WAHRSCHEINLICHKEITSRECHNUNG UND VERTEILUNGEN Vorlesung „Mathematik und Statistik für Raumplaner“ Ao. Univ.-Prof. Dr. W. Blaas Fachbereich Finanzwissenschaft und Infrastrukturpolitik Technische Universität Wien Version vom 28. März 2007 Wahrscheinlichkeitsrechnung und Verteilungen WB Wahrscheinlichkeitsrechnung und Verteilungen 1. Wahrscheinlichkeitsrechnung: Grundbegriffe, Fragestellungen 1.1. Einführung 1.2. Zufallsexperiment, Ereignis 1.3. Wahrscheinlichkeit 1.4. Zufallsvariable (eindimensional) 1.5. Diskrete Zufallsvariable: Wahrscheinlichkeits- u. Verteilungsfunktion 1.6. Fragestellungen bei diskreten Zufallsvariablen 1.7. Stetige Zufallsvariable: Wahrscheinlichkeitsdichte u. Verteilungsfunktion 1.8. Fragestellungen bei stetigen Zufallsvariablen 1.9. Erwartungswert und Varianz 2. Theoretische Verteilungen I: diskrete Verteilungen 2.1. Einführung 2.2. Binomialverteilung 2.3. Hypergeometrische Verteilung 2.4. Poisson-Verteilung 2.5. Multinomialverteilung 3. Theoretische Verteilungen II: stetige Verteilungen 3.1. Gleichverteilung 3.2. Exponentialverteilung 3.3. Normalverteilung 3.4. Chiquadratverteilung 3.5. t-Verteilung 4. Zusammenfassung der Fragestellungen 5. Übersicht über Verteilungen -2- Wahrscheinlichkeitsrechnung und Verteilungen WB 1 Wahrscheinlichkeitsrechnung: Grundbegriffe 1.1 Einführung - - Grundlage für mathematische Statistik Ergebnisse von Entscheidungen haben oft Zufallscharakter (nicht-determiniert; stochastisch) Bsp.: Erhöhung des Werbeetats um € 100.000.- => Umsatzsteigerung -3- Wahrscheinlichkeitsrechnung und Verteilungen WB 1.2 Zufallsexperiment, Ereignis Zufallsexperiment - - Ist ein Vorgang, der nach bestimmter Vorschrift ausgeführt wird beliebig oft wiederholbar ist Ergebnis vom Zufall abhängig, Wird das Experiment nicht einmal, sondern mehrfach durchgeführt, so sind die Ergebnisse unabhängig voneinander Beispiele: Münzwurf, Würfeln, Kartenziehen, Lottoziehung Elementarereignis - Bei jeder einzelnen Durchführung des Experiments kann nur ein einziges Ergebnis auftreten (z.B. „Kopf“) Ereignisraum - - die Menge der Elementarereignis ei bilden den Ereignisraum S = {e1, e2, ..., en} ist endlich, wenn er endlich viele Elementarereignisse umfasst Beispiele: Zufallsexp. Münzwurf: S = {Kopf, Zahl} Zufallsexp. Zweimaliger Münzwurf: S = {KK, KZ, ZK, ZZ} -4- Wahrscheinlichkeitsrechnung und Verteilungen WB Ereignis - beliebige Teilmenge des Ereignisraums besteht aus mindestens einem Elementarereignis Beispiel: Würfeln: Ereignis „gerade Zahl“ ist die Menge A = {2, 4, 6} -5- Wahrscheinlichkeitsrechnung und Verteilungen WB 1.3 Wahrscheinlichkeit Definition: Wahrscheinlichkeit ist ein Maß zur Quantifizierung der Sicherheit bzw. Unsicherheit, mit der ein Ereignis eintritt. Klassischer Wahrscheinlichkeitsbegriff Die Wahrscheinlichkeit, dass ein Ereignis A eintritt, ist der Quotient der Zahl der günstigen Fälle durch die Zahl der möglichen Fälle. W ( A) Zahl der günstigen Fälle Zahl der möglichen Fälle Beispiel: Würfeln - Ereignis gerade Zahl: W(gerade Zahl) = 3/6 = 0,5 Nachteil: Nur auf Zufallsexperimente mit gleichwahrscheinlichen Elementarereignissen anwendbar praktische Bedeutung ist daher begrenzt -6- Wahrscheinlichkeitsrechnung und Verteilungen WB Statistischer Wahrscheinlichkeitsbegriff Voraussetzung: Zufallsexperiment wird mehrmals in unabhängigen Versuchen ausgeführt. Die Wahrscheinlichkeit, dass ein Ereignis A eintritt, ist der Grenzwert der relativen Häufigkeit des Auftretens von A. hn ( A) n n W ( A) lim f n ( A) lim n Beispiel: relative Häufigkeit bei Münzwurf Subjektiver