2.4 Einige wichtige Verteilungen Bsp 1 (Diskrete Gleichverteilung) Beim Wurf eines homogenen Würfels interessiert die Zufallsgröße X = erreichte Augenzahl. Die möglichen Werte der Zufallsgröße sind xk = k, k = 1, . . . , 6, die mit den Wahrscheinlichkeiten pk = 61 angenommen werden. Stabdiagramm für die Wahrscheinlichkeiten Verteilungsfunktion F (x) 6 1 pk 6 1 1 6 1 6 - r r r r r r r - 0 1 2 3 4 5 6 x 0 1 2 3 4 5 6 k Bsp 2 (Stetige Gleichverteilung) Falls die Zufallsvariable X stetig und ihre Dichtefunktion f (x) im Intervall [a, b] konstant ist, 1 b−a für x ∈ [a, b], f (x) = 0 sonst, ergibt sich die stetige Verteilungsfunktion für x < a, 0 x−a für x ∈ [a, b), F (x) = b−a 1 für x ≥ b, siehe auch [Benning, Bsp. 3.32]. Verteilungsfunktion Dichtefunktion 6 1 6 1 b−a - 0 a - 0 a b 2.4 – 1 b Bsp 3 (Binomialverteilung) Ein Bernoulli-Experiment ist ein Zufallsexperiment mit nur zwei möglichen Ergebnissen A und A, man denke z.B. an den Münzwurf (Zahl oder Wappen) oder an eine Qualitätskontrolle (brauchbar oder nicht). Die Wahrscheinlichkeiten seien P (A) = p und p(A) = 1 − p. Ein solches Bernoulliexperiment werde n-mal nacheinander ausgeführt. Dann genügt die Zufallsvariable X = Anzahl der Versuche, in denen das Ereignis A eintritt der Binomialverteilung . Die Wahrscheinlichkeiten sind pk = P (X = k) = n k p (1 − p)n−k , k k = 0, 1, 2, . . . , n. Balkendiagramm für die Wahrscheinlichkeiten zugehörige Verteilungsfunktion n = 4, p = 0.5 pk n = 4, p = 0.5 F (x) 6 1 r 1 6 r r r r 0 1 2 3 4 k n = 8, p = 0.5 F (x) 6 1 n = 8, p = 0.5 pk 1 6 r r r r 0 1 2 3 4 5 6 7 8 k 6 r r r r n = 8, p = 0.1 F (x) 6 r r 1 n = 8, p = 0.1 pk r - 0 1 2 3 4 5 6 7 8 x - 1 - 0 1 2 3 4 x - r r r r r r r - 0 1 2 3 4 5 6 7 8 x - 0 1 2 3 4 5 6 7 8 k Siehe auch http://de.wikipedia.org/wiki/Binomialverteilung, [Papula Bd. 3, II.6.1], [Benning, 3.6.2]. 2.4 – 2 Ü 4 Wie groß ist die Wahrscheinlichkeit pk , dass beim zehnmaligen Werfen einer Münze k-mal Wappen geworfen wird? Lösung: Es gilt pk = 10 k k 10−k 1 1 −10 10 . =2 2 2 k k 0 1 2 3 4 5 6 7 8 9 10 pk 0.1 % 1.0 % 4.4 % 11.7 % 20.5 % 24.6 % 20.5 % 11.7 % 4.4 % 1.0 % 0.1 % Ü 5 Bei der Qualitätskontrolle hat sich herausgestellt, dass 8 % der gefertigten Teile nicht brauchbar sind. Wie groß ist die Wahrscheinlichkeit, dass von 10 ausgewählten Teilen (a) genau 1, (b) höchstens 3 und (c) mehr als 3 unbrauchbar sind? (Ein einmal ausgewähltes Teil wird wieder zurückgelegt.) Lösung: Es gilt pk = 10 · 0.08k · 0.9210−k . k Die Antwort zu (a) lautet p1 = 37, 77 %, die Antwort zu (b) ist F (3) = 3 X pk = 0, 4344 + 0, 3777 + 0, 1478 + 0, 0343 = 0, 9942 = 99, 42 %, k=0 die zu (c) ist P (X > 3) = 1 − F (3) = 0, 58 %. Bem 6 Die Binomialverteilung entspricht dem n-maligen Ziehen mit Zurücklegen, so dass für jede Ziehung die Wahrscheinlichkeit p konstant bleibt. Beim Ziehen ohne Zurücklegen erhält man die hypergeometrische Verteilung , siehe z.B. http://de.wikipedia.org/wiki/Hypergeometrische_Verteilung, [Papula Bd. 3, II.6.2], [Benning, 3.6.3]. Wir wollen darauf nicht eingehen. 