ETWR – Teil B Spezielle Wahrscheinlichkeitsverteilungen (diskret) Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Motivation • Problem Verteilungsfunktion eines Zufallsprozesses oft schwer beobachtbar • Größe eines Menschen • Anzahl der Tore beim Fußball • Aber Charakteristika einiger Zufallsprozesse oft ähnlich • Beispiel • X: Anzahl der Mädchen bei 6 Kindern • Y: Anzahl der Einsen bei 6 Würfen eines Würfels • Z: Anzahl der Kursanstiege einer Aktie an den folgenden 6 Tagen • W: Anzahl der richtigen Antworten bei 6 Multiple Choice Fragen • Beobachtung Gemeinsamkeiten der vier Zufallsvariablen X, Y, Z, W • 6 unabhängige Beobachtungen • Jede Beobachtung hat genau zwei Ergebnisse • Jetzt: Ableitung von Verteilungen für solche und ähnliche Probleme WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 2 48 Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Ziele • Bisher • (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen • Lageparameter von Zufallsvariablen besprochen • Ziel des Kapitels • Übertragung des gelernten auf häufig auftretende Verteilungen WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 3 48 Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Gleichverteilung • Binomialverteilung • Geometrische Verteilung • Hypergeometrische Verteilung • Poissonverteilung • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 4 48 Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Motivation • Gleichverteilter Zufallsprozess • Vorgang hat genau N Ausgänge • Alle N Ausgänge sind exakt gleich wahrscheinlich • Beispiele • Werfen eines Würfels • Werfen einer Münze • Zahl beim Roulette • Geburtstage wie in den bisherigen Beispielen behandelt (Gegenargument: saisonale bzw. Feiertagsschwankungen) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 5 48 Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Diskrete Gleichverteilung • Definition: (Diskrete Gleichverteilung) Eine Zufallsvariable X heißt gleichverteilt, wenn gilt P( X = x) = für x = 1, ..., N. • Satz Der Erwartungswert einer gleichverteilten Zufallsvariable X ist E(X) = und die Varianz von X ist WS12/13 N +1 2 N 2 −1 Var(X) = 12 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 1 N 6 48 Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Beweise • ErwartungswertN 1 1 E( X ) = ∑ x = N N x =1 • Varianz N ∑x = x =1 1 N ( N + 1) N + 1 = N 2 2 N 1 1 N 2 1 N(N +1)(2N +1) (N +1)(2N +1) E(X ) = ∑ x = ∑x = = N N x=1 N 6 6 x=1 2 2 2 (N +1)(2N +1) (N +1) Var(X) = E(X 2 ) − E(X)2 = − 6 4 N +1 (N +1)(N −1) N 2 −1 = [4N + 2 − 3N − 3] = = 12 12 12 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 7 48 Stephan Schosser Spezielle Wahrscheinlichkeitsverteilungen (diskret) Beispiel • Einmaliger Wurf eines fairen Würfels 1 • Es gilt P(X = x) = für x = 1, ..., 6. 6 • Erwartungswert E(X) = N +1 = 6 +1 = 3, 5 2 2 N 2 −1 6 2 −1 36 −1 35 • Varianz Var(X) = = = = ≈ 2, 92 12 12 12 12 • Wahrscheinlichkeitsfunktion fx 0,17 0 WS12/13 6 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B x 8 48 Stephan Schosser 9 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung • Gleichverteilung mit N = 6 fx bzw. FX 1,00 0 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 6 x Stephan Schosser 10 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Gleichverteilung • Binomialverteilung • Geometrische Verteilung • Hypergeometrische Verteilung • Poissonverteilung • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 11 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Bernoulliprozess - Beispiel • Zufällige Bewegung eines Teilchens (vgl. letzte Kapitel) • Teilchen startet im Nullpunkt • Teilchen bewegt