Wahrscheinlichkeitsbegriff Wahrscheinlichkeiten lassen sich oft nicht direkt bestimmen. Beispiel: Wettervoraussage, Wetten bei Rennen, Notenergebnis Eine zahlenmäßige Vorstellung lässt sich aus der Wettchance, die man dem jeweiligen Ereignis gibt, ableiten. Ist die subjektive Quote für A gleich a : b, dann ist die subjektive Wahrscheinlichkeit für A a ab und die subjektive Wahrscheinlichkeit, dass A nicht eintritt, ist W ( A) ~ b ab Objektivierung dieses Wahrscheinlichkeitsbegriffs durch Befragung mehrerer Experten (Delphi-Methode) W ( A) -7- Wahrscheinlichkeitsrechnung und Verteilungen WB Axiomatischer Wahrscheinlichkeitsbegriff definiert die mathematischen Eigenschaften von Wahrscheinlichkeiten 1. Axiom: 0 W ( A) 1 2. Axiom: Wahrscheinlichkeit des sicheren Ereignisses W (S ) 1 3. Axiom: wenn A B 0 , dann W ( A B) W ( A) W ( B) -8- Wahrscheinlichkeitsrechnung und Verteilungen WB 1.4 Zufallsvariable Beispiel: zweimaliges Werfen einer Münze, dann ist z.B. eine mögliche Zufallsvariable die Anzahl von „Kopf“. Variable, deren Werte vom Zufall abhängen, heißen Zufallsvariable. Zufallsvariablen werden mit Großbuchstaben bezeichnet: X, Y... Der Wert, den eine Zufallsvariable annimmt, heißt Realisation (Ausprägung) der Zufallsvariable. Mögliche Ausprägungen sind im obigen Beispiel 0, 1 oder 2. Zufallsvariable ist als Funktion auffassbar, die jedem Elementarereignis eine reelle Zahl zuordnet. Der Definitionsbereich ist dabei der Ereignisraum S, der Wertebereich ist die Menge der reellen Zahlen. Unterscheide zwischen diskreten Zufallsvariablen (endlich viele, abzählbar unendliche Ausprägungen) und stetigen Zufallsvariablen (überabzählbar unendlich viele Ausprägungen, z.B. Länge, Zeit) 1.5 Diskrete Zufallsvariable Die Wahrscheinlichkeit, mit der eine diskrete Zufallsvariable eine Ausprägung xi annimmt, ist die Summe der Wahrscheinlichkeiten der Elementarereignisse ej, denen die Ausprägung xi zugeordnet wird. -9- Wahrscheinlichkeitsrechnung und Verteilungen W ( X xi ) WB W (e ) X ( e j ) xi j Wahrscheinlichkeitsfunktion Definition: Die Funktion f(xi), die die Wahrscheinlichkeit für das Auftreten jeder Ausprägung xi angibt, ist die Wahrscheinlichkeitsfunktion. f ( xi ) W ( X xi ) Eigenschaften der Wahrscheinlichkeitsfunktion f ( xi ) 0 f (x ) 1 i i Beispiel: dreimaliges Münzwerfen (Wappen W oder Zahl Z) Zufallsvariable X: Anzahl Wappen beim dreimaligen Werfen Elementarereignis e1=ZZZ E2=ZZW E3=ZWZ E4=WZZ E5=ZWW E6=WZW E7=WWZ e8=WWW Wahrscheinlichkeit W(e) W(e1)=0,125 W(e2)=0,125 W(e3)=0,125 W(e4)=0,125 W(e5)=0,125 W(e6)=0,125 W(e7)=0,125 W(e8)=0,125 - 10 - Anzahl Wappen xi x1 = 0 Wahrscheinlichkeit W(X=x) f(x) f(x1) = 0,125 x2 = 1 f(x2) = 0,375 x3 = 2 f(x3) = 0,375 x4 = 3 f(x4) = 0,125 Wahrscheinlichkeitsrechnung und Verteilungen WB Abbildungen: Wahrscheinlichkeitsfunktion und Verteilungsfunktion einer diskreten Zufallsvariablen (obiges Beispiel) f(x) Wahrscheinlichkeitsfunktion f(x) 1,0 0,8 0,6 0,4 0,2 x 0 F(x) 1 2 3 Verteilungsfunktion F(x) 1,0 0,8 0,6 0,4 0,2 x 0 1 2 - 11 - 3 Wahrscheinlichkeitsrechnung und Verteilungen WB Es kann mithilfe der Wahrscheinlichkeitsfunktion angegeben werden, wie groß die Wahrscheinlichkeit ist, dass die Zufallsvariable einen Wert in einem Intervall [a, b] annimmt. Es ist W (a X b) W ( X x ) f (x ) i a xi b a xi b i Beispiel für das 3-malige Werfen einer Münze: Zufallsvariable X: Anzahl Wappen beim dreimaligen Werfen der Münze W (1 X 2) f ( x ) f ( x ) f ( x ) 0,375 0,375 0,75 1 xi 2 i 2 - 12 - 3 Wahrscheinlichkeitsrechnung und Verteilungen WB Verteilungsfunktion Definition: Die