Statistische Grundlagen - FHDW / bib Portalseite

Statistische Grundlagen
Harald König
FHDW Hannover
29. Mai 2017
Verteilungen
Die Gaußsche Normalverteilung
Outline
1
Verteilungen
2
Die Gaußsche Normalverteilung
3
Die Exponentialverteilung
Die Exponentialverteilung
Verteilungen
Zufallsgrößen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Zufallsgrößen
Abfüllen von Zucker-Packungen
Gewichts-Varianz
Elementarereignis: ”Packung p abgefüllt”
Zufallsgröße: Zuordnung p 7→ gewicht(p) =: g(p)
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Zufallsgrößen
Abfüllen von Zucker-Packungen
Gewichts-Varianz
Elementarereignis: ”Packung p abgefüllt”
Zufallsgröße: Zuordnung p 7→ gewicht(p) =: g(p)
Weitere Beispiele
n Münzwürfe, Anzahl ”Zahl”
Brötchengewichte, Serienteilmaße, Anzahl
Übertragungsfehler
Großes Galton’sches Brett
Zeitintervall X, bis nächstes Ereignis e eintritt
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Zufallsgrößen
Abfüllen von Zucker-Packungen
Gewichts-Varianz
Elementarereignis: ”Packung p abgefüllt”
Zufallsgröße: Zuordnung p 7→ gewicht(p) =: g(p)
Weitere Beispiele
n Münzwürfe, Anzahl ”Zahl”
Brötchengewichte, Serienteilmaße, Anzahl
Übertragungsfehler
Großes Galton’sches Brett
Zeitintervall X, bis nächstes Ereignis e eintritt
Toleranzintervalle
tol(p) := (490 ≤ g(p) ≤ 510)
Wie hoch ist die Wahrscheinlichkeit, dass tol(p) gilt?
Andere Bspe.: P(Anzahl ”Zahl” > 2n
3 ), P(X ≤ 10 min)
Verteilungen
Die Gaußsche Normalverteilung
Wahrscheinlichkeit
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Wahrscheinlichkeit
Elementarereignis: Mögliche Ausgänge eines
Zufallsexperiments
Würfelwurf: { , , , , , }
2-maliges Münzwerfen: {(Z, Z), (K, Z), (Z, K), (K, K)}
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Wahrscheinlichkeit
Elementarereignis: Mögliche Ausgänge eines
Zufallsexperiments
Würfelwurf: { , , , , , }
2-maliges Münzwerfen: {(Z, Z), (K, Z), (Z, K), (K, K)}
Ω: Menge aller Elementarereignisse
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Wahrscheinlichkeit
Elementarereignis: Mögliche Ausgänge eines
Zufallsexperiments
Würfelwurf: { , , , , , }
2-maliges Münzwerfen: {(Z, Z), (K, Z), (Z, K), (K, K)}
Ω: Menge aller Elementarereignisse
Ereignis: A ⊆ Ω
Würfelwurf: Z.B. A = { , } (”größer als 4”)
2-maliges Münzwerfen: Z.B. A = {(Z, Z), (K, K)} (”gleiches
Ergebnis”)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Wahrscheinlichkeit
Elementarereignis: Mögliche Ausgänge eines
Zufallsexperiments
Würfelwurf: { , , , , , }
2-maliges Münzwerfen: {(Z, Z), (K, Z), (Z, K), (K, K)}
Ω: Menge aller Elementarereignisse
Ereignis: A ⊆ Ω
Würfelwurf: Z.B. A = { , } (”größer als 4”)
2-maliges Münzwerfen: Z.B. A = {(Z, Z), (K, K)} (”gleiches
Ergebnis”)
Wahrscheinlichkeit für das Eintreten von A:
P(A) =
Anzahl günstiger Elementarereignisse
|A|
=
Anzahl aller Elementarereignisse
|Ω|
Verteilungen
Die Gaußsche Normalverteilung
Wahrscheinlichkeit
Eigenschaften:
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Wahrscheinlichkeit
Eigenschaften:
Komolgorov-Axiome: ∀A, B ⊆ Ω
0 ≤ P(A) ≤ 1
P(Ω) = 1
A ∩ B = 0/ ⇒ P(A ∪ B) = P(A) + P(B)
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Wahrscheinlichkeit
Eigenschaften:
Komolgorov-Axiome: ∀A, B ⊆ Ω
0 ≤ P(A) ≤ 1
P(Ω) = 1
A ∩ B = 0/ ⇒ P(A ∪ B) = P(A) + P(B)
Rechenregeln: ∀A, B ⊆ Ω
P(AC ) = 1 − P(A)
P(0)
/ =0
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
A und B unabhängig ⇒ P(A ∩ B) = P(A)P(B)
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Wahrscheinlichkeit
Eigenschaften:
Komolgorov-Axiome: ∀A, B ⊆ Ω
0 ≤ P(A) ≤ 1
P(Ω) = 1
A ∩ B = 0/ ⇒ P(A ∪ B) = P(A) + P(B)
Rechenregeln: ∀A, B ⊆ Ω
P(AC ) = 1 − P(A)
P(0)
/ =0
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
A und B unabhängig ⇒ P(A ∩ B) = P(A)P(B)
Gesetz der großen Zahlen: Für n-fache Wiederholung eines
Experimentes sei hn (A) := Relative Häufigkeit dafür, dass das
Ergebnis in A ist, dann ist
lim hn (A) = P(A)
n→∞
(Bsp.: ”A = {4, 5, 6} (Würfelwurf größer oder gleich 4)”)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Diskrete Zufallsvariablen
X : Ω → R heißt Zufallsvariable, wenn für wesentliche
Ereignisse Wahrscheinlichkeiten angegeben werden können
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Diskrete Zufallsvariablen
X : Ω → R heißt Zufallsvariable, wenn für wesentliche
Ereignisse Wahrscheinlichkeiten angegeben werden können
Achtung: Die wesentlichen Ereignisse enthalten evtl. keine
Elementarereignisse, sondern nur bestimmte größere A ⊆ Ω.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Diskrete Zufallsvariablen
X : Ω → R heißt Zufallsvariable, wenn für wesentliche
Ereignisse Wahrscheinlichkeiten angegeben werden können
Achtung: Die wesentlichen Ereignisse enthalten evtl. keine
Elementarereignisse, sondern nur bestimmte größere A ⊆ Ω.
Bei diskreten Zufallsvariablen (i.e. |Ω| < ∞) sind i.A. alle
Elementarereignisse mit Wahrscheinlichkeiten versehen.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Diskrete Zufallsvariablen
X : Ω → R heißt Zufallsvariable, wenn für wesentliche
Ereignisse Wahrscheinlichkeiten angegeben werden können
Achtung: Die wesentlichen Ereignisse enthalten evtl. keine
Elementarereignisse, sondern nur bestimmte größere A ⊆ Ω.
