Einführung in Quantitative Methoden

Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Einführung in Quantitative Methoden
Pantelis Christodoulides & Karin Waldherr
4. Mai 2011
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
1/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Dichtefunktion
I
Eine stetige ZV X kann jeden Wert in einem Intervall [a, b]
annehmen
I
Die Wahrscheinlichkeiten der einzelnen Ausprägungen (Werte)
einer stetigen ZV können (im Gegensatz zum diskreten Fall)
nicht angegeben werden
I
Es können nur Wahrscheinlichkeiten f (x)dx angegeben
werden, mit welchen die Werte innerhalb von Intervallen dx
um die Werte x auftreten
I
Beispielsweise fragt man nicht, wie viele Personen exakt 1.75
Meter groß sind, sondern z.B., wie viele Personen zwischen
1.75 und 1.76 Meter groß sind
I
Die Funktion f (x) heißt Dichtefunktion
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
2/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
I
Die Wahrscheinlichkeit, dass die ZV Werte zwischen a und b
annimmt, wird dann allgemein definiert als das Integral über
die Dichtefunktion mit Integrationsgrenzen a und b.
I
Analog zum diskreten Fall erhält man durch Integration die
Verteilungsfunktion
Z
F (x) = P(X ≤ x) =
f (t)dt
t≤x
I
Die Wahrscheinlichkeit ist definiert als Fläche unter der
Dichtefunktion
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
3/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
I
Es gilt für alle a < b
Z
P(a ≤ X ≤ b) = P(a < X < b) =
b
f (x)dx
a
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
4/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Eigenschaften der Dichtefunktion
I
Es gilt weiters für alle x
Z
f (x) ≥ 0
und
f (x)dx = 1
x
I
P(a ≤ X ≤ b) = F (b) − F (a)
I
f (x) =
I
f (x) gibt an mit welcher Wahrscheinlichkeit Beobachtungen
in der ’Nähe’ von x auftreten
dF (x)
dx
Christodoulides / Waldherr
= F 0 (x)
Einführung in Quantitative Methoden- 7.VO
5/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Eigenschaften der Verteilungsfunktion
I
Monotonie
F (x1 ) ≤ F (x2 )
I
I
für x1 ≤ x2
Normierung im Intervall [0, 1]
F (x) → 0
für ’sehr kleines’ x
F (x) → 1
für ’sehr großes’ x
P(c ≤ X ≤ b) = F (b) − F (c) für c < b
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
6/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
I
Es seien X und Y ZV; die gemeinsame Verteilungsfunktion
von X und Y ist definiert als
F (x, y ) = P(X ≤ x ∧ Y ≤ y )
I
X und Y heißen stochastisch unabhängig wenn gilt:
F (x, y ) = P(X ≤ x ∧ Y ≤ y ) = P(X ≤ x) P(Y ≤ y )
I
Bei diskreten ZV folgt Unabhängigkeit aus
P(X = x ∧ Y = y ) = P(X = x) P(Y = y )
I
Bei stetigen ZV folgt Unabhängigkeit aus
f (x, y ) = f (x) f (y )
I
Obige Regeln sind verallgemeinbar auf beliebig viele ZV
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
7/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Beispiel
I
Beim zweimaligen Würfeln bezeichne X die Augenzahl beim
ersten und Y die Augenzahl beim zweiten Wurf
I
Das Ereignis Y = 2 ist unabhängig vom Ereignis X < 2
I
Auch das Ereignis Y = {2, 4, 6} ist unabhängig vom Ereignis
X = {1, 3, 5}
I
X und Y sind stochastisch unabhängig, weil für jede Auswahl
von Ereignissen in beiden ZV Unabhängigkeit vorliegt
I
Die Bedingung Y = y beeinflusst nicht die Verteilung von X
und umgekehrt
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
8/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Erwartungswert
I
Beispiel: X ist die erhaltene Augenzahl bei einmaligem
Würfeln; die Wahrscheinlichkeitsverteilung von X ist
xi 1
f (xi ) 16
I
I
I
2
3
4
5
6
1
6
1
6
1
6
1
6
1
6
Welchen Wert ’erwarten’ wir, wenn wir dieses
Zufallsexperiment sehr lange durchführen?
Intuitiv erwarten wir X = 1 bei 16 der Würfe, X = 2 bei
der Würfe, usw.
Der Durchschnitt von X auf lange Sicht ist der
Erwartungswert von X
1
Christodoulides / Waldherr
1
6
bei
1
1
1
+ 2 + · · · + 6 = 3.5,
6
6
6
Einführung in Quantitative Methoden- 7.VO
