##Laden der Funktionen source("MarkovKette.asc") source("InvariantesP.asc") source("UeMatFahrzeuge.asc") ##Erzeugen der Übergangsmatrizen #p=0.1 UeMatFahrzeuge(0.1) #p=0.3 UeMatFahrzeuge(0.3) ##Simulation der Markovketten #p=0.1 MarkovKette(UeMatFahrzeuge(0.1),N=20) #p=0.3 MarkovKette(UeMatFahrzeuge(0.3),N=20) ##Bestimmen der invarianten Verteilungen #p=0.1 InvariantesP(UeMatFahrzeuge(0.1),M=100,N=1000) #p=0.3 InvariantesP(UeMatFahrzeuge(0.3),M=100,N=1000) ##Für den Rest speichen wir die exakten Lösungen der invatianten Verteilungen pi1<-InvariantesP(UeMatFahrzeuge(0.1),M=100,N=1000)$Exakt pi2<-InvariantesP(UeMatFahrzeuge(0.3),M=100,N=1000)$Exakt ##Berechnen der Wahrscheinlichkeiten für 6 defekte Fahrzeuge #p=0.1 pi1[7] #p=0.3 pi2[7] ##Berechnen der Erwartungswerte #Definition der Werte der Variablen x<-seq(0,6,1) #Erwartungswert p=0.1 E1<-sum(x*pi1) E1 #Erwartungswert p=0.3 E2<-sum(x*pi2) E2 ##Berechnen der Standardabweichungen #p=0.1 SD1<-sqrt(sum((x-E1)^2*pi1)) SD1 #p=0.3 SD2<-sqrt(sum((x-E2)^2*pi2)) SD2