Bei diskreten Zufallsvariablen (i.e. |Ω| < ∞) sind i.A. alle
Elementarereignisse mit Wahrscheinlichkeiten versehen.
Beispiele für a priori bekanntes P
n-facher Münzwurf mit X = Anzahl ”Zahl”. P(X = k)?
Multiple Choice Tests (Ω): n = 50 Fragen à 3 exkl.
Antworten. X = Anz. richtige Antworten (bestanden ab 21).
P(X ≥ 21)?
Allgemein: Binomialverteilung
mit Parametern n und p:
P(X = k) = nk pk (1 − p)n−k
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Diskrete Zufallsvariablen
X : Ω → R heißt Zufallsvariable, wenn für wesentliche
Ereignisse Wahrscheinlichkeiten angegeben werden können
Achtung: Die wesentlichen Ereignisse enthalten evtl. keine
Elementarereignisse, sondern nur bestimmte größere A ⊆ Ω.
Bei diskreten Zufallsvariablen (i.e. |Ω| < ∞) sind i.A. alle
Elementarereignisse mit Wahrscheinlichkeiten versehen.
Beispiele für a priori bekanntes P
n-facher Münzwurf mit X = Anzahl ”Zahl”. P(X = k)?
Multiple Choice Tests (Ω): n = 50 Fragen à 3 exkl.
Antworten. X = Anz. richtige Antworten (bestanden ab 21).
P(X ≥ 21)?
Allgemein: Binomialverteilung
mit Parametern n und p:
P(X = k) = nk pk (1 − p)n−k
P unbekannt
Ω = Tage. X(t) = 1 (Regen) bzw. = 0 (kein Regen).
P(X(19.Apr.) = 0)?
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Stetige Zufallsvariablen
Mögliche Werte von X überabzählbar (z.B. wenn
X : Ω → {x ∈ R | x ≥ 0} surjektiv ist): P(X = . . .) meist sinnlos.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Stetige Zufallsvariablen
Mögliche Werte von X überabzählbar (z.B. wenn
X : Ω → {x ∈ R | x ≥ 0} surjektiv ist): P(X = . . .) meist sinnlos.
Zeitintervall (in Min.) bis nächster Kunde (Ω) eine Bank
betritt. P(X ≤ 30) =?
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Stetige Zufallsvariablen
Mögliche Werte von X überabzählbar (z.B. wenn
X : Ω → {x ∈ R | x ≥ 0} surjektiv ist): P(X = . . .) meist sinnlos.
Zeitintervall (in Min.) bis nächster Kunde (Ω) eine Bank
betritt. P(X ≤ 30) =?
X(p) = tatsächliches Gewicht einer Zuckerpackung p.
P(490 ≤ X ≤ 510)?
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Stetige Zufallsvariablen
Mögliche Werte von X überabzählbar (z.B. wenn
X : Ω → {x ∈ R | x ≥ 0} surjektiv ist): P(X = . . .) meist sinnlos.
Zeitintervall (in Min.) bis nächster Kunde (Ω) eine Bank
betritt. P(X ≤ 30) =?
X(p) = tatsächliches Gewicht einer Zuckerpackung p.
P(490 ≤ X ≤ 510)?
Menge der möglichen Werte jeweils {x ∈ R | x ≥ 0}!
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Stetige Zufallsvariablen
Mögliche Werte von X überabzählbar (z.B. wenn
X : Ω → {x ∈ R | x ≥ 0} surjektiv ist): P(X = . . .) meist sinnlos.
Zeitintervall (in Min.) bis nächster Kunde (Ω) eine Bank
betritt. P(X ≤ 30) =?
X(p) = tatsächliches Gewicht einer Zuckerpackung p.
P(490 ≤ X ≤ 510)?
Menge der möglichen Werte jeweils {x ∈ R | x ≥ 0}!
Definition
F(x) := P(X ≤ x) := P(X ∈ (−∞, x])
heißt Verteilungsfunktion der Zufallsvariablen X.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Stetige Zufallsvariablen
Mögliche Werte von X überabzählbar (z.B. wenn
X : Ω → {x ∈ R | x ≥ 0} surjektiv ist): P(X = . . .) meist sinnlos.
Zeitintervall (in Min.) bis nächster Kunde (Ω) eine Bank
betritt. P(X ≤ 30) =?
X(p) = tatsächliches Gewicht einer Zuckerpackung p.
P(490 ≤ X ≤ 510)?
Menge der möglichen Werte jeweils {x ∈ R | x ≥ 0}!
Definition
F(x) := P(X ≤ x) := P(X ∈ (−∞, x])
heißt Verteilungsfunktion der Zufallsvariablen X.
Beispiel: Münzwurf mit Münzseiten 0 und 1: ”Treppenfunktion”
mit 3 ”Stufen”.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Verteilung und Dichte
Bsp.: ”Wahrscheinlichkeit, dass in den nächsten x Minuten der
nächste Kunde die Bank betritt?”
Je nach Kundenaufkommen unterschiedlich. Prinzipielle Verläufe der
Verteilungsfunktionen, siehe rechts.
Wahrscheinlichkeitsdichte einer Verteilung: f (x) := F 0 (x). Größte Dichte im Intervall I: ”Wahrscheinlichste”
Ereignisse liegen in I.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Verteilung und Dichte
Damit ist die Wahrscheinlichkeit mittels eines Integrals
bestimmbar:
P(X ≤ x) = F(x) =
Z x
0
Z x
F (t)dt =
−∞
f (t)dt
−∞
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bsp. einer diskreten Größe: Die Binomialverteilung
Ein Versuch mit zwei möglichen Ergebnissen {0, 1} wird n mal
unabhängig ausgeführt (z.B. n-maliger Münzwurf).
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bsp. einer diskreten Größe: Die Binomialverteilung
Ein Versuch mit zwei möglichen Ergebnissen {0, 1} wird n mal
unabhängig ausgeführt (z.B. n-maliger Münzwurf).
- Sei p die (bekannte) Wahrscheinlichkeit dafür, dass bei
einmaliger Ausführung das Ergebnis 1 ist, z.B. p = 12 bei
Münzexperiment
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bsp. einer diskreten Größe: Die Binomialverteilung
Ein Versuch mit zwei möglichen Ergebnissen {0, 1} wird n mal
unabhängig ausgeführt (z.B. n-maliger Münzwurf).
