Wahrscheinlichkeit, dass in einem Poisson-Prozess innerhalb eines bestimmten Zeitintervalls eine bestimmte Anzahl von Ereignissen auftritt.

Answer

Die erwartete Anzahl von Ereignissen in einem bestimmten Zeitraum.

Answer

Die mittlere Verweildauer in einem bestimmten Zustand.

Answer

Die Übergangswahrscheinlichkeit zwischen zwei bestimmten Zuständen.

Question 41

Welche Methode kann zur Schätzung der Parameter eines Poisson-Prozesses verwendet werden?

Accepted Answer

Maximum-Likelihood-Schätzung

Answer

Momentenmethode

Answer

Methode der kleinsten Quadrate

Answer

Monte-Carlo-Simulation

Question 42

Welche der folgenden Aussagen beschreibt korrekt eine Markov-Kette?

Accepted Answer

Eine Folge von Zufallsvariablen, deren Wahrscheinlichkeitsverteilung nur vom aktuellen Zustand abhängt.

Answer

Eine Folge von unabhängigen Zufallsvariablen.

Answer

Eine Folge von Zufallsvariablen, deren Wahrscheinlichkeitsverteilung vom vorherigen und aktuellen Zustand abhängt.

Answer

Eine Folge von Zufallsvariablen, deren Mittelwert sich mit der Zeit verändert.

Question 43

Welche der folgenden Aussagen beschreibt die Absorption für eine Markov-Kette?

Accepted Answer

Ein Zustand, von dem aus keine weiteren Übergänge möglich sind.

Answer

Ein Zustand, von dem aus alle anderen Zustände erreichbar sind.

Answer

Ein Zustand, in dem sich die Markov-Kette am häufigsten befindet.

Answer

Ein Zustand, der nur von sich selbst erreicht werden kann.

Question 44

Welche der folgenden Aussagen beschreibt die Chapman-Kolmogorov-Gleichung für Markov-Ketten?

Accepted Answer

P(X_n = x_n | X_0 = x_0, X_1 = x_1, ..., X_{n-1} = x_{n-1}) = P(X_n = x_n | X_{n-1} = x_{n-1})

Answer

P(X_n = x_n | X_0 = x_0, X_1 = x_1, ..., X_{n-1} = x_{n-1}) = P(X_n = x_n)

Answer

P(X_n = x_n | X_0 = x_0, X_1 = x_1, ..., X_{n-1} = x_{n-1}) = P(X_{n-1} = x_{n-1})

Answer

P(X_n = x_n | X_0 = x_0, X_1 = x_1, ..., X_{n-1} = x_{n-1}) = P(X_0 = x_0)

Question 45

Welche der folgenden Eigenschaften gilt für eine reguläre Markov-Kette?

Accepted Answer

Sie ist irreduzibel und aperiodisch.

Answer

Sie ist irreduzibel, aber periodisch.

Answer

Sie ist reduzierbar, aber aperiodisch.

Answer

Sie ist weder irreduzibel noch aperiodisch.

Question 46

Welche der folgenden Aussagen beschreibt den Endzustand einer absorbierenden Markov-Kette?

Accepted Answer

Ein Zustand, von dem aus keine weiteren Übergänge möglich sind.

Answer

Ein Zustand, von dem aus alle anderen Zustände erreichbar sind.

Answer

Ein Zustand, in dem sich die Markov-Kette am häufigsten befindet.

Answer

Ein Zustand, der nur von sich selbst erreicht werden kann.

Question 47

Welche der folgenden Anwendungen von Markov-Ketten ist in der Finanzwirtschaft relevant?

Accepted Answer

Modellierung des Risikos eines Wertpapierportfolios

Answer

Vorhersage von Wechselkursen

Answer

Analyse der Kundennachfrage

Answer

Optimierung von Produktionskosten

Question 48

Was versteht man unter einem stochastischen Prozess?

Accepted Answer

Eine Folge von Zufallsvariablen, die sich über die Zeit verändern

Answer

Eine Wahrscheinlichkeitsverteilung über verschiedene mögliche Zustände

Answer

Eine Funktion, die die zeitliche Entwicklung einer Zufallsgröße beschreibt

Answer

Eine Matrix, die die Übergangswahrscheinlichkeiten zwischen verschiedenen Zuständen enthält

Question 49

Welche Art von stochastischem Prozess liegt vor, wenn die Wahrscheinlichkeit des nächsten Zustands nur vom aktuellen Zustand abhängt, nicht aber von vergangenen Zuständen?

Accepted Answer

Markov-Kette

Answer

Poisson-Prozess

Answer

Brownsche Bewegung

Answer

Gaußscher Prozess

Question 50

Welcher Vorteil ergibt sich aus der Verwendung von Markov-Ketten im Vergleich zu anderen stochastischen Prozessen bei der Modellierung realer Systeme?

Accepted Answer

Markov-Ketten vereinfachen die Modellierung komplexer Systeme

Answer

Markov-Ketten ermöglichen die sichere Vorhersage der Zukunft

Answer

Markov-Ketten sind die einzigen stochastischen Prozesse, die in betriebswirtschaftlichen Anwendungen nutzbar sind

Answer

Markov-Ketten können alle Arten von Zufallsphänomenen modellieren

Question 51

Welche der folgenden Aussagen beschreibt eine Poisson-Verteilung?