9/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Erwartungswert
I
Der Erwartungswert einer ZV ist ein Maß für das Zentrum der
Verteilung
I
Bei einer diskreten ZV X ist der Erwartungswert definiert
E [X ] als der gewichtete Durchschnitt über alle möglichen
Ausprägungen von X ; die Gewichte sind die jeweiligen
Wahrscheinlichkeiten.
X
xf (x)
E [X ] =
x
I
Bei einer stetigen ZV Y analog
Z
E [X ] = xf (x)dx
x
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
10/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Erwartungswert
I
Folgende Eigenschaft folgt direkt aus der Definition des
Erwartungswerts; für beliebige Konstanten a und b gilt
E [aX + b] = aE [X ] + b
I
Weiters gilt
E [X1 + X2 + · · · + Xn ] = E [X1 ] + · · · + E [Xn ]
I
Für unabhängige ZV X1 · · · Xn gilt
E [X1 · X2 · . . . · Xn ] = E [X1 ] · . . . · E [Xn ]
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
11/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Varianz, Kovarianz, Korrelation
I
Die Varianz σ 2 ist ein Streuungsmaß der Verteilung
σX2 = E (X − E [X ])2 = E X 2 − (E [X ])2
I
Analog zur Stichprobenkovarianz ist die Kovarianz zwischen 2
ZV definiert als
σXY = E [XY ] − E [X ] E [Y ]
I
Die Varianz einer ZV ist die Kovarianz dieser ZV mit sich
selbst!
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
12/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Varianz, Kovarianz, Korrelation
I
Die Korrelation ρXY ist das Verhältnis zwischen der Kovarianz
und dem Produkt der Standardabweichungen
ρXY =
σXY
σX σY
I
Gleiche Interpretation wie in Stichprobe
I
Sind zwei ZV Variablen unabhängig, dann ist ihre Korrelation
0; Achtung die umgekehrte Folgerung ist nicht immer richtig!
I
Aus Korrelation gleich 0 folgt nicht unbedingt stochastische
Unabhängigkeit
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
13/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Varianz, Kovarianz, Korrelation
I
Es gilt für beliebige ZV bzw. für Konstanten a und b
2
2 2
σ(aX
+b) = a σX
I
Weiters
2
2
2
σ(X
+Y ) = σX +σY +2σXY
2
2
2
bzw. σ(X
−Y ) = σX +σY −2σXY
I
σ(aX +b)(cY +d) = acσXY
I
Und schließlich
ρ(aX +b)(cY +d) = sgn(ac)ρXY
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
14/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Varianz
I
Beispiel: X ist die beobachtete Augenzahl bei einmaligem
Würfeln; die Wahrscheinlichkeitsverteilung von X ist
xi 1
f (xi ) 16
2
3
4
5
6
1
6
1
6
1
6
1
6
1
6
I
2
σ =E X
2
6
2 X
− (E [X ]) und E X =
xi2 p(xi2 )
| {z }
2
3.52
i=1
1
1
E X 2 = 12 + · · · + 62 = 15.17, σ 2 = 2.92, σ = 1.71
6
6
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
15/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Erwartungswert und Varianz
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
16/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
α-Quantil
I
Als α-Quantil qα wird ein Wert bezeichnet, unterhalb dessen
ein vorgegebener Anteil α aller Fälle der Verteilung liegen
I
Jeder Wert unterhalb von qα unterschreitet den Anteil α, mit
α als reelle Zahl zwischen 0 (gar kein Fall der Verteilung) und
1 (alle Fälle oder 100% der Verteilung)
I
Für stetige ZV gilt
Z
F (qα ) = P(X ≤ qα ) =
f (t)dt = α
t≤qα
I
α-Quantile sind für die wichtigsten stetigen Verteilungen in
Tabellen ausgegeben
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
17/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Stetige ZV
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
18/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
α-Quantil
I
Für diskrete ZV gilt
F (qα ) = P(X ≤ qα ) =
X
P(X = t) ≥ α
t≤qα
F (x) < α für jedes x kleiner als qα
I
Aufrunden auf die nächste größere ganzzahlige Ausprägung,
analog zur Stichprobe
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
19/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Diskrete ZV
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