- Sei p die (bekannte) Wahrscheinlichkeit dafür, dass bei
einmaliger Ausführung das Ergebnis 1 ist, z.B. p = 12 bei
Münzexperiment
- Ω = Menge aller Folgen s der Länge n aus Nullen und Einsen
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bsp. einer diskreten Größe: Die Binomialverteilung
Ein Versuch mit zwei möglichen Ergebnissen {0, 1} wird n mal
unabhängig ausgeführt (z.B. n-maliger Münzwurf).
- Sei p die (bekannte) Wahrscheinlichkeit dafür, dass bei
einmaliger Ausführung das Ergebnis 1 ist, z.B. p = 12 bei
Münzexperiment
- Ω = Menge aller Folgen s der Länge n aus Nullen und Einsen
- X(s) := Anzahl Einsen in s
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bsp. einer diskreten Größe: Die Binomialverteilung
Ein Versuch mit zwei möglichen Ergebnissen {0, 1} wird n mal
unabhängig ausgeführt (z.B. n-maliger Münzwurf).
- Sei p die (bekannte) Wahrscheinlichkeit dafür, dass bei
einmaliger Ausführung das Ergebnis 1 ist, z.B. p = 12 bei
Münzexperiment
- Ω = Menge aller Folgen s der Länge n aus Nullen und Einsen
- X(s) := Anzahl Einsen in s
Anzahl von ”Zahl” bei n = 100 Münzwürfen
Anzahl der Sechsen bei n = 5 maligem Würfeln (p = 16 )
Anzahl SPD-Wähler bei einer Befragung von n = 1000
Bundesbürgern, wobei die Wahrscheinlichkeit z.B. dem
Anteil bei der letzten Bundestagswahl entspricht (i.e.
p = 0, 257 in 2013)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Binomialverteilung
Es ist
n k
P(X = k) =
p (1 − p)n−k für k ∈ {0, 1, 2, . . . , n},
k
denn
Folgen aus Nullen und Einsen der Länge n entsprechen
genau den Teilmengen der Menge {1, 2, . . . , n}
Z.B. Folge [0, 1, 0, 1, 1] entspricht {2, 3, 5} ⊆ {1, 2, 3, 4, 5}
⇒ Folgen mit k Einsen entsprechen genau den
k-elementigen Teilmengen von {1, 2, . . . , n}
Es gibt nk k-elem. Teilmengen einer n-elem. Menge
Jede dieser Teilmengen ist mit Wahrscheinlichkeit
pk (1 − p)n−k beobachtbar (vgl. Regeln auf Seite 5)
So ein X heißt binomialverteilt mit Parametern n, p
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Erwartungswert und Standardabweichung
Erwartungswert E(X) für diskretes X: Mit Wahrscheinlichkeiten
gewichtete Summe aller X-Werte:
E(X) =
∑
kP(X = k)
alle X-Werte k
(z.B. Mittelwert, wenn P(X = k) konstant).
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Erwartungswert und Standardabweichung
Erwartungswert E(X) für diskretes X: Mit Wahrscheinlichkeiten
gewichtete Summe aller X-Werte:
E(X) =
∑
kP(X = k)
alle X-Werte k
(z.B. Mittelwert, wenn P(X = k) konstant).
Ein Würfel: E(X) = ∑6k=1 kP(X = k) = 3.5.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Erwartungswert und Standardabweichung
Erwartungswert E(X) für diskretes X: Mit Wahrscheinlichkeiten
gewichtete Summe aller X-Werte:
E(X) =
∑
kP(X = k)
alle X-Werte k
(z.B. Mittelwert, wenn P(X = k) konstant).
Ein Würfel: E(X) = ∑6k=1 kP(X = k) = 3.5.
Binomialvert. mit Par. n und p: E(X) = ∑nk=0 kP(X = k) = np
(n−1)!
(Bew.: E(X) = np ∑nk=1 (k−1)!(n−1−(k−1))!
pk−1 (1 − p)n−1−(k−1)
(n−1)!
l
n−1−l = np ∗ 1)
= np ∑n−1
l=0 l!(n−1−l)! p (1 − p)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Erwartungswert und Standardabweichung
Erwartungswert E(X) für diskretes X: Mit Wahrscheinlichkeiten
gewichtete Summe aller X-Werte:
E(X) =
kP(X = k)
∑
alle X-Werte k
(z.B. Mittelwert, wenn P(X = k) konstant).
Ein Würfel: E(X) = ∑6k=1 kP(X = k) = 3.5.
Binomialvert. mit Par. n und p: E(X) = ∑nk=0 kP(X = k) = np
(n−1)!
(Bew.: E(X) = np ∑nk=1 (k−1)!(n−1−(k−1))!
pk−1 (1 − p)n−1−(k−1)
(n−1)!
l
n−1−l = np ∗ 1)
= np ∑n−1
l=0 l!(n−1−l)! p (1 − p)
Erwartungswert verallgemeinert auf stetige Zufallsvariablen X:
Z ∞
tf (t)dt
E(X) :=
−∞
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Erwartungswert und Standardabweichung
Erwartungswert E(X) für diskretes X: Mit Wahrscheinlichkeiten
gewichtete Summe aller X-Werte:
E(X) =
kP(X = k)
∑
alle X-Werte k
(z.B. Mittelwert, wenn P(X = k) konstant).
Ein Würfel: E(X) = ∑6k=1 kP(X = k) = 3.5.
Binomialvert. mit Par. n und p: E(X) = ∑nk=0 kP(X = k) = np
(n−1)!
(Bew.: E(X) = np ∑nk=1 (k−1)!(n−1−(k−1))!
pk−1 (1 − p)n−1−(k−1)
(n−1)!
l
n−1−l = np ∗ 1)
= np ∑n−1
l=0 l!(n−1−l)! p (1 − p)
Erwartungswert verallgemeinert auf stetige Zufallsvariablen X:
Z ∞
tf (t)dt
E(X) :=
−∞
Der Erwartungswert wird auch mit µ bezeichnet.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Standardabweichung
Diskret:
s
q
2
σ = E((X − µ) ) =
∑
alle X-Werte k
(k − µ)2 P(X = k)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Standardabweichung
Diskret:
s
q
2
σ = E((X − µ) ) =
∑
(k − µ)2 P(X = k)
alle X-Werte k
Würfel: σ =
q
∑6k=1 (k − 3.5)2 P(X = k) ∼ 1, 7.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Standardabweichung
Diskret:
s
q
2
σ = E((X − µ) ) =
∑
(k − µ)2 P(X = k)
alle X-Werte k
q
∑6k=1 (k − 3.5)2 P(X = k) ∼ 1, 7.
p
Binomialverteilung mit Par. n und p: σ = np(1 − p)
(ähnlicher Beweis wie eben)
Würfel: σ =
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Standardabweichung
Diskret:
s
q
2
σ = E((X − µ) ) =
∑
(k − µ)2 P(X = k)
alle X-Werte k
q
∑6k=1 (k − 3.5)2 P(X = k) ∼ 1, 7.