Verteilungsfunktion F(x) gibt an, wie groß die Wahrscheinlichkeit ist, dass X höchstens den Wert x annimmt. F ( x) W ( X x) f ( xi ) xi x Beispiel: Anzahl Wappen beim dreimaligen Werfen x F ( x) W ( X x) 0 1 2 3 0,125 0,500 0,875 1,000 Verteilungsfunktion F(x) F(x) 1,0 0,8 0,6 0,4 0,2 x 0 1 2 - 13 - 3 Wahrscheinlichkeitsrechnung und Verteilungen WB Das Bild der Verteilungsfunktion einer diskreten Zufallsvariablen ist also das einer Treppenfunktion, bei der die Funktion jeweils in den Ausprägungen xi um den Betrag f(xi) zunimmt und zwischen den einzelnen möglichen Ausprägungen konstant bleibt (wie bei der Summenhäufigkeitsfunktion). - 14 - Wahrscheinlichkeitsrechnung und Verteilungen WB 1.6 Fragestellungen bei diskreten Zufallsvariablen Welche Fragen können mithilfe einer Wahrscheinlichkeitsfunktion und mithilfe einer Verteilungsfunktion beantwortet werden? (anhand des obigen Beispiels der Zufallsvariablen X: Anzahl Wappen beim dreimaligen Werfen einer Münze) 1. W(X = a) = ? Lösung: W(X = a) wird direkt aus (einer Tabelle bzw.) einer programmierten Wahrscheinlichkeitsfunktion abgelesen Beispiel: W(X=2) = 0,375 2. W(X < a) = ? Lösung: W(X < a) = W(X a-1) = F(a-1) Beispiel: W(X < 2) = W(X 1) = F(1) = 0,5 3. W(X a) = ? Lösung: W(X a) = F(a) Beispiel: W(X 2) = F(2) = 0,875 - 15 - Wahrscheinlichkeitsrechnung und Verteilungen WB 4. W(X > a) = ? Lösung: W(X>a) = 1 – W(X a) = 1 - F(a) Beispiel: W(X>2) = 1 – W(X 2) = 1 - F(2) = 1 – 0,875 = 0,125 5. W(X a) = ? Lösung: W(X a) = 1 – W(X a-1) = 1 - F(a-1) Beispiel: W(X 2) = 1 – W(X 1) = 1 - F(1) = 1- 0,5 = 0,5 - 16 - Wahrscheinlichkeitsrechnung und Verteilungen WB 1.7 Stetige Zufallsvariable Verteilungsfunktion Kann eine Zufallsvariable jeden beliebigen Wert (innerhalb eines Intervalls) annehmen, dann ist die Verteilungsfunktion keine Treppenfunktion, sondern eine stetige Funktion wie z.B. in der Abbildung unten (Verteilungsfunktion einer normalverteilten Zufallsvariablen). Eigenschaften der Verteilungsfunktion 0 F ( x) 1 x1 x2 F ( x1 ) F ( x2 ) lim F ( x ) 0 x lim F ( x ) 1 x F(x) ist überall stetig Normalverteilung 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 60 80 100 - 17 - 120 140 Wahrscheinlichkeitsrechnung und Verteilungen WB Wahrscheinlichkeitsdichte oder Dichtefunktion ... ist die Ableitung der Verteilungsfunktion Es gilt: F ( x) f ( x) x F ( x) f (v)dv Eigenschaften der Wahrscheinlichkeitsdichte f ( x) 0 f ( x)dx 1 b W (a X b) F (b) F (a) f ( x)dx a Beispiel: Dichtefunktion einer Normalverteilung Dichtefunktion der Normalverteilung (100;10000) 0,1 0,0 0,0 0,0 0,0 0,0 a 0 50 b 100 - 18 - 150 Wahrscheinlichkeitsrechnung und Verteilungen WB Beispiel: Verspätung der U-Bahn Die Verspätung einer U-Bahn (in min) sei eine stetige Zufallsvariable mit folgender Dichtefunktion: 0,5 0,125x für 0 x 4 f ( x) 0 für alle übrigen x Abbildung: Dichtefunktion der U-Bahn-Verspätung f(x) Wahrscheinlichkeitsdichte f(x) 0,5 W (1 X 2) 0,3125 0,4 0,3 0,2 0,1 x 1 2 - 19 - 3 4 Wahrscheinlichkeitsrechnung und Verteilungen WB Man ermittle die Wahrscheinlichkeit, dass man 1 bis 2 Minuten warten muß, wenn man zu einem beliebigen Zeitpunkt an einer Station eintrifft. Diese Wahrscheinlichkeit ist 2 2 2 0,125 2 W (1 X 2) f ( x )dx (0,5 0,125 x )dx 0,5 x x 0,75 0,4375 0,3125 2 1 1 1 Alternativ kann man diese Wahrscheinlichkeit auch mithilfe der dazugehörigen Verteilungsfunktion F(x) ermitteln: F(x) ist das Integral der Dichtefunktion und daher in diesem Fall F(x) = 0,5x – 0,0625x² (für x zwischen 0 und 4) Somit ergibt sich: W (1 X 2) F (2) F (1) 0,75 0,4375 0,3125 - 20 - Wahrscheinlichkeitsrechnung und Verteilungen WB 1.8 Fragestellungen bei stetigen Zufallsvariablen Welche Fragen sind typisch bei stetigen Zufallsvariablen? 