20/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Diskrete Gleichverteilung
I
Diese Verteilung beschreibt eine ZV, welche die Zahlen
1, 2, · · · , m annehmen kann, und
I
es gilt
1
für alle x = 1, 2, · · · , m
m
(m + 1)
E [X ] =
2
P(X = x) =
(m2 − 1)
12
Anwendung bei Zufallsexperimenten, deren Ergebnisse gleich
häufig sind, also wenn angenommen wird, dass die m
Elementarereignisse gleichwahrscheinlich sind
σ2 =
I
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
21/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Diskrete Gleichverteilung
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
22/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Diskrete Gleichverteilung
I
Erwartungswert und Varianz
E [X ]
=
m
X
1
i
m
i=1
=
m
1 X
i =
m
i=1
|{z}
m(m + 1)
2
m+1
2
m
2
1 X 2
1 m(m + 1)(2m + 1)
E X =
i =
m
m
6
i=1
(m + 1)(2m + 1)
m+1 2
(m + 1)(m − 1)
σ =
−
= ··· =
6
2
12
2
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
23/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Diskrete Gleichverteilung
I
Beispiel: X = die erhaltene Augenzahl bei einmaligem Würfeln
E [X ] =
σ2 =
Christodoulides / Waldherr
(6 + 1)
= 3.5
2
(62 − 1)
= 2.92
12
Einführung in Quantitative Methoden- 7.VO
24/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Binomialverteilung
I
Wir betrachten ein Zufallsexperiment mit 2 Ausgängen,
’Erfolg (1)’ und ’Misserfolg (0)’
I
Die Wahrscheinlichkeit für Erfolg sei p, mit p zwischen 0 und
1
I
Wir führen dieses Experiment n-mal durch, wobei zwischen
den einzelnen Durchführungen Unabhängigkeit angenommen
wird (’Ziehen mit Zurücklegen’)
I
Die ZV X beschreibt die Anzahl der Erfolge und ist
binomialverteilt mit Parametern n und p, X v B(n, p)
n k
P(X = k) =
p (1 − p)n−k für k = 0, 1, · · · , n
k
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
25/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Binomialverteilung
I
Beispiel: Ein Glücksrad besteht aus 20 Feldern, wobei 5 davon
Gewinnfelder sind. Wie groß ist die Wahrscheinlichkeit, dass
Sie zwei Mal gewinnen, wenn Sie das Glücksrad drei Mal
drehen?
I
Experiment mit 2 Ausgängen, Erfolg (5 Gewinnfelder) und
Misserfolg
I
n = 3, weil wir das Glücksrad drei Mal drehen
I
p=
5
20
= 0.25 ist die Wahrscheinlichkeit zum Erfolg
3
3!
P(X = 2) =
0.252 (1 − 0.25)1 =
0.0625 · 0.75 = 0.14
2
2!1!
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
26/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Binomialverteilung
I
Binomialverteilte ZV nimmt Werte zwischen 0 und n an
I
Binomialverteilung ist symmetrisch für p = 0.5
I
Je kleiner/größer p desto rechts/links-schiefer die Verteilung
I
Erwartungswert und Varianz
E [X ] = np
I
σ 2 = np(1 − p)
Für n = 1: B(1, p) ist eine Bernoulli-ZV mit Erwartungswert
p und Varianz p(1 − p)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
27/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Binomialverteilung
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
28/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
I
Diese Verteilung beschreibt ZV, die alle natürliche Zahlen und
0 annehmen können
I
Die Wahrscheinlichkeitsfunktion
P(X = k) =
λk e −λ
k!
für k = 0, 1, · · · , ∞
I
λ ist der Parameter der Poisson-Verteilung und kann jede
reelle positive Zahl sein
I
Erwartungswert und Varianz
E [X ] = λ
Christodoulides / Waldherr
σ2 = λ
Einführung in Quantitative Methoden- 7.VO
29/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
I
Poisson-Verteilung ist Grenzverteilung der Binomialverteilung
bei n → ∞ und p → 0 unter der Nebenbedingung, dass
np = λ beschränkt bleibt
I
Poisson-Verteilung kann als gute Approximation für die
Binomialverteilung bei großem n und kleinem p verwendet
werden
I
Poisson-Verteilung beschreibt seltene Ereignisse
I
Anwendung bei binomialverteilter ZV mit unbekanntem oder
großem n (leichtere Berechnung) und kleinem p
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
30/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