Accepted Answer

Die Wahrscheinlichkeit eines Ereignisses ist proportional zur Zeitspanne.

Answer

Die Ereignisse sind nicht unabhängig voneinander.

Answer

Die Wahrscheinlichkeitsverteilung ist normalverteilt.

Question 52

Welche Vorteile bietet die Modellierung eines betriebswirtschaftlichen Prozesses als stochastischen Prozess?

Accepted Answer

Ermöglicht die Berücksichtigung von Unsicherheit und Zufälligkeit, die in realen Geschäftsprozessen auftreten.

Answer

Liefert immer deterministische Ergebnisse.

Answer

Vereinfacht die Berechnung komplexer Prozesse.

Question 53

Wie kann man die Zeit bis zum ersten Auftreten eines Ereignisses in einem Poisson-Prozess modellieren?

Accepted Answer

Exponentielle Verteilung

Answer

Binomialverteilung

Answer

Normalverteilung

Answer

Logistische Verteilung

Question 54

Welche der folgenden Aussagen beschreibt Markov-Ketten **korrekt**?

Accepted Answer

Ein stochastischer Prozess, dessen zukünftige Entwicklung ausschließlich vom gegenwärtigen Zustand abhängt und nicht von vergangenen Zuständen.

Answer

Ein stochastischer Prozess, bei dem die Wahrscheinlichkeit eines Ereignisses von vergangenen Ereignissen abhängt.

Question 55

Welche der folgenden Anwendungen ist ein **typisches** Beispiel für Markov-Ketten in der Betriebswirtschaftslehre?

Accepted Answer

Modellierung des Kundenverhaltens in einem Callcenter.

Answer

Vorhersage von Aktienkursen.

Answer

Simulation von Wetterbedingungen.

Question 56

Welche der folgenden Formeln definiert die Übergangsmatrix einer Markov-Kette **korrekt**?

Accepted Answer

P = [p_ij], wobei p_ij die Wahrscheinlichkeit darstellt, vom Zustand i in den Zustand j zu wechseln.

Answer

λ = [λ_i], wobei λ_i die Rate für den Übergang vom Zustand i zum Zustand i + 1 darstellt.

Answer

T = [t_ij], wobei t_ij die benötigte Zeit für den Übergang vom Zustand i zum Zustand j angibt.

Question 57

Was ist die **stationäre Verteilung** einer Markov-Kette?

Accepted Answer

Eine Wahrscheinlichkeitsverteilung, die sich im Laufe der Zeit nicht verändert, unabhängig davon, von welchem Zustand der Prozess gestartet wird.

Answer

Eine Wahrscheinlichkeitsverteilung, die nur für bestimmte Anfangszustände stabil ist.

Question 58

Welche der folgenden Methoden kann verwendet werden, um die stationäre Verteilung einer Markov-Kette zu **bestimmen**?

Accepted Answer

Potenzieren der Übergangsmatrix.

Answer

Numerische Simulation.

Answer

Stochastische Optimierung.

Answer

Löser von Gleichungssystemen.

Question 59

Was ist eine **absorbierende** Markov-Kette?

Accepted Answer

Eine Markov-Kette, die mindestens einen Zustand enthält, von dem aus keine Übergänge zu anderen Zuständen möglich sind.

Answer

Eine Markov-Kette mit einer unendlich großen Zustandsmenge.

Question 60

Welches der folgenden Beispiele ist eine **typische** Anwendung von Poisson-Prozessen in der Betriebswirtschaftslehre?

Accepted Answer

Modellierung der Ankunftsrate von Kunden in einem Geschäft.

Answer

Simulation von Radioaktivitätswerten.

Answer

Vorhersage von Erdbeben.

Question 61

Was beschreibt einen stochastischen Prozess am besten?

Accepted Answer

Eine Reihe von Zufallsvariablen, die von einem Parameter abhängen

Answer

Eine Wahrscheinlichkeitsverteilung für eine einzelne Zufallsvariable

Answer

Eine Funktion, die einer Zufallsvariablen zugeordnet ist

Question 62

Welches Beispiel ist ein Markov-Prozess?

Accepted Answer

Die Abfolge von Wettersituationen an aufeinanderfolgenden Tagen

Answer

Die Anzahl der Anrufe in einem Callcenter pro Stunde

Answer

Die Entwicklung des Aktienkurses über die Zeit

Question 63

Was definiert eine Übergangsmatrix?

Accepted Answer

Sie enthält die Wahrscheinlichkeiten für Übergänge zwischen Zuständen

Answer

Sie enthält die Kovarianzen zwischen Zufallsvariablen

Answer

Sie enthält die Häufigkeiten von Ereignissen

Question 64

Welcher Schritt ist bei der Erstellung eines Markov-Modells unerlässlich?

Accepted Answer

Identifikation der Zustände und Schätzung der Übergangsmatrix

Answer

Festlegung der Anfangsverteilung und Simulation des Prozesses

Answer

Sammlung von Daten und Schätzung der Wahrscheinlichkeitsverteilung