1. W(Xa) = ? Lösung: W(Xa) = F(a) - 21 - Wahrscheinlichkeitsrechnung und Verteilungen WB z.B.: W(X) = F(90) - 22 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2. W(Xa) = ? Lösung: W(Xa) = 1 - W(Xa) = 1 – F(a) z.B.: W(X) = 1 - W(X) = 1 – F(110) - 23 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3. W(aXb) = ? Lösung: W(aXb) = F(b) – F(a) z.B.: W(90X) = F(120) – F(90) - 24 - Wahrscheinlichkeitsrechnung und Verteilungen WB „Inverse” Fragestellungen Bei solchen Fragestellungen ist nicht die Wahrscheinlichkeit gefragt, mit der eine Zufallsvariable X in einem bestimmten Intervall liegt, sondern: die Wahrscheinlichkeit ist bekannt und das Intervall ist gefragt. Beispiel: Der IQ (Zufallsvariable X) der Studierenden an einer Universität sei normalverteilt (mit gegebenen Parametern). Wie hoch (a) ist der IQ der am wenigsten intelligenten 25% höchstens, (b) wie hoch ist der IQ der intelligentesten 10% mindestens? 4. W(Xα) = w α unbekannt, w bekannt Lösung: W(Xα) = F(α) = w α = FINV(w) - 25 - Wahrscheinlichkeitsrechnung und Verteilungen WB 5. W(Xα) = w α unbekannt, w bekannt Lösung: W(Xα) = 1 - W(Xα)= 1 – F() = w 1 – w = F() = FINV(1-w) - 26 - Wahrscheinlichkeitsrechnung und Verteilungen WB 1.9 Erwartungswert und Varianz Wie bei Häufigkeitsverteilungen lassen sich auch theoretische Wahrscheinlichkeitsverteilungen durch Messzahlen charkterisieren. Dem arithmetischen Mittel entspricht der Erwartungswert E(X). Dieser ist. bei diskreten Zufallsvariablen E ( X ) xiW ( X xi ) i E ( X ) xi f ( xi ) i - bei stetigen Zufallsvariablen E( X ) x f ( x)dx Als Streuungsparamter wird die Varianz Var(X) verwendet. Var ( X ) [ xi E ( x)]2 f ( xi ) i Var ( X ) [ x E ( x)]2 f ( x)dx oder nach Umformung 2 Var ( X ) xi f ( xi ) [ E ( x)]2 i Var ( X ) x 2 f ( x)dx [ E ( x)]2 - 27 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2 Theoretische Verteilungen I: Diskrete Verteilungen 2.1 Einführung Theoretische Verteilungen sind nicht direkt beobachtbar, sondern werden aufgrund von theoretischen Überlegungen oder empirisch beobachtbaren Daten mathematisch definiert In der deskriptiven Statistik können die theoretischen Verteilungen zur approximativen funktionsmäßigen Beschreibung empirisch beobachteter Häufigkeitsverteilungen dienen. In der mathematischen Statistik lassen sich mit Hilfe theoretischer Verteilungen a priori Wahrscheinlichkeiten für Ergebnisse bestimmter Zufallsexperimente angeben. Man unterscheidet zwischen diskreten und stetigen Verteilungen eindimensionalen (Verteilung einer Zufallsvariable) und mehrdimensionalen (Verteilung mehrerer Zufallsvariablen) Verteilungen - 28 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2.2 Binomialverteilung - - eine der ältesten Verteilungen gibt die Wahrscheinlichkeit bestimmter Ereignisse bei Bernoulli-Experimenten an ist diskret und eindimensional Voraussetzungen Es gibt jeweils nur zwei mögliche Ausgänge, „0 oder 1“ (z.B. bei Münzwurf Kopf oder Zahl, Geschlecht, Urnenproblem: ziehen von schwarzen und weissen Kugeln mit Zurücklegen) Die Erfolgswahrscheinlichkeit (Wahrscheinlichkeit, dass das Erfolgsereignis auftritt; z.B. Zahl, weisse Kugel) ist konstant. Die Versuche sind voneinander unabhängig Wahrscheinlichkeitsfunktion M 0,1,2,..., n n X Bn, : f ( x) W ( X x) x (1 ) n x x M x Verteilungsfunktion M 0,1,2,..., n x n B : X n, F ( x) W ( X x) v (1 ) n v x M v 0 v - 29 - Wahrscheinlichkeitsrechnung und Verteilungen WB