sich nur auf ganzen Zahlen • Teilchen geht bei jedem Schritt zufällig nach links oder rechts • Ereignisse • A : Teilchen geht nach links • A : Teilchen geht nach rechts • Bewegung des Teilchens ist ein Bernoulliprozess • P(A) = p = 0,5 • Entscheidungen des Teilchens sind bei jedem Schritt unabhängig. • Erfolgswahrscheinlichkeit p bleibt konstant • Betrachtung von n Schritten: Bernoulliprozess der Länge n. • Beim Bernoulliprozess sind zwei Zufallsvariablen interessant • Anzahl der Erfolge bei n Durchführungen • Anzahl der Misserfolge vor dem ersten Erfolg WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 12 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Bernoulliprozess • Bernoullivorgang Ereignis A (Erfolg) mit P(A) = p • Definition: (Bernoulliprozess) Einen Bernoulliprozess erhält man dadurch, dass man einen Bernoullivorgang mehrmals beobachtet, wobei folgende Annahmen getroffen werden: • Die einzelnen Bernoullivorgänge sind voneinander unabhängig. • Die Erfolgswahrscheinlichkeit p bleibt konstant. WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 13 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Binomialverteilung - Intuition • Zufallsvariable • X = Anzahl der Erfolge bei Bernoulliprozess der Länge n • X kann Werte 0, ..., n annehmen • Anzahl Erfolge und Misserfolge • x Erfolge • n-x Misserfolge • Ableitung Wahrscheinlichkeit Bernoulliprozesses (ohne Reihenfolge) • x Erfolge mit Wahrscheinlichkeit p: px • n-x Missverfolge mit Wahrscheinlichkeit (1-p): (1-p)n-x • Wahrscheinlichkeit gesamter Bernoulliprozess: px (1-p)n-x • Ableitung Wahrscheinlichkeit Bernoulliprozesses (mit Reihenfolge) • Möglichkeiten die x Positionen der Erfolge zu wählen ⎛ n ⎞ n! ⎜⎜ ⎟⎟ = ⎝ x ⎠ x!(n-x)! ⎛ n ⎞ x • Also gilt P( X = x) = ⎜⎜ ⎟⎟ p (1 − p) n− x ⎝ x ⎠ WS12/13 für x = 0,1, ..., n Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 14 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Binomivalverteilung • Definition: (Binomialverteilung) Die Zufallsvariable X heißt binomialverteilt mit den Parametern n und p, wenn ihre Wahrscheinlichkeitsfunktion gegeben ist durch: ⎛ n ⎞ x P( X = x) = ⎜⎜ ⎟⎟ p (1 − p) n − x für x = 1, ..., N. ⎝ x ⎠ • Satz Der Erwartungswert der Binomialverteilung ist E(X) = np und die Varianz ist Var(X) = np(1-p) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 15 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beweise • Erwartungswert E(Xi) = p · 1 + (1-p) · 0 = p E(X) = E(X1+...+Xn) = E(X1) + ... + E(Xn) = nE(Xi) = np • Varianz E(Xi2) = p · 12 + (1-p) · 02 = p Var(Xi) = E(Xi2) - E(Xi)2 = p – p2 = p(1-p) Var(X) = Var(X1+...+Xn) = Var(X1)+...+Var(Xn) = nVar(Xi)=np(1-p) Gilt, da alle Xi unabhängig! WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 16 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beispiel I • Zufällige Bewegung eines Teilchens (forts.) • Teilchen startet im Nullpunkt • Teilchen bewegt sich nur auf ganzen Zahlen • Teilchen geht beim jedem Schritt zufällig nach links oder rechts • Eigenschaften des Bernoulliprozesses • X: Anzahl der Schritte nach links • p = 0,5: Wahrscheinlichkeit nach links gehen • n = 3: Anzahl Schritte • Sprich: Zufallsvariable X ist binomialverteilt mit Parametern n=3 und p=0,5. • Es gilt für x = 0, 1, 2, 3: ! 3 $ ! 