2.4 – 3 Bsp 7 (Poissonverteilung) Die Verteilung einer diskreten Zufallsgröße X, bei der λk −λ pk = P (X = k) = e , k = 0, 1, 2, . . . , λ > 0, k! ist heißt Poisson-Verteilung mit dem Parameter λ. Balkendiagramm für die Wahrscheinlichkeiten λ=1 λ=1 F (x) 6 1 pk 1 zugehörige Verteilungsfunktion 6 r r r r r r r r r - 0 1 2 3 4 5 6 7 8 x - 0 1 2 3 4 5 6 7 8 k λ=6 λ=6 F (x) 6 1 pk 1 6 r r r r r r r r r - 0 1 2 3 4 5 6 7 8 x - 0 1 2 3 4 5 6 7 8 k Die Poisson-Verteilung geht aus einer Folge von binomialverteilten Zufallsgrößen mit den Parametern n und p durch den Grenzübergang n → ∞ hervor, wenn man gleichzeitig p so variiert, dass np = k konstant bleibt. Für p ≤ 0, 08 und n ≥ 1500p kann die Binomialverteilung mit i. Allg. ausreichender Genauigkeit durch die Poisson-Verteilung ersetzt werden, deren Auswertung einfacher ist. Konkrete Anwendungen sind: • Ein Kaufhaus wird an einem Samstag durchschnittlich alle 10 Sekunden von einem Kunden betreten. Die Wahrscheinlichkeit dafür, dass in der nächsten Minute (= 6 · 10 Sekunden) genau 9 Kunden das Kaufhaus betreten, wird durch p9 = P (X = 9) mit λ = 6 beschrieben. • In der Natur verhält sich zum Beispiel der radioaktive Zerfall nach der Poisson-Verteilung. Gibt X die Anzahl der Atomkerne an, die in einer Sekunde zerfallen, dann ist X Poisson-verteilt. Der Parameter λ gibt an, wieviele Atomkerne in einer Sekunde durchschnittlich zerfallen. Siehe auch http://de.wikipedia.org/wiki/Poisson-Verteilung, [Papula Bd. 3, II.6.3], [Benning, 3.6.4]. 2.4 – 4 Aufg 8 Von den mundgeblasenen Gläsern einer Glashütte ist bekannt, dass im Durchschnitt 0,2 Fehler pro Glas auftreten. Die diskrete Zufallsvariable X = Zahl der Unreinheiten in einem Glas ist annähernd poissonverteilt mit dem Parameter λ = 0,2. Man bestimme die Wahrscheinlichkeit, dass ein Glas (a) keinen Fehler, (b) genau einen Fehler und (c) mindestens zwei Fehler hat. Lösung: Es ist (a) P (X = 0) = 0,20 −0,2 e = 0, 8187, 0! P (X = 1) = 0,21 −0,2 e = 0, 1637 1! (b) und (c) P (X ≥ 2) = 1 − P (X ≤ 1) = 1 − 0, 8187 − 0, 1637 = 0, 0175. 2.4 – 5 Bsp 9 (Normalverteilung) Eine Zufallsgröße X mit der Dichtefunktion (x−µ)2 1 f (x) = √ e− 2σ2 σ 2π heißt normalverteilt , genauer (µ, σ)-normalverteilt . Die Verteilungsfunktion lautet entsprechend Z x (t−µ)2 1 F (x) = √ e− 2σ2 dt. σ 2π −∞ Von der Standardnormalverteilung spricht man, wenn die Normalverteilung die Parameter µ = 0 und σ = 1 besitzt. zugehörige Verteilungsfunktion Dichtefunktion, µ = 0, σ = 1 y –2 –1 0.8 0.5 y 0 1 2 –2 x –1 0.4 0 1 2 x Die Kurve zur Dichtefunktion ist auch als Glockenkurve bekannt. 0.4 0.3 y 0.2 0.1 –3 –2 –1 0 1 2 3 x Siehe auch http://de.wikipedia.org/wiki/Normalverteilung, [Papula Bd. 3, II.6.4], [Benning, 3.6.5]. 2.4 – 6