p
Binomialverteilung mit Par. n und p: σ = np(1 − p)
(ähnlicher Beweis wie eben)
Binom.verteilung mit n = 100, p = 12 ergibt: σ = 5 (im Mittel
werden die Anzahlen bei 100 Münzwürfen um ±5 von
µ = 50 abweichen)
Würfel: σ =
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Standardabweichung
Diskret:
s
q
2
σ = E((X − µ) ) =
∑
(k − µ)2 P(X = k)
alle X-Werte k
q
∑6k=1 (k − 3.5)2 P(X = k) ∼ 1, 7.
p
Binomialverteilung mit Par. n und p: σ = np(1 − p)
(ähnlicher Beweis wie eben)
Binom.verteilung mit n = 100, p = 12 ergibt: σ = 5 (im Mittel
werden die Anzahlen bei 100 Münzwürfen um ±5 von
µ = 50 abweichen)
Verallgemeinert auf stetige Zufallsvariablen X:
rZ ∞
σ :=
(t − µ)2 f (t)dt
Würfel: σ =
−∞
Verteilungen
Die Gaußsche Normalverteilung
Outline
1
Verteilungen
2
Die Gaußsche Normalverteilung
3
Die Exponentialverteilung
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
Vorauss.: Werte von X ordnen sich symmetrisch um einen
Mittelwert x, z.B. bei Abfüllungen:
P(490 ≤ g(p) ≤ 495) = P(505 ≤ g(p) ≤ 510), x = 500.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
Vorauss.: Werte von X ordnen sich symmetrisch um einen
Mittelwert x, z.B. bei Abfüllungen:
P(490 ≤ g(p) ≤ 495) = P(505 ≤ g(p) ≤ 510), x = 500.
Intuition für x = 0:
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
Vorauss.: Werte von X ordnen sich symmetrisch um einen
Mittelwert x, z.B. bei Abfüllungen:
P(490 ≤ g(p) ≤ 495) = P(505 ≤ g(p) ≤ 510), x = 500.
Intuition für x = 0:
Betrachte die Zufallsvariable (X1 = X, . . . , Xn = X), in der
n-mal X ausgeführt wird mit Ergebnis der Vektor (X1 , . . . , Xn )
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
Vorauss.: Werte von X ordnen sich symmetrisch um einen
Mittelwert x, z.B. bei Abfüllungen:
P(490 ≤ g(p) ≤ 495) = P(505 ≤ g(p) ≤ 510), x = 500.
Intuition für x = 0:
Betrachte die Zufallsvariable (X1 = X, . . . , Xn = X), in der
n-mal X ausgeführt wird mit Ergebnis der Vektor (X1 , . . . , Xn )
Dichte ist Funktion (x1 , . . . , xn ) 7→ g(x1 , . . . , xn )
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
Vorauss.: Werte von X ordnen sich symmetrisch um einen
Mittelwert x, z.B. bei Abfüllungen:
P(490 ≤ g(p) ≤ 495) = P(505 ≤ g(p) ≤ 510), x = 500.
Intuition für x = 0:
Betrachte die Zufallsvariable (X1 = X, . . . , Xn = X), in der
n-mal X ausgeführt wird mit Ergebnis der Vektor (X1 , . . . , Xn )
Dichte ist Funktion (x1 , . . . , xn ) 7→ g(x1 , . . . , xn )
Symmetrie: Schwankungen gleichen sich auf lange Sicht
aus, i.e. g maximal genau dann wenn ∑ni=1 xi = 0.
Jedes Ausführen von X ist unabhängig vom früheren und
alle Dichten der Xi sind gleich: g(x1 , . . . , xn ) = f (x1 ) · · · f (xn ),
wobei f die Dichte von X ist
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
Vorauss.: Werte von X ordnen sich symmetrisch um einen
Mittelwert x, z.B. bei Abfüllungen:
P(490 ≤ g(p) ≤ 495) = P(505 ≤ g(p) ≤ 510), x = 500.
Intuition für x = 0:
Betrachte die Zufallsvariable (X1 = X, . . . , Xn = X), in der
n-mal X ausgeführt wird mit Ergebnis der Vektor (X1 , . . . , Xn )
Dichte ist Funktion (x1 , . . . , xn ) 7→ g(x1 , . . . , xn )
Symmetrie: Schwankungen gleichen sich auf lange Sicht
aus, i.e. g maximal genau dann wenn ∑ni=1 xi = 0.
Jedes Ausführen von X ist unabhängig vom früheren und
alle Dichten der Xi sind gleich: g(x1 , . . . , xn ) = f (x1 ) · · · f (xn ),
wobei f die Dichte von X ist
0
(xi )
g maximal ⇐⇒ log(g) maximal ⇐⇒ ∑ni=1 ff (x
=0
i)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
0
Sei h := ff . Wie sehen stetige Funktionen h aus, für die
∑ni=1 h(xi ) = 0 ⇐⇒ ∑ni=1 xi = 0?
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
0
Sei h := ff . Wie sehen stetige Funktionen h aus, für die
∑ni=1 h(xi ) = 0 ⇐⇒ ∑ni=1 xi = 0?
· · + }x −nx = 0 ⇒ nh(x) − h(nx) = 0
(1)
|x + ·{z
n mal
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
0
Sei h := ff . Wie sehen stetige Funktionen h aus, für die
∑ni=1 h(xi ) = 0 ⇐⇒ ∑ni=1 xi = 0?
· · + }x −nx = 0 ⇒ nh(x) − h(nx) = 0
(1)
|x + ·{z
n mal
y
y
+ · · · + −y = 0 ⇒ mh( my ) − h(y) = 0
|m {z m}
m mal
(2)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
0
Sei h := ff . Wie sehen stetige Funktionen h aus, für die
∑ni=1 h(xi ) = 0 ⇐⇒ ∑ni=1 xi = 0?
· · + }x −nx = 0 ⇒ nh(x) − h(nx) = 0
(1)
|x + ·{z
n mal
y
y
+ · · · + −y = 0 ⇒ mh( my ) − h(y) = 0
|m {z m}
(2)
m mal
(1)
(2) n
m h(1)
Also h( mn ) = nh( m1 ) =
für alle rationalen Zahlen
n
m
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
0
Sei h := ff . Wie sehen stetige Funktionen h aus, für die
∑ni=1 h(xi ) = 0 ⇐⇒ ∑ni=1 xi = 0?