3 $ 3 x 3−x P(X = x) = # & 0,5 (1− 0, 5) = # & 0, 5 x x " % " % • Wahrscheinlichkeitsfunktion WS12/13 x 0 1 2 3 P(X=x) 0,125 0,375 0,375 0,125 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 17 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beispiel II x 0 1 2 3 P(X=x) 0,125 0,375 0,375 0,125 • Erwartungswert • Berechnung mit Formel E(X) = np = 3 · 0,5 = 1,5 • … oder aus Wahrscheinlichkeitsfunktion: E(X) = 0,125 · 0 +0,375 · 1 + 0,375 · 2 + 0,125 · 3 = 1,5 • Varianz • Berechnung mit Formel Var(X) = np(1-p) = 3 · 0,5 · 0,5 = 0,75 • ... oder aus Wahrscheinlichkeitsfunktion E(X2) = 0,125 · 02 +0,375 · 12 + 0,375 · 22 + 0,125 · 32 =3 Var(X) = E(X2) - E(X)2 =3 – 1,52 = 0,75 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 18 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung I • Wahrscheinlichkeitsfunktion der Binomialverteilung für n = 10 und p = 0,1; p = 0,2. 50% n=10, p=0,1 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 n=10, p=0,2 50% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 19 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung II • Wahrscheinlichkeitsfunktion der Binomialverteilung für n = 10 und p = 0,5; p = 0,8. 50% n=10, p=0,5 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 n=10, p=0,8 50% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 20 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Bernoulliverteilung • Binomialverteilung mit n = 1 heißt Bernoulliverteilung • Wahrscheinlichkeitsverteilung der Bernoulliverteilung P(X=x) = px(1-p)1-x für x = 0,1 x 0 1 P(X=x) 1-p p • Erwartungswert • Berechnung mit Formel E(X) = np = 1 · p = p • … oder aus Wahrscheinlichkeitsfunktion: E(X) = (1-p) · 0 +p · 1 = p • Varianz • Berechnung mit Formel Var(X) = np(1-p) = 1 · p · (1-p) = p · (1-p) • ... oder aus Wahrscheinlichkeitsfunktion E(X2) = (1-p) · 02 +p · 12 = p Var(X) = E(X2) - E(X)2 =p – p2 = p · (1-p) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 21 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Gleichverteilung • Binomialverteilung • Geometrische Verteilung • Hypergeometrische Verteilung • Poissonverteilung • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Wiederholung Bernoulliprozes Stephan Schosser 22 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Bernoulliprozess - Beispiel • Zufällige Bewegung eines Teilchens (vgl. letzte Kapitel) • Teilchen startet im Nullpunkt • Teilchen bewegt sich nur auf ganzen Zahlen • Teilchen geht beim jedem Schritt zufällig nach links oder rechts • Ereignisse • A : Teilchen geht nach links • A : Teilchen geht nach rechts • Bewegung des Teilchens ist ein Bernoulliprozess • P(A) = p = 0,5 • Entscheidungen des Teilchens sind bei jedem Schritt unabhängig. • Erfolgswahrscheinlichkeit p bleibt konstant • Betrachtung von n Schritten: Bernoulliprozess der Länge n. • Beim Bernoulliprozess sind zwei Zufallsvariablen interessant • Anzahl der Erfolge bei n Durchführungen (Binomialverteilung!) • Anzahl der Misserfolge vor dem ersten Erfolg (jetzt!) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 23 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Geometrische Verteilung - Intuition • Zufallsvariable • X: Anzahl der Misserfolge vor erstem Erfolg bei Bernoulliprozess • X kann Werte 0, ... annehmen • Anzahl Misserfolge x vor erstem Erfolg A A ... A A • x-mal • Ableitung Wahrscheinlichkeit Bernoulliprozesses • Erfolg mit Wahrscheinlichkeit p • P(X=0) = p • P(X=1) =(1-p) p • P(X=2) =(1-p)(1-p) p x p)(1− p)(1− p) p = (1− p) p • P(X = x) = (1− x−mal WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 24 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Geometrische Verteilung • Definition: (Geometrische Verteilung) Die Zufallsvariable X heißt geometrisch verteilt mit Parameter p, wenn ihre Wahrscheinlichkeitsfunktion gegeben ist durch P(X = x) = p (1 − p)x für x = 0, 1, ... • Satz Der Erwartungswert der geometrischen Verteilung ist E(X) = 1− p p Var(X) = 1− p p2 die Varianz ist WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 25 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beispiel • Zufällige Bewegung eines Teilchens (forts.) • Teilchen startet im Nullpunkt • Teilchen bewegt sich nur auf ganzen Zahlen • Teilchen geht beim jedem Schritt zufällig nach links oder rechts • Eigenschaften des Bernoulliprozesses • X: Anzahl der Schritte nach rechts bis erstes Mal nach links • p = 0,5: Wahrscheinlichkeit nach links gehen • Sprich: X ist geometrisch verteilt mit p=0,5. • Es gilt für x = 0, 1, ...: P(X = x) = (1− p)x p = 0, 5x+1 • Erwartungswert 1− p 1− 0, 5 E(X) = • Varianz Var(X) = WS12/13 p = 0, 5 =1 1− p 1− 0, 5 = =2 2 2 p 0, 5 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 26 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Modifikation • Oft anstatt ... • Anzahl X der Misserfolge • Anzahl Y der Versuche bis zum ersten Erfolg (Erfolg mitgezählt) • Neues Ereignis Y=X+1 • Wahrscheinlichkeitsfunktion P(Y = y) = p (1 - p)y-1 für y = 1, ... • Erwartungswert E(Y ) = • Varianz Var(Y ) = WS12/13 1 p 1− p p2 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 27 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung I • Wahrscheinlichkeitsfunktion der Geometrischen Verteilung für p = 0,1; p = 0,2. 80% p=0,1 70% 70% 60% 60% 50% 50% 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 p=0,2 80% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 28 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung II • Wahrscheinlichkeitsfunktion der Geometrischen Verteilung für p = 0,5; p = 0,8. 80% p=0,5 70% 70% 60% 60% 50% 50% 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 p=0,8 80% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 29 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Gleichverteilung • Binomialverteilung • Geometrische Verteilung • Hypergeometrische Verteilung • Poissonverteilung • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 30 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Motivation • Urnenexperiment • W Kugeln sind weiß • N-W Kugeln sind schwarz • W/N Anteil weißer Kugeln • Urnenexperiment und Binomialverteilung • X: Anzahl der weißen Kugeln bei n Zügen • Wahrscheinlichkeit p (=W/N) ist immer konstant → Binomialverteilung: Ziehen der weißen Kugeln mit Zurücklegen • Jetzt Ziehen der weißen (schwarzen) Kugeln ohne Zurücklegen WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 31 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Intuition • Urnenexperiment • W Kugeln sind weiß • N-W Kugeln sind schwarz • W/N Anteil weißer Kugeln • X: Anzahl weiße Kugeln bei n-maligem Ziehen ohne Zurücklegen • Anzahl möglicher Ergebnisse ⎛ N ⎞ Von N Kugeln n ohne Zurücklegen ziehen ⎜⎜ n ⎟⎟ ⎝ ⎠ • Anzahl günstige Ergebnisse • Von W weißen Kugeln x Kugeln ziehen ! W $ # & " x % • Von N-W schwarzen Kugeln n–x Kugeln ziehen • " N −W % $ ' n − x # & ! W $! N −W $ & # &# " x %" n − x % Wahrscheinlichkeitsfunktion P(X = x) = ! N $ # & n " % WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 32 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Hypergeometrische Verteilung • Definition: (Hypergeometrische Verteilung) Die Zufallsvariable X heißt hypergeometrisch verteilt mit den Parametern N, M und n, wenn ihre Wahrscheinlichkeitsfunktion gegeben ist durch ! M $! N − M $ & # &# x n − x " %" % P(X = x) = ! N $ # & n " % für max{0, n-(N-M)} ≤ x ≤ min{n,N} • Satz Der Erwartungswert der hypergeometrischen Verteilung ist E( X ) = n und die Varianz ist Var( X ) = n WS12/13 M N M N −M N −n N N N −1 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 33 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Hypergeometrische