Erwartungswert und Varianz E ( X ) n Var ( X ) n (1 ) Grafische Darstellung der Wahrscheinlichkeits- und Verteilungsfunktion mithilfe der EXCEL-Funktion BINOMVERT: BINOMVERT(AnzahlErfolge;Versuche;ErfolgsWahrscheinlichkeit;Kumuliert) AnzahlErfolge ist die Anzahl der Erfolge in einer Versuchsreihe. Versuche ist die Anzahl der voneinander unabhängigen Versuche. ErfolgsWahrscheinlichkeit ist die Wahrscheinlichkeit eines Erfolgs für jeden Versuch. Kumuliert ist ein Wahrheitswert, der den Typ der Funktion bestimmt. Ist Kumuliert WAHR, dann gibt BINOMVERT die Verteilungsfunktion zurück, also die Wahrscheinlichkeit dafür, dass es höchstens AnzahlErfolge Erfolge gibt. Ist Kumuliert FALSCH, gibt BINOMVERT die Wahrscheinlichkeitsfunktion zurück, also die Wahrscheinlichkeit, dass es genau AnzahlErfolge Erfolge gibt. - 30 - Wahrscheinlichkeitsrechnung und Verteilungen WB Man erstelle die Tabelle und die Diagramme der Wahrscheinlichkeitsfunktion und der Verteilungsfunktion der Binomialverteilung mit den Parametern n=20 (Versuche) und =0,5 (Erfolgswahrscheinlichkeit) Schrittweite 1; Bereich (x) von 1 bis 20 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 1 3 5 7 9 11 Rechenbeispiele siehe Übungs-File - 31 - 13 15 17 19 Wahrscheinlichkeitsrechnung und Verteilungen WB 2.3 Hypergeometrische Verteilung ... Urnenproblem ohne Zurücklegen Aus einer Urne mit M Schwarzen und N-M weißen Kugeln wird eine Stichprobe im Umfang n ohne Zurücklegen genommen. Die Hypergeometrische Verteilung gibt die Wahrscheinlichkeit an, mit der in der Stichprobe (mit dem Umfang n) genau x schwarze Kugeln sind. Wahrscheinlichkeitsfunktion X H N ,M ,n : A 0,1,...., n M N M x n x x A f ( x) W ( X x) N n Verteilungsfunktion durch Summation der EinzelWahrscheinlichkeiten Erwartungswert und Varianz M N M N M N n Var ( X ) n N N N 1 E( X ) n - 32 - Wahrscheinlichkeitsrechnung und Verteilungen WB Für große N und M, und kleine n, kann die Hypergeometrische Verteilung durch die Binomialverteilung approximiert werden (n/N<0,05). Grafische Darstellung der Wahrscheinlichkeitsfunktion mithilfe der EXCEL-Funktion HYPGEOMVERT HYPGEOMVERT(Erfolge_S;Umfang_S;Erfolge_G;Umfang_G) Erfolge_S ist die Anzahl der in der Stichprobe erzielten Erfolge (x). Umfang_S ist der Umfang (Größe) der Stichprobe (n). Erfolge_G ist die Anzahl der in der Grundgesamtheit möglichen Erfolge (M). Umfang_G ist der Umfang (Größe) der Grundgesamtheit (N). Erstellung von Diagrammen der Wahrscheinlichkeitsfunktion sowie Durchführung von Rechenbeispielen siehe Übungs-File - 33 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2.4 Poisson-Verteilung Grenzfall der Binomialverteilung, wenn n sehr großem ist und die Einzelwahrscheinlichkeit sehr klein Parameter der Poissonverteilung ist das Produkt von n und : n. = Wahrscheinlichkeitsfunktion M 0,1,... x .e xM f ( x) W ( X x) P : x ! X 0 Erwartungswert und Varianz E ( X ) Var ( X ) Beispiel: Wartschlangentheorie Die Binomialverteilung kann durch die Poissonverteilung approximiert werden mit wenn n>10 und <0,05. Die Poissonverteilung kann auch als Approximation der Hypergeometrischen Verteilung verwendet werden. - 34 - Wahrscheinlichkeitsrechnung und Verteilungen WB Grafische Darstellung der Wahrscheinlichkeits- und Verteilungsfunktion mithilfe der EXCEL-Funktion POISSON POISSON(x; Mittelwert;Kumuliert) x ist die Zahl der Fälle. Mittelwert ist der erwartete Zahlenwert (µ). Kumuliert ist der Wahrheitswert, der den Typ der Funktion bestimmt. Ist Kumuliert mit WAHR belegt, gibt POISSON den Wert der Verteilungsfunktion der jeweiligen