· · + }x −nx = 0 ⇒ nh(x) − h(nx) = 0
(1)
|x + ·{z
n mal
y
y
+ · · · + −y = 0 ⇒ mh( my ) − h(y) = 0
|m {z m}
(2)
m mal
(1)
(2) n
m h(1)
Also h( mn ) = nh( m1 ) =
Stetigkeit: h(x) = xh(1)
für alle rationalen Zahlen
n
m
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Intuitive Herleitung
0
Sei h := ff . Wie sehen stetige Funktionen h aus, für die
∑ni=1 h(xi ) = 0 ⇐⇒ ∑ni=1 xi = 0?
· · + }x −nx = 0 ⇒ nh(x) − h(nx) = 0
(1)
|x + ·{z
n mal
y
y
+ · · · + −y = 0 ⇒ mh( my ) − h(y) = 0
|m {z m}
(2)
m mal
(1)
(2) n
m h(1)
Also h( mn ) = nh( m1 ) =
für alle rationalen Zahlen
n
m
Stetigkeit: h(x) = xh(1)
Somit: f 0 (t) = atf (t) mit Konstante a, also log(f (t)) = 12 at2 + b. I.e.
1
2
f (t) = Ce 2 at .
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Parameterbestimmung
- Erste Beobachtung: Wegen
R∞
−∞ f (t)dt
= P(X ∈ R) = 1 ist a < 0.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Parameterbestimmung
∞
- Erste Beobachtung: Wegen −∞
f (t)dt = P(X ∈ R) = 1 ist a < 0.
√
R ∞ − 1 t2
- Zweite Beobachtung: Man weiß, dass −∞
e 2 dt = 2π, also
R
r
C=
−a
2π
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Gaußsche Normalverteilung: Parameterbestimmung
∞
- Erste Beobachtung: Wegen −∞
f (t)dt = P(X ∈ R) = 1 ist a < 0.
√
R ∞ − 1 t2
- Zweite Beobachtung: Man weiß, dass −∞
e 2 dt = 2π, also
R
r
C=
−a
2π
Fazit: Alle Zufallsexperimente, deren Ausgang regelmäßig und
symmetrisch um ein Mittel x arrangiert sind, sind normalverteilt
mit Dichte
r
b − b(t−x)2
f (t) =
e 2 für ein b > 0
2π
Verteilungen
Die Gaußsche Normalverteilung
Erwartungswert und Standardabweichung
Daraus berechnet man durch Integrieren
µ =x
und
σ2 =
1
b
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Erwartungswert und Standardabweichung
Daraus berechnet man durch Integrieren
µ =x
und
σ2 =
1
b
und erhält
Definition
Wenn eine Zufallsvariable die Dichtefunktion
2
1
− (t−µ)
f (t) = √
e 2σ 2
2πσ
besitzt, heißt sie normalverteilt mit Erwartungswert µ und
Standardabweichung σ .
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Fakten zur Normalverteilung
Für eine (µ, σ )-verteilte Zufallsvariable X ist
1
Fµ,σ (x) := P(X ≤ x) = √
2πσ
Z x
2
e
−∞
− (t−µ)2
2σ
dt
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Fakten zur Normalverteilung
Für eine (µ, σ )-verteilte Zufallsvariable X ist
1
Fµ,σ (x) := P(X ≤ x) = √
2πσ
Z x
2
e
− (t−µ)2
2σ
−∞
Wenn µ = 0 und σ = 1, spricht man von der
Standardnormalverteilung F0,1 .
dt
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Fakten zur Normalverteilung
Für eine (µ, σ )-verteilte Zufallsvariable X ist
1
Fµ,σ (x) := P(X ≤ x) = √
2πσ
Z x
2
e
− (t−µ)2
2σ
−∞
Wenn µ = 0 und σ = 1, spricht man von der
Standardnormalverteilung F0,1 .
F0,1 (−x) = 1 − F0,1 (x) (Symmetrie)
dt
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Fakten zur Normalverteilung
Für eine (µ, σ )-verteilte Zufallsvariable X ist
1
Fµ,σ (x) := P(X ≤ x) = √
2πσ
Z x
2
e
− (t−µ)2
2σ
dt
−∞
Wenn µ = 0 und σ = 1, spricht man von der
Standardnormalverteilung F0,1 .
F0,1 (−x) = 1 − F0,1 (x) (Symmetrie)
Jede Normalverteilung ist durch die
Standardnormalverteilung bestimmt: Fµ,σ (x) = F0,1 ( x−µ
σ )
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Fakten zur Normalverteilung
Für eine (µ, σ )-verteilte Zufallsvariable X ist
1
Fµ,σ (x) := P(X ≤ x) = √
2πσ
Z x
2
e
− (t−µ)2
2σ
dt
−∞
Wenn µ = 0 und σ = 1, spricht man von der
Standardnormalverteilung F0,1 .
F0,1 (−x) = 1 − F0,1 (x) (Symmetrie)
Jede Normalverteilung ist durch die
Standardnormalverteilung bestimmt: Fµ,σ (x) = F0,1 ( x−µ
σ )
Das obige Integral ist nicht explizit berechenbar, daher
”Vertafelung” der Standardnormalverteilung, siehe
übernächste Seite.
