Verteilungsfunktion für Stetige ZV Unabhängigkeit von ZV Kenngrößen von ZV Spezielle Diskrete Verteilungen Spezielle Stetige Verteilungen Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 2. Mai 2012 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides = 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 ] Waldherr / Christodoulides 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! Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 = Waldherr / Christodoulides (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 Waldherr / Christodoulides 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! Waldherr / Christodoulides 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) Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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) Waldherr / Christodoulides 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 Waldherr / Christodoulides 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 ] = Waldherr / Christodoulides 1 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 Waldherr / Christodoulides 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 Waldherr / Christodoulides 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) = Waldherr / Christodoulides 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 Waldherr / Christodoulides 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? Waldherr / Christodoulides 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 Waldherr / Christodoulides 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) Waldherr / Christodoulides 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 Waldherr / Christodoulides 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) Waldherr / Christodoulides 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) Waldherr / Christodoulides 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) Waldherr / Christodoulides 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) Waldherr / Christodoulides 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) Waldherr / Christodoulides Einführung in Quantitative Methoden- 7.VO 49/49