vs. Binomialverteilung • Sei p = M/N, dann gilt für die hypergeometrische Verteilung • E(X) = n M = np N Der Erwartungswert der Binomialverteilung und der hypergeometrischen Verteilung sind somit identisch • Var(X) = n M N −M N −n N −n = np(1− p) N N N −1 N −1 N −n <1 Für n > 1 gilt N −1 und somit: Für n > 1 ist Varianz der hypergeometrischen Verteilung kleiner als Varianz der Binomialverteilung WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 34 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beispiel I • Urnenexperiment • Urne enthält 10 Kugeln • 4 Kugeln sind weiß • 3 Kugeln werden gezogen • Zufallsvariablen • X: Anzahl der weißen Kugeln beim Ziehen mit Zurücklegen • Y: Anzahl der weißen Kugeln beim Ziehen ohne Zurücklegen • Wahrscheinlichkeitsfunktionen ! n • P(X = x) = #" x ! M ## " y • P(Y = y) = WS12/13 $ x ! n−x & p (1− p) = # % " $! N − M $ ! & ## && ## & %" n − y % " = ! N $ # & n " % 3 $ & 0, 4 x 0, 6 3−x x % 4 $! 6 $ && && ## y % " 3− y % ! 10 $ # & 3 " % Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 35 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beispiel II • Wahrscheinlichkeitsverteilung beider Zufallsexperimente Wert Binomialverteilung Hypergeo. Verteilung 0 0,216 0,167 1 0,432 0,500 2 0,288 0,300 3 0,064 0,033 0.6 0.4 0.2 0 0 1 2 3 Binomialverteilung Hypergeometrische Verteilung • Extreme Werte 0 und 3 bei Binomialverteilung wahrscheinlicher als bei hypergeometrischen Verteilung → Begründung für größere Varianz bei der Binomialverteilung WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 36 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung I • Wahrscheinlichkeitsfunktion der Geometrischen Verteilung für n = 10; N = 100 und M = 10; M = 20. 50% M=10 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 M=20 50% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 37 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Visualisierung II • Wahrscheinlichkeitsfunktion der Geometrischen Verteilung für n = 10; N = 100 und M = 50; M = 80. 50% M=50 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 M=80 50% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 38 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Eigenschaften I • Satz Für große Werte von N können wir die hypergeometrische Verteilung durch die Binomialverteilung approximieren. • Intuition Ziehen einer Kugel aus einer sehr großen Grundgesamtheit mit oder ohne Zurücklegen → kein Unterschied WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Eigenschaften II • Beweis Wenn N beliebig groß wird p = ⎛ M ⎞ ⎜⎜ ⎟⎟ x P( X = x) = ⎝ ⎠ ! =# " ! =# " WS12/13 Stephan Schosser 39 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 M konstant, dann gilt N ⎛ N − M ⎞ ⎜⎜ ⎟⎟ ⎝ n − x ⎠ = ( M ) x ( N − M ) n − x n! x!(n − x)!( N ) n ⎛ N ⎞ ⎜⎜ ⎟⎟ ⎝ n ⎠ n $ ( M ) x ( N − M ) n− x & ( N )n x % n $ M M − x +1 N − M N − M − n + x +1 & x %N N − x +1 N − x N − n +1 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 40 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Eigenschaften III • Beweis (forts.) # n & M M −1 M − x +1 N − M N − M − n + x +1 lim P(X = x) = lim % ( N→∞ N→∞ N − n +1 $ x ' N N −1 N − x +1 N − x # n = lim % N→∞ $ x # n = lim % N→∞ $ x M 1 M x −1 M M n − x −1 − − 1− 1− − &M N N N N N N N ( x −1 x n −1 ' N 1− 1 1− 1− 1− N N N N 1 x −1 n − x −1 p − p − 1− p − & N N 1− p N (p x −1 x n −1 ' 1− 1 1− 1− 1− N N N N ⎛ n ⎞ = ⎜⎜ ⎟⎟ p x (1 − p) n − x ⎝ x ⎠ WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 41 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Gleichverteilung • Binomialverteilung • Geometrische Verteilung • Hypergeometrische