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Normalverteilungen
Dichten mit √
(µ,√
σ ) ∈ {(0, √0.2), (0, 1),
(0, 5), (−2, 0.5)}
Verteilungsfunktionen
Normalverteilung“ von W. A. Hemmerich - Eigenes Werk. Lizenziert unter Gemeinfrei über Wikimedia Commons ”
http://de.wikipedia.org/wiki/Normalverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Tabelle der Standardnormalverteilung (µ = 0, σ = 1)
FN (x) =
1
x
∫e
2π −∞
−
t2
2 dt
x
Ablesebeispiel: FN(2,36) = 0,990863
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,00
0,10
0,500000
0,539828
0,503989
0,543795
0,507978
0,547758
0,511967
0,551717
0,515953
0,555670
0,519939
0,559618
0,523922
0,563559
0,527903
0,567495
0,531881
0,571424
0,535856
0,575345
0,20
0,579260
0,583166
0,587064
0,590954
0,594835
0,598706
0,602568
0,606420
0,610261
0,614092
0,30
0,617911
0,621719
0,625516
0,629300
0,633072
0,636831
0,640576
0,644309
0,648027
0,651732
0,40
0,655422
0,659097
0,662757
0,666402
0,670031
0,673645
0,677242
0,680822
0,684386
0,687933
0,50
0,691462
0,694974
0,698468
0,701944
0,705402
0,708840
0,712260
0,715661
0,719043
0,722405
0,60
0,725747
0,729069
0,732371
0,735653
0,738914
0,742154
0,745373
0,748571
0,751748
0,754903
0,70
0,758036
0,761148
0,764238
0,767305
0,770350
0,773373
0,776373
0,779350
0,782305
0,785236
0,80
0,788145
0,791030
0,793892
0,796731
0,799546
0,802338
0,805106
0,807850
0,810570
0,813267
0,90
0,815940
0,818589
0,821214
0,823814
0,826391
0,828944
0,831472
0,833977
0,836457
0,838913
1,00
0,841345
0,843752
0,846136
0,848495
0,850830
0,853141
0,855428
0,857690
0,859929
0,862143
1,10
0,864334
0,866500
0,868643
0,870762
0,872857
0,874928
0,876976
0,878999
0,881000
0,882977
1,20
0,884930
0,886860
0,888767
0,890651
0,892512
0,894350
0,896165
0,897958
0,899727
0,901475
1,30
0,903199
0,904902
0,906582
0,908241
0,909877
0,911492
0,913085
0,914656
0,916207
0,917736
1,40
0,919243
0,920730
0,922196
0,923641
0,925066
0,926471
0,927855
0,929219
0,930563
0,931888
1,50
0,933193
0,934478
0,935744
0,936992
0,938220
0,939429
0,940620
0,941792
0,942947
0,944083
1,60
0,945201
0,946301
0,947384
0,948449
0,949497
0,950529
0,951543
0,952540
0,953521
0,954486
1,70
0,955435
0,956367
0,957284
0,958185
0,959071
0,959941
0,960796
0,961636
0,962462
0,963273
1,80
0,964070
0,964852
0,965621
0,966375
0,967116
0,967843
0,968557
0,969258
0,969946
0,970621
1,90
0,971284
0,971933
0,972571
0,973197
0,973810
0,974412
0,975002
0,975581
0,976148
0,976705
2,00
0,977250
0,977784
0,978308
0,978822
0,979325
0,979818
0,980301
0,980774
0,981237
0,981691
2,10
0,982136
0,982571
0,982997
0,983414
0,983823
0,984222
0,984614
0,984997
0,985371
0,985738
2,20
0,986097
0,986447
0,986791
0,987126
0,987455
0,987776
0,988089
0,988396
0,988696
0,988989
2,30
0,989276
0,989556
0,989830
0,990097
0,990358
0,990613
0,990863
0,991106
0,991344
0,991576
2,40
0,991802
0,992024
0,992240
0,992451
0,992656
0,992857
0,993053
0,993244
0,993431
0,993613
2,50
0,993790
0,993963
0,994132
0,994297
0,994457
0,994614
0,994766
0,994915
0,995060
0,995201
2,60
0,995339
0,995473
0,995603
0,995731
0,995855
0,995975
0,996093
0,996207
0,996319
0,996427
2,70
0,996533
0,996636
0,996736
0,996833
0,996928
0,997020
0,997110
0,997197
0,997282
0,997365
2,80
0,997445
0,997523
0,997599
0,997673
0,997744
0,997814
0,997882
0,997948
0,998012
0,998074
2,90
0,998134
0,998193
0,998250
0,998305
0,998359
0,998411
0,998462
0,998511
0,998559
0,998605
3,00
0,998650
0,998694
0,998736
0,998777
0,998817
0,998856
0,998893
0,998930
0,998965
0,998999
3,10
0,999032
0,999064
0,999096
0,999126
0,999155
0,999184
0,999211
0,999238
0,999264
0,999289
3,20
0,999313
0,999336
0,999359
0,999381
0,999402
0,999423
0,999443
0,999462
0,999481
0,999499
3,30
0,999517
0,999533
0,999550
0,999566
0,999581
0,999596
0,999610
0,999624
0,999638
0,999650
3,40
0,999663
0,999675
0,999687
0,999698
0,999709
0,999720
0,999730
0,999740
0,999749
0,999758
3,50
0,999767
0,999776
0,999784
0,999792
0,999800
0,999807
0,999815
0,999821
0,999828
0,999835
3,60
0,999841
0,999847
0,999853
0,999858
0,999864
0,999869
0,999874
0,999879
0,999883
0,999888
3,70
0,999892
0,999896
0,999900
0,999904
0,999908
0,999912
0,999915
0,999918
0,999922
0,999925
3,80
0,999928
0,999930
0,999933
0,999936
0,999938
0,999941
0,999943
0,999946
0,999948
0,999950
3,90
0,999952
0,999954
0,999956
0,999958
0,999959
0,999961
0,999963
0,999964
0,999966
0,999967
4,00
0,999968
0,999970
0,999971
0,999972
0,999973
0,999974
0,999975
0,999976
0,999977
0,999978
4,10
0,999979
0,999980
0,999981
0,999982
0,999983
0,999983
0,999984
0,999985
0,999985
0,999986
4,20
0,999987
0,999987
0,999988
0,999988
0,999989
0,999989
0,999990
0,999990
0,999991
0,999991
4,30
0,999991
0,999992
0,999992
0,999993
0,999993
0,999993
0,999993
0,999994
0,999994
0,999994
4,40
0,999995
0,999995
0,999995
0,999995
0,999995
0,999996
0,999996
0,999996
0,999996
0,999996
4,50
0,999997
0,999997
0,999997
0,999997
0,999997
0,999997
0,999997
0,999998
0,999998
0,999998
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) =
P(X ≤ 2) =
P(X > 0.5) =
P(−0.5 < X ≤ 0.5) =
P(X = 1) =
P(X < 1) =
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) =
P(X > 0.5) =
P(−0.5 < X ≤ 0.5) =
P(X = 1) =
P(X < 1) =
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) = 0.97725
P(X > 0.5) =
P(−0.5 < X ≤ 0.5) =
P(X = 1) =
P(X < 1) =
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) = 0.97725
P(X > 0.5) = 0.30854
P(−0.5 < X ≤ 0.5) =
P(X = 1) =
P(X < 1) =
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) = 0.97725
P(X > 0.5) = 0.30854
P(−0.5 < X ≤ 0.5) = F(0.5) − (1 − F(0.5)) = 0.383
P(X = 1) =
P(X < 1) =
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) = 0.97725
P(X > 0.5) = 0.30854
P(−0.5 < X ≤ 0.5) = F(0.5) − (1 − F(0.5)) = 0.383
P(X = 1) = 0
P(X < 1) =
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) = 0.97725
P(X > 0.5) = 0.30854
P(−0.5 < X ≤ 0.5) = F(0.5) − (1 − F(0.5)) = 0.383
P(X = 1) = 0
P(X < 1) = 0.8413
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Werte der Normalverteilung
Beispiele für F0,1 :
P(X ≤ 1) = 0.8413
P(X ≤ 2) = 0.97725
P(X > 0.5) = 0.30854
P(−0.5 < X ≤ 0.5) = F(0.5) − (1 − F(0.5)) = 0.383
P(X = 1) = 0
P(X < 1) = 0.8413
Allgemeine Werte:
n
1
2
3
4.5
P(−nσ < X − µ ≤ nσ ) 0.683 0.954 0.997 0.9999966
Verteilungen
Die Gaußsche Normalverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Bearbeitungszeiten bei Aktivitätsinstanzen
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Bearbeitungszeiten bei Aktivitätsinstanzen
- Mathematische Formalisierung der 6σ -Methodik
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Bearbeitungszeiten bei Aktivitätsinstanzen
- Mathematische Formalisierung der 6σ -Methodik
- Binomialverteiltes X mit Par. n, p wirdpfür große n durch
Normalverteilung mit µ = np und σ = np(1 − p) approximiert:
!