31/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
I
Beispiel: Die Wahrscheinlichkeit, dass ein Patient die Injektion
eines Serums nicht verträgt sei 0.001. Wie groß ist die
Wahrscheinlichkeit, dass von 200 Patienten mehr als 1 die
Injektion nicht vertragen?
I
Wahrscheinlichkeiten (Poisson-Verteilung)
I
E [X ] = λ = (200)(0.001) = 0.2
P(X = 0) =
0.20 e −0.2
= 0.818731, P(X = 1) = 0.163746
0!
P(X > 1) = 1 − P(X = 0) − P(X = 1) = 0.017523
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
32/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
I
Wahrscheinlichkeiten (Binomialverteilung B(200, 0.001))
200
P(X = 0) =
(0.001)0 (1 − 0.001)(200−0) = 0.818649
0
P(X = 1) = 0.163894
P(X > 1) = 1 − P(X = 0) − P(X = 1) = 0.017458
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
33/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
I
Beispiel: In einer Telefonzentrale kommen in einer Minute
durchschnittlich 3 Gespräche an. Mit welcher
Wahrscheinlichkeit kommen in einer Minute mehr als 3
Gespräche an?
I
Denkt man sich eine Minute in n gleiche Zeitabschnitte
zerlegt, die so klein sind, dass in jedem Abschnitt höchstens
ein Gespräch ankommen kann, so liegt eine Binomialverteilung
B(n, n3 ) vor
I
n ist unbekannt ⇒ Poissonverteilung mit λ = 3
P(X > 3) = 1−P(X = 0)−P(X = 1)−P(X = 2)−P(X = 3)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
34/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Poisson-Verteilung
I
P(X = 0) =
30 e −3
= 0.0498
0!
P(X = 1) =
31 e −3
= 0.1494
1!
P(X = 2) =
32 e −3
= 0.2240
2!
P(X = 3) =
33 e −3
= 0.2240
3!
I
I
I
I
P(X > 3) = 1 − 0.0498 − 0.1494 − 0.2240 − 0.2240 = 0.3528
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
35/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Geometrische Verteilung
I
Wir führen eine Serie von Versuchen mit zwei möglichen
Ausgängen, ’Erfolg (1)’ und ’Misserfolg (0)’, so lange durch
bis wir den ersten Erfolg haben
I
Die Wahrscheinlichkeit für Erfolg sei p
I
Unsere ZV X erfasst die Anzahl der Durchführungen bis zum
ersten Erfolg
P(X = k) = p(1 − p)k−1
E [X ] =
Christodoulides / Waldherr
1−p
p
für k = 1, 2, · · · , ∞
σ2 =
1−p
p2
Einführung in Quantitative Methoden- 7.VO
36/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Geometrische Verteilung
I
Anwendung bei der Analyse von Wartezeiten bis zum
Eintreffen eines bestimmten Ereignisses
I
Lebensdauerbestimmung von Geräten und Bauteilen, d.h.
dem Warten bis zum ersten Ausfall
I
Rückfälle bei Suchterkrankungen
I
Bestimmung der Anzahl häufiger Ereignisse zwischen
unmittelbar aufeinanderfolgenden seltenen Ereignissen wie
z.B. Fehlern
I
Bestimmung der Zuverlässigkeit von Geräten
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
37/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Hypergeometrische Verteilung
I
Aus einer Gesamtheit von N Elementen, wobei A (A ≤ N)
markiert sind, wird zufällig eine Stichprobe von n (n ≤ N)
Elementen ohne Zurücklegen entnommen
I
Mit welcher Wahrscheinlichkeit kommt in der Stichprobe eine
bestimmte Anzahl a von markierten Elementen vor?
A N−A
P(X = a) =
A
E [X ] = n
N
Christodoulides / Waldherr
A
σ =n
N
2
a
n−a
N
n
A
N −n
1−
N
N −1
Einführung in Quantitative Methoden- 7.VO
38/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Hypergeometrische Verteilung
I
Beispiel: Lotto 6 aus 45
N = 45 Kugeln (=Zahlen) insgesamt, A = 6 Kugeln sind
’markiert’ (d.h. am Lottoschein angekreuzt), n = 6 Kugeln
werden gezogen (ohne Zurücklegen). Die einzelnen
Gewinnwahrscheinlichkeiten ergeben sich durch die
Hypergeometrische Verteilung
6 39
20 · 9139
= 0.022
P(X = 3) = 3 453 =
8145060
6
P(X = 6) =
Christodoulides / Waldherr
6
6
39
0
45
6
=
1
= 0.000000123
8145060
Einführung in Quantitative Methoden- 7.VO
39/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Wahrscheinlichkeitsfunktion Beispiel Lotto
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