Poissonverteilung zurück, also die Wahrscheinlichkeit, dass die Anzahl zufällig eintretender Ereignisse zwischen 0 und einschließlich x liegt. Ist Kumuliert mit FALSCH belegt, gibt POISSON den Wert der Wahrscheinlichkeitsfunktion zurück, also die Wahrscheinlichkeit, dass die Anzahl der Ereignisse genau x sein wird. Erstellung von Diagrammen der Wahrscheinlichkeits- und Verteilungsfunktion sowie Durchführung von Rechenbeispielen siehe Übungs-File - 35 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2.5 Multinomialverteilung - - ist die Verallgemeinerung der Binomialverteilung insoferne, dass bei der Multinomialverteilung k verschiedene Ereignisse eintreten können diese haben konstante Wahrscheinlichkeiten θi und sind unabhängig voneinander Sie gibt die Wahrscheinlichkeit an, dass bei n ausgeführten Versuchen, x1 mal das Ereignis 1, x2 mal das Ereignis 2, ..., xk mal das Ereignis k eintritt. X M n ,i n! xk x1 x2 f ( x ,... x ) ... 1 k 1 2 k x1! x2 !...xk ! k k : mit xi n und i 1 i 1 i 1 Rechenbeispiele siehe Übungs-File - 36 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2.6 Diskrete Gleichverteilung Eine diskrete Zufallsvariable ist dann gleichverteilt, wenn jede ihrer k möglichen Ausprägungen x1, …., xk die gleiche Wahrscheinlichkeit besitzt, wenn also W ( X xi ) 1 k für i=1,…,k Beispiel: die Augenzahl eines idealen Würfels ist gleichverteilt mit 1 W(X x ) für i= 1,2, …, 6 i 6 - 37 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3 Theoretische Verteilungen II: Stetige Verteilungen 3.1 Gleichverteilung Eine stetige Zufallsvariable ist gleichverteilt innerhalb des Intervalls [, ], wenn ihre Dichtefunktion in diesem Intervall konstant ist wie folgt: X S, : 1 f ( x) 0 < - 38 - x sonst Wahrscheinlichkeitsrechnung und Verteilungen WB Beispiel: Dichtefunktion einer stetigen Gleichverteilung Die Wahrscheinlichkeit, dass diese Zufallsvariable zwischen a und b liegt (siehe Abbildung), ist daher 1 W ( a X b) (b a ) - 39 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3.2 Exponentialverteilung X Ex : 1 x f ( x) e 0 0 x0 sonst Grafische Darstellung der Dichte- und Verteilungsfunktion mithilfe der EXCEL-Funktion EXPONVERT Parameter = 1/EW EXPONVERT(x;Lambda;Kumuliert) x ist der Wert für die Funktion. Lambda ist der übergebene Wert (). Kumuliert ist ein Wahrheitswert, der den Typ der Funktion bestimmt. Ist Kumuliert mit WAHR belegt, gibt EXPONVERT den Wert der Verteilungsfunktion zurück. Ist Kumuliert mit FALSCH belegt, gibt EXPONVERT den Wert der Dichtefunktion zurück. Erstellung von Diagrammen der Dichte- und Verteilungsfunktion sowie Durchführung von Rechenbeispielen siehe Übungs-File - 40 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3.3 Normalverteilung X N(, 2 ): f ( x) 1 2 ( x)2 e 22 x R ; R ; 2 > 0 Grafische Darstellung der Dichte- und Verteilungsfunktion mithilfe der EXCEL-Funktion NORMVERT NORMVERT(x;Mittelwert;Standabwn;Kumuliert) x ist der Wert der Verteilung (Quantil), dessen Wahrscheinlichkeit Sie berechnen möchten. Mittelwert ist das arithmetische Mittel der Verteilung. Standabwn ist die Standardabweichung der Verteilung. Kumuliert ist der Wahrheitswert, der den Typ der Funktion bestimmt. Ist Kumuliert mit WAHR belegt, gibt NORMVERT den Wert der Verteilungsfunktion (kumulierte Dichtefunktion) zurück. Ist Kumuliert mit FALSCH belegt, gibt NORMVERT den Wert der Dichtefunktion zurück. - 41 - Wahrscheinlichkeitsrechnung und Verteilungen WB Man erstelle die Tabelle und die Diagramme der Dichtefunktion und der Verteilungsfunktion der Normalverteilung mit dem Mittelwert 100 und der