k + 21 − µ
1
P(X ≤ k) ≈ Fµ,σ (k + ) = F0,1
2
σ
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Bearbeitungszeiten bei Aktivitätsinstanzen
- Mathematische Formalisierung der 6σ -Methodik
- Binomialverteiltes X mit Par. n, p wirdpfür große n durch
Normalverteilung mit µ = np und σ = np(1 − p) approximiert:
!
k + 21 − µ
1
P(X ≤ k) ≈ Fµ,σ (k + ) = F0,1
2
σ
Z.B. 100 Münzwürfe: P(X > 65) ≈ 0.1%!
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Bearbeitungszeiten bei Aktivitätsinstanzen
- Mathematische Formalisierung der 6σ -Methodik
- Binomialverteiltes X mit Par. n, p wirdpfür große n durch
Normalverteilung mit µ = np und σ = np(1 − p) approximiert:
!
k + 21 − µ
1
P(X ≤ k) ≈ Fµ,σ (k + ) = F0,1
2
σ
Z.B. 100 Münzwürfe: P(X > 65) ≈ 0.1%!
Aufgabe: 50 Multiple-Choice-Aufgaben mit 3 exkl. Antworten.
Bestanden bei 21 richtigen. P(bestanden) bei zufälligem
Ankreuzen?
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Bedeutung der Normalverteilung
- Viele Zufallsgrößen sind normalverteilt
Zuckerpackungen
Verweildauer (von Personen in Schnellrestaurants)
Bearbeitungszeiten bei Aktivitätsinstanzen
- Mathematische Formalisierung der 6σ -Methodik
- Binomialverteiltes X mit Par. n, p wirdpfür große n durch
Normalverteilung mit µ = np und σ = np(1 − p) approximiert:
!
k + 21 − µ
1
P(X ≤ k) ≈ Fµ,σ (k + ) = F0,1
2
σ
Z.B. 100 Münzwürfe: P(X > 65) ≈ 0.1%!
Aufgabe: 50 Multiple-Choice-Aufgaben mit 3 exkl. Antworten.
Bestanden bei 21 richtigen. P(bestanden) bei zufälligem
Ankreuzen?
Antwort: P(X ≥ 21) = 1 − F0,1 ((20.5 − 50/3)/(10/3)) =
1 − F0,1 (1.15) = 12.5%
Verteilungen
Die Gaußsche Normalverteilung
Outline
1
Verteilungen
2
Die Gaußsche Normalverteilung
3
Die Exponentialverteilung
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Exponentialverteilung: Fakten
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakten
Verteilungsfunktion in der Warteschlangentheorie:
Wahrscheinlichkeit, dass die nächste Ereignisinstanz im
Intervall [0, t] beobachtet wird
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakten
Verteilungsfunktion in der Warteschlangentheorie:
Wahrscheinlichkeit, dass die nächste Ereignisinstanz im
Intervall [0, t] beobachtet wird
Parameter λ := Durchschnittliche Ereignis-Anzahl pro
Zeiteinheit (im allgemeinen bekannt)
Beispiele:
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakten
Verteilungsfunktion in der Warteschlangentheorie:
Wahrscheinlichkeit, dass die nächste Ereignisinstanz im
Intervall [0, t] beobachtet wird
Parameter λ := Durchschnittliche Ereignis-Anzahl pro
Zeiteinheit (im allgemeinen bekannt)
Beispiele:
Wenn durchschn. 6 Kunden pro Stunde eine Bank betreten,
wie groß ist die Wahrscheinlichkeit, dass der nächste
Kunde in den nächsten 10 Minuten kommt (P(X ≤ 10 min))?
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakten
Verteilungsfunktion in der Warteschlangentheorie:
Wahrscheinlichkeit, dass die nächste Ereignisinstanz im
Intervall [0, t] beobachtet wird
Parameter λ := Durchschnittliche Ereignis-Anzahl pro
Zeiteinheit (im allgemeinen bekannt)
Beispiele:
Wenn durchschn. 6 Kunden pro Stunde eine Bank betreten,
wie groß ist die Wahrscheinlichkeit, dass der nächste
Kunde in den nächsten 10 Minuten kommt (P(X ≤ 10 min))?
Nächster(s) Anruf im Call-Center
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakten
Verteilungsfunktion in der Warteschlangentheorie:
Wahrscheinlichkeit, dass die nächste Ereignisinstanz im
Intervall [0, t] beobachtet wird
Parameter λ := Durchschnittliche Ereignis-Anzahl pro
Zeiteinheit (im allgemeinen bekannt)
Beispiele:
Wenn durchschn. 6 Kunden pro Stunde eine Bank betreten,
wie groß ist die Wahrscheinlichkeit, dass der nächste
Kunde in den nächsten 10 Minuten kommt (P(X ≤ 10 min))?
Nächster(s) Anruf im Call-Center
Nächstes Fahrzeug an Messpunkt
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakten
Verteilungsfunktion in der Warteschlangentheorie:
Wahrscheinlichkeit, dass die nächste Ereignisinstanz im
Intervall [0, t] beobachtet wird
Parameter λ := Durchschnittliche Ereignis-Anzahl pro
Zeiteinheit (im allgemeinen bekannt)
Beispiele:
Wenn durchschn. 6 Kunden pro Stunde eine Bank betreten,
wie groß ist die Wahrscheinlichkeit, dass der nächste
Kunde in den nächsten 10 Minuten kommt (P(X ≤ 10 min))?