Verteilung • Poissonverteilung • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 42 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Motivation • Fußball • Tore, die in der Saison 2010/2011 geschossen wurden • Bisher: Betrachtung von Spielen mit maximal 5 Toren • Jetzt: Häufigkeitsverteilung ohne Beschränkung der Toranzahl • Häufigkeitstabelle der Tore für die Saison 2010/2011 x 0 1 2 3 4 5 6 7 8 9 n(X=x) 14 51 68 71 51 28 17 2 2 2 h(X=x) 4,6% 16,7% 22,2% 23,2% 16,7% 9,2% 5,6% 0,7% 0,7% 0,7% • Kernfrage also: • Im Beispiel: Wie Wahrscheinlich ist eine beliebige Toranzahl (z.B. x=9), wenn theoretisch unendlich viele Tore möglich sind? • Alternativ: Was geschieht mit der Wahrscheinlichkeitsfunktion der Bionomialverteilung, wenn n beliebig groß wird? WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 43 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Poissonverteilung • Definition: (Poissonverteilung) Die Zufallsvariable X heißt poissonverteilt mit dem Parameter λ, wenn ihre Wahrscheinlichkeitsfunktion gegeben ist durch: λ x −λ P( X = x) = e für x = 0, 1, ... x! • Satz Die Poissonverteilung hat den Erwartungswert E(X) = λ und die Varianz Var(X) = λ. WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 44 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Poissonverteilung – Visualisierung I • Wahrscheinlichkeitsfunktion der Poissonverteilung für λ = 1 und λ = 2. 50% λ=1 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 WS12/13 λ =2 50% 0 1 2 3 4 5 6 7 8 9 10 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 45 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Poissonverteilung – Visualisierung II • Wahrscheinlichkeitsfunktion der Poissonverteilung für λ=5 und λ=10. 50% λ=5 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% 0 1 2 3 4 5 6 7 8 9 10 λ = 10 50% 0 1 2 3 4 5 6 7 8 9 10 Wahrscheinlichkeitsfunktion der Poissonverteilung wird mit wachsendem λ immer symmetrischer. WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 46 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Beispiel I • Fußball • Tore, die in der Saison 2010/2011 geschossen wurden • Bisher: Betrachtung von Spielen mit maximal 5 Toren • Jetzt: Häufigkeitsverteilung ohne Beschränkung der Toranzahl • Häufigkeitstabelle der Tore für die Saison 2010/2011 x 0 1 2 3 4 5 6 7 8 9 n(X=x) 14 51 68 71 51 28 17 2 2 2 h(X=x) 4,6% 16,7% 22,2% 23,2% 16,7% 9,2% 5,6% 0,7% 0,7% 0,7% • Mittelwert Tore pro Spiel: 2,92 • Wahrscheinlichkeitsverteilung der Poissonverteilung mit λ = 2,92 x 0 1 2 3 4 5 6 7 8 9 P(X=x) 5,4% 15,7% 23,0% 22,4% 16,3% 9,6% 4,7% 1,9% 0,7% 0,2% WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 47 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Poissonverstellung – Beispiel II • Gegenüberstellung Poissonverteilung vs. Fussballsaison 2010/2011 25.0% 20.0% 15.0% 10.0% 5.0% 0.0% 1 2 3 4 Poissonverteilung WS12/13 5 6 7 8 Fussballsaison 2010/2011 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 9 10 Stephan Schosser 48 Spezielle Wahrscheinlichkeitsverteilungen (diskret) 48 Spezielle Verteilungen (diskret) - Übersicht • Gleichverteilung 1 P( X = x) = N • Binomialverteilung ⎛ n ⎞ P( X = x) = ⎜⎜ ⎟⎟ p x (1 − p) n − x ⎝ x ⎠ N +1 E(X) = 2 N 2 −1 Var(X) = 12 E(X) = np Var(X) = np(1− p) • Geometrische Verteilung P(X = x) = p(1− p) x E(X) = • Hypergeometrische Verteilung ⎛ M ⎞ ⎜⎜ ⎟⎟ X P( X = x) = ⎝ ⎠ ⎛ N − M ⎞ ⎜⎜ ⎟⎟ n − x ⎝ ⎠ ⎛ N ⎞ ⎜⎜ ⎟⎟ ⎝ n ⎠ 1− p p E( X ) = n M N Var(X) = 1− p p2 Var( X ) = n • Poissonverteilung λ x −λ P( X = x) = e x! WS12/13 E(X) = λ Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Var(X) = λ M N −M N −n N N N −1