Standardabweichung 10 für das Intervall [60, 140], Schrittweite 2 Normalverteilung 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 60 70 80 90 100 110 120 130 140 Bei verschiedenen Anwendungen (z.B. Schätzverfahren oder Test) ist es wichtig, die Fraktile (Quantile) der sogenannten Standardnormalverteilung zu kennen. Definition: Die Standardnormalverteilung ist die Normalverteilung mit dem Erwartungswert 0 und der Varianz 1. - 42 - Wahrscheinlichkeitsrechnung und Verteilungen WB Ermittlung der Quantile (Fraktile) mithilfe der Inversen der Verteilungsfunktion (siehe Übungsfile). Begriff der inversen Funktion: Funktion f(x): y = f(x) Inverse Funktion g dazu: x = g(y) Beispiel einer einfachen linearen Funktion: Funktion y =5x inverse Funktion dazu x = 0,2y - 43 - Wahrscheinlichkeitsrechnung und Verteilungen WB Im Falle der Verteilungsfunktionen: Beispiel: IQ sei normalverteilt (100;100); gefragt sei der IQ, den die intelligentesten 10% der Studierenden mindestens haben. 1,0000 0,9000 0,8000 0,7000 0,6000 0,5000 0,4000 0,3000 0,2000 113 0,1000 0,0000 60 70 80 90 100 110 120 130 140 Berechnung von Anteilswerten (siehe Beispiele auf Übungsfile) - 44 - IQ Wahrscheinlichkeitsrechnung und Verteilungen WB Inverse Funktionen von stetigen Verteilungsfunktionen sind für einige stetige Verteilungen in EXCEL programmiert, so z.B. auch für die Normalverteilung: NORMINV(Wahrsch;Mittelwert;Standabwn) Wahrsch ist die zur Standardnormalverteilung gehörige Wahrscheinlichkeit. Mittelwert ist das arithmetische Mittel der Verteilung. Standabwn ist die Standardabweichung der Verteilung. Die Funktion NORMINV gibt die Quantile (Fraktile) einer normalverteilten Zufallsvariavblen an Erstellung von Diagrammen der Dichte- und Verteilungsfunktion sowie Durchführung von Rechenbeispielen siehe Übungs-File - 45 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3.4 Chiquadratverteilung X 2n : n 1 x x2 e 2 n f ( x) n 2 2 1 ! 2 0 x>0 sonst Grafische Darstellung der Dichte- und Verteilungsfunktion mithilfe der EXCEL-Funktion CHIVERT CHIVERT(x;FreiheitsGrade) x ist der Wert (Quantil), dessen Wahrscheinlichkeit (1-Alpha) Sie berechnen möchten. FreiheitsGrade gibt den Grad der Freiheit an. CHIVERT wird berechnet als CHIVERT = P(X>x), wobei X eine Zufallsvariable mit der Verteilung 2 ist In der Praxis werden vor allem die Fraktile (Quantile) der Chiquadratverteilung verwendet. Ermittlung mithilfe der Inversen der Verteilungsfunktion (EXCEL-Funktion CHIINV). Siehe Übungsfile. Erstellung von Diagrammen der Verteilungsfunktion sowie Durchführung von Rechenbeispielen siehe Übungs-File - 46 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3.5 Student (t-) Verteilung Die Studentverteilung (auch t-Verteilung) verdankt ihren Namen einem Statistiker, der unter dem Pseudonym „Student“ einen Aufsatz mit ihrer Ableitung veröffentlichte. Die Dichtefunktion der t-Verteilung mit Freiheitsgraden ist wie folgt definiert: 1 X t:= f ( x) ( ) 1 x² ( ) (1 )( 1) / 2 2 2 . für - < t < + Zu Festlegung der t-Verteilung ist also nur ein Parameter () erforderlich. Die Dichtefunktion besitzt ähnlich wie die Dichte der standardisierten Normalverteilung eine zum Nullpunkt symmetrische Form. Mit steigendem nähert sich die tVerteilung der Standardnormalverteilung an, ab > 30 kann die t-Verteilung gut durch die Standardnormalverteilung approximiert werden (siehe Übungsfile). Für >1 ist der Erwartungswert 0 und für >2 ist die Varianz Var (T ) 2 Grafische Darstellung der Dichtefunktion durch direkte Berechnung der mithilfe der EXCEL-Funktion GAMMALN: GAMMALN = ln((x)). - 47 - Wahrscheinlichkeitsrechnung und Verteilungen WB (natürlicher Logarithmus der Gamma-Funktion) TVERT TVERT gibt Werte derVerteilungsfunktion (1- ) einer tverteilten Zufallsvariablen zurück. TVERT(x;Freiheitsgrade;Seiten) x ist der Wert der Verteilung (Quantil), dessen Wahrscheinlichkeit Sie berechnen möchten. Freiheitsgrade ist eine ganze Zahl, durch die die Anzahl der Freiheitsgrade bestimmt wird (). Seiten bestimmt die Anzahl der Endflächen. Ist Seiten = 1, gibt TVERT den Wert für einen einseitigen Test zurück. Ist Seiten = 2, gibt TVERT den Wert für einen zweiseitigen Test zurück. TINV TINV(Wahrsch;Freiheitsgrade) Wahrsch ist die zur t-Verteilung gehörige Wahrscheinlichkeit (zweiseitig). Freiheitsgrade ist die Anzahl der Freiheitsgrade, durch die die Verteilung gekennzeichnet ist. - 48 - Wahrscheinlichkeitsrechnung und Verteilungen WB 4 Zusammenfassung der Fragestellungen Zusammenfassung der Fragestellungen: diskrete Verteilungen 1. W(X = a) = ? Lösung: W(X = a) wird direkt aus einer Tabelle bzw. programmierten Wahrscheinlichkeitsfunktion abgelesen Beispiel: W(X=2) = 0,375 f(x) Wahrscheinlichkeitsfunktion f(x) 1,0 0,8 0,6 0,4 0,2 x 0 1 - 49 - 2 3 Wahrscheinlichkeitsrechnung und Verteilungen WB 2. W(X < a) = ? Lösung: W(X < a) = W(X a-1) = F(a-1) Beispiel: W(X < 2) = W(X 1) = F(1) 3. W(X a) = ? Lösung: W(X a) = F(a) Beispiel: W(X 2) = F(2) 4. W(X > a) = ? Lösung: W(X>a) = 1 – W(X a) = 1 - F(a) Beispiel: W(X>2) = 1 – W(X 2) = 1 - F(2) 5. W(X a) = ? Lösung: W(X a) = 1 – W(X a-1) = 1 - F(a-1) Beispiel: W(X 2) = 1 – W(X 1) = 1 - F(1) f(x) Wahrscheinlichkeitsfunktion f(x) 1,0 0,8 0,6 0,4 0,2 x 0 1 - 50 - 2 3 Wahrscheinlichkeitsrechnung und Verteilungen WB Zusammenfassung der Fragestellungen: stetige Verteilungen 1. W(Xa) = ? Lösung: W(Xa) = F(a) Beispiel: W(X) = F(90) - 51 - Wahrscheinlichkeitsrechnung und Verteilungen WB 2. W(Xa) = ? Lösung: W(Xa) = 1 - W(Xa) = 1 – F(a) Beispiel: W(X) = 1 - W(X) = 1 – F(110) - 52 - Wahrscheinlichkeitsrechnung und Verteilungen WB 3. W(aXb) = ? Lösung: W(aXb) = F(b) – F(a) Beispiel: W(90X) = F(120) – F(90) - 53 - Wahrscheinlichkeitsrechnung und Verteilungen WB 6. W(Xα) = w α unbekannt, w bekannt Lösung: W(Xα) = F(α) = w α = FINV(w) 7. W(Xα) = w α unbekannt, w bekannt Lösung: W(Xα) = 1 - W(Xα)= 1 – F() = w 1 – w = F() = FINV(1-w) - 54 - Wahrscheinlichkeitsrechnung und Verteilungen WB 5 Übersicht über Verteilungen (A) DISKRETE VERTEILUNGEN 1. Diskrete Gleichverteilung X D m : M 1,2, ..., m 1 x M W( X x) m 2. Alternativverteilung X A : A: M 1,0 x 1 x W ( X x) (1 ) x M 0 1 ; 0 0 : 1 3. Geometrische Verteilung X G : n, : G : M 1,2, . . . x 1 x M W( X x) (1 ) 4. Binomialverteilung X B Dm : B n, : M 1,2,..., n n x n x xM W ( X x) x (1 ) - 55 - Wahrscheinlichkeitsrechnung und Verteilungen WB 5. Hypergeometrische Verteilung X H N , A, n : M 0,1,...., n A N A x n x xM W ( X x) N n 6. Poissonverteilung X P : H N, A , n : P : M 0,1,... x . e W ( X x ) x M x ! 0 - 56 - Wahrscheinlichkeitsrechnung und Verteilungen WB (B) STETIGE VERTEILUNGEN 1. Stetige Gleichverteilung 1 f ( x) 0 X S , : S , : x sonst < 2. Exponentialverteilung 1 x f ( x) e 0 X Ex : Ex : x>0 sonst >0 3. Normalverteilung X N(, ): 2 N( , 2 ): f ( x) 1 2 ( x)2 e 22 x R ; R ; 2 > 0 - 57 - Wahrscheinlichkeitsrechnung und Verteilungen 4. Chiquadratverteilung X : 2 n 5. F - Verteilung X F m, n : WB n2 : n 1 x x2 e 2 n f ( x) n 2 2 1 ! 2 0 x>0 sonst Fm , n : m n m 2 m n 2 2 x m 2 n2 m n f ( x) m n 2 2 ( m x n) 2 0 x>0 sonst 6. t - Verteilung t 1 X t:= f ( x ) ( ) 1 x² .( ) (1 )( 1) / 2 2 2 . - 58 - für - < t < +