Nächster(s) Anruf im Call-Center
Nächstes Fahrzeug an Messpunkt
Kann nicht gleichverteilt sein! Auch nicht normalverteilt mit
Erwartungswert λ (Asymmetrie!)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Die Exponentialverteilung
Verteilungsfunktion
Dichtefunktion
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
FExp (0) = 0 (es ist unwahrscheinlich, dass bei t = 0 schon
ein Ereignis stattfindet)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
FExp (0) = 0 (es ist unwahrscheinlich, dass bei t = 0 schon
ein Ereignis stattfindet)
λ > 0 ⇒ limt→∞ FExp (t) = 1 (irgendwann Ereignis zwingend)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
FExp (0) = 0 (es ist unwahrscheinlich, dass bei t = 0 schon
ein Ereignis stattfindet)
λ > 0 ⇒ limt→∞ FExp (t) = 1 (irgendwann Ereignis zwingend)
µ = λ1 , σ =
1
λ
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
FExp (0) = 0 (es ist unwahrscheinlich, dass bei t = 0 schon
ein Ereignis stattfindet)
λ > 0 ⇒ limt→∞ FExp (t) = 1 (irgendwann Ereignis zwingend)
µ = λ1 , σ =
1
λ
Bsp.: Call-Center mit Durchsatz von 100 Anrufen pro Tag
1
(bei 10 Std. Arbeitszeit), dann λ = 6 min
.
Aufgaben:
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
FExp (0) = 0 (es ist unwahrscheinlich, dass bei t = 0 schon
ein Ereignis stattfindet)
λ > 0 ⇒ limt→∞ FExp (t) = 1 (irgendwann Ereignis zwingend)
µ = λ1 , σ =
1
λ
Bsp.: Call-Center mit Durchsatz von 100 Anrufen pro Tag
1
(bei 10 Std. Arbeitszeit), dann λ = 6 min
.
Aufgaben:
P für ”nächster Anruf innnerhalb von 12 Min.” (e2 ∼ 7, 4).
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Grundlegende Fakten
Für die Exponentialverteilung gelten die folgenden Fakten:
Verteilungsfunktion FExp (t) = 1 − e−λ t für gewisses λ > 0
FExp (0) = 0 (es ist unwahrscheinlich, dass bei t = 0 schon
ein Ereignis stattfindet)
λ > 0 ⇒ limt→∞ FExp (t) = 1 (irgendwann Ereignis zwingend)
µ = λ1 , σ =
1
λ
Bsp.: Call-Center mit Durchsatz von 100 Anrufen pro Tag
1
(bei 10 Std. Arbeitszeit), dann λ = 6 min
.
Aufgaben:
P für ”nächster Anruf innnerhalb von 12 Min.” √
(e2 ∼ 7, 4).
P für ”nächster Anruf innnerhalb von 3 Min.” ( e ∼ 1, 65).
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Herleitung
Ermittlung der Verteilungsfunktion mittels folgender Annahmen:
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Herleitung
Ermittlung der Verteilungsfunktion mittels folgender Annahmen:
In kleinen Zeitintervallen ∆t höchstens ein Ereignis
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Herleitung
Ermittlung der Verteilungsfunktion mittels folgender Annahmen:
In kleinen Zeitintervallen ∆t höchstens ein Ereignis
P1 (∆t) ist proportional zur Länge des Zeitintervalls (P1 (I) =
Wahrscheinlichkeit, dass im Intervall I genau ein Ereignis
beobachtet wird)
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Herleitung
Ermittlung der Verteilungsfunktion mittels folgender Annahmen:
In kleinen Zeitintervallen ∆t höchstens ein Ereignis
P1 (∆t) ist proportional zur Länge des Zeitintervalls (P1 (I) =
Wahrscheinlichkeit, dass im Intervall I genau ein Ereignis
beobachtet wird)
Ereignisse sind paarweise unabhängig
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exkurs: Herleitung der Exponentialverteilung
Es sei Pn (I) die Wahrscheinlichkeit für ”genau n Ereignisse” im
Zeitintervall I. Abkürzung: Pn (t) := Pn ([0, t]). Wegen
P1 ([t, t + δ ]) = λ δ für ein festes λ > 0 und Unabhängigkeit
P0 (t + δ ) = P0 (t)(1 − P1 ([t, t + δ ]) = P0 (t)(1 − λ δ )
δ → 0 ⇒ P00 (t) = −λ P0 (t), also P0 (t) = Ce−λ t für ein C > 0.
X Zufallsvariable für ”nächstes Ereignis” (nach t0 = 0) bis zum
Zeitpunkt t. Nach Def. dieser Dichtefunktion f ist δ f (t) die
Wahrsch. für das Eintreten des nächsten Ereignisses genau in
[t, t + δ ], also δ f (t) = P0 (t)λ δ = Ce−λ t λ δ , also
f (t) = λ e−λ t ,
denn wegen Gesamtwahrscheinlichkeit = 1 ist C = 1.
Verteilungen
Die Gaußsche Normalverteilung
Exponentialverteilung: Fakt
Seien (Xi )1≤i≤n unabhängige exponentialverteilte
Zufallsvariablen mit Parametern (µi )i , dann ist
n
X := min Xi
i=1
exponentialverteilt mit Parameter ∑ni=1 µi
Die Exponentialverteilung
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakt
Seien (Xi )1≤i≤n unabhängige exponentialverteilte
Zufallsvariablen mit Parametern (µi )i , dann ist
n
X := min Xi
i=1
exponentialverteilt mit Parameter ∑ni=1 µi , denn
n
P(X ≥ t) = P(X1 ≥ t)P(X2 ≥ t) · · · P(Xn ≥ t) = e− ∑i=1 µi t .
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakt
Seien (Xi )1≤i≤n unabhängige exponentialverteilte
Zufallsvariablen mit Parametern (µi )i , dann ist
n
X := min Xi
i=1
exponentialverteilt mit Parameter ∑ni=1 µi , denn
n
P(X ≥ t) = P(X1 ≥ t)P(X2 ≥ t) · · · P(Xn ≥ t) = e− ∑i=1 µi t .
Interpretation: Unter 6 parallelen Diensten jeweils mit Mittel
1 Minute ist der nächste im Mittel nach 10 Sekunden bereit
Verteilungen
Die Gaußsche Normalverteilung
Die Exponentialverteilung
Exponentialverteilung: Fakt
Seien (Xi )1≤i≤n unabhängige exponentialverteilte
Zufallsvariablen mit Parametern (µi )i , dann ist
n
X := min Xi
i=1
exponentialverteilt mit Parameter ∑ni=1 µi , denn
n
P(X ≥ t) = P(X1 ≥ t)P(X2 ≥ t) · · · P(Xn ≥ t) = e− ∑i=1 µi t .
Interpretation: Unter 6 parallelen Diensten jeweils mit Mittel
1 Minute ist der nächste im Mittel nach 10 Sekunden bereit
Nützlich, wenn mehrere Server existieren (dann evtl.
µ1 = . . . = µn ) bzw. allgemein heterogene ”calling
population” mit verschiedenen ”interarrival times” existiert