40/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Hypergeometrische und Binomialverteilung
I
A
Hypergeometrische Verteilung kann durch B(n, N
) angenähert
n
werden, wenn N ≤ 0.05
I
Beispiel: In der Population der Personen mit Adipositas, die
sich einer Magenbypass-Operation unterzogen haben, haben
10% einige Jahre nach der Operation (noch) eine
Binge-Eating Störung (BED). In einer spezialisierten Klinik
wurden in den letzten Jahren 1500 Personen operiert. Wie
groß ist die Wahrscheinlichkeit in einer Stichprobe von n = 50
Personen maximal eine Person mit BED zu finden?
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
41/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Hypergeometrische und Binomialverteilung
I
Binomialverteilung B(50, 0.10)
50
P(X = 0) =
0.100 (1 − 0.10)50 = 0.005154
0
P(X = 1) = 0.028632, ⇒ P(X = 0) + P(X = 1) = 0.033786
I
Hypergeometrische Verteilung, N = 1500, A = 150, n = 50
150 1350
P(X = 0) =
0
50
1500
50
= 0.004697
P(X = 1) = 0.027075 ⇒ P(X = 0) + P(X = 1) = 0.031771
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
42/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Normalverteilung (NV)
I
Die NV ist eine stetige Verteilung, die durch 2 Parameter µ
und σ charakterisiert ist
I
Es sei X eine ZV die N(µ, σ 2 ) verteilt ist; X kann Werte
zwischen −∞ und +∞ annehmen
I
Die Dichtefunktion φ(x)
1
φ(x) = √
σ 2π
1
−
e 2
x −µ
σ
2
I
Geht x → ±∞ strebt φ(x) gegen 0
I
φ(x) ist symmetrisch um µ, d.h. µ + a = µ − a (a =
Konstante)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
43/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Normalverteilung (NV)
I
σ gibt den Abstand zwischen µ und den Wendepunkten der
Dichtefunktion an
I
Wendepunkte an den Stellen µ ± σ
I
Wenn σ groß ist, ist die Verteilung breit und niedrig, wenn σ
klein ist, ist die Verteilung schmal und hoch
I
Fläche unter φ(x) zwischen −∞ und +∞ ist gleich 1
I
Die Fläche µ ± σ umfasst ca. 68% aller Fälle
I
Die Fläche µ ± 2σ umfasst ca. 95% aller Fälle
I
Es existieren unendlich viele NV durch beliebige Auswahl von
µ und σ
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
44/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Normalverteilung (NV)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
45/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Standardnormalverteilung N(0, 1)
I
Spezielle NV für µ = 0 und σ = 1 (Gauß’sche Glockenkurve)
I
Verteilung der N(0,1) ist tabelliert; Fläche zwischen µ = 0
und einem beliebigen Wert z ist ablesbar (Tabelle 1c)
I
Quantile der NV; 1-Fläche rechts von einem Wert z, und links
von −z (Tabelle 1b)
I
Beispiele
P(0 ≤ Z ≤ 1) = 0.3413 (Tabelle 1c)
P(−1 ≤ Z ≤ 1) = 0.6826 (Tabelle 1b)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
46/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Standardnormalverteilung N(0, 1)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
47/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Standardnormalverteilung N(0, 1)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
48/49
Verteilungsfunktion für Stetige ZV
Unabhängigkeit von ZV
Kenngrößen von ZV
Spezielle Diskrete Verteilungen
Spezielle Stetige Verteilungen
Standardnormalverteilung N(0, 1)
X −µ
σ
I
Ist X N(µ, σ 2 ) verteilt dann führt die Transformation
eine N(0, 1) Verteilung
I
Vorteil, da Quantile ablesbar (Tabelle 1b)
I
Beispiel: X ∼ N(11, 5.53). Wie hoch ist P(X ≥ 14.5)?
z=
auf
14.5 − 11
= 1.49
2.35
P(Z ≥ 1.49) = 0.0681 (Tabelle 1b)
Christodoulides / Waldherr
Einführung in Quantitative Methoden- 7.VO
49/49

Zugehörige Unterlagen

Bem 1.27: Die Wahrscheinlichkeitsverteilung einer Zufallsvariable X

¨Ubungen zur Vorlesung Wahrscheinlichkeit und Statistik

Einführung in Quantitative Methoden

Zugehörige Unterlagen

Produkte

Unterstützung

Einführung in Quantitative Methoden

Zugehörige Unterlagen

Dieses Dokument Sammlung (en)

Dieses Dokument gespeichert

Schlagen Sie uns vor, wie wir StudyLib verbessern können