Sie sind auf Seite 1von 3

Mittag – Kapitel 11- Diskrete Zufallsvariablen

Diskrete Zufallsvariablen:
• abzählbare Anzahl von Ausprägungen
• Verteilung lässt sich anhand von Wahrscheinlichkeitsfunktion und theoretischer
Verteilungsfunktion charakterisieren
• diskrete Gleichverteilung → Verteilungsmodell für Zufallsvariable mit k Ausprägungen, die
mit gleicher Wahrscheinlichkeit eintreten
• Bernoulli-Verteilung → nur k=2 Ausprägungen (z.B. Münze mit Kopf oder Zahl);
Eintrittswahrscheinlichkeiten können verschieden sein (z.B. gezinkte Münze mit
Wahrscheinlichkeit für Kopf 0,6 und für Zahl 0,4), n=1
• Bernoulli-Kette → n-Versuche, Ziehen mit Zurücklegen → Binomialverteilung

Wahrscheinlichkeits- und Verteilungsfunktion:


• diskrete Zufallsvariable X, die k Werte xi,...,xk (= Trägermenge) annehmen kann
• Funktion f, die jeder Ausprägung xi eine Eintrittswahrscheinlichkeit pi zuordnet, heißt
Wahrscheinlichkeitsfunktion von X → Wahrscheinlichkeitsfunktion kann als Stab- oder
Säulendiagramm mit k Stäben oder Säulen der Länge p1,p2,...,pk dargestellt werden;
Summe der Eintrittswahrscheinlichkeiten p1,p2,...,pk muss stets 1 sein
• Verteilungsfunktion: theoretisch vs. empirisch; Treppenfunktion; erster Sprung → Wert 0,
letzter Sprung → Wert 1
• diskrete Gleichverteilung: alle Ausprägungen xi besitzen die gleiche
Eintrittswahrscheinlichkeit p=1/k (Bsp: Würfel, die Zahlen von 1-6 besitzen alle die gleiche
Eintrittswahrscheinlichkeit von 1/6)

• Beispiel für n=10

- oben: Wahrscheinlichkeitsfunktion (fi;; Tabelle: relative Häufigkeiten für einzelne


Augenzahlen): schwarze Säulen → relative Häufigkeiten bei n=10
- unten: schwarz → empirische Verteilungsfunktion (Fi; Tabelle: kumulierte Häufigkeiten),
rot → theoretische Verteilungsfunktion (siehe Abbildung 11.1)
→ interaktives Lernobjekt: Zufallsexperiment kann selbst mit unterschiedlichem n
ausprobiert werden: https://www.hfh-fernstudium.de/statistik-
app/verteilungen/gleichverteilung_wuerfel.html
- bei Vergrößerung von n: die im Experiment beobachteten relativen Häufigkeiten fi nähern
sich den Werten f(xi)=1/6 der Wahrscheinlichkeitsfunktion an (dies kann über den Link
einfach selbst ausprobiert und gesehen werden)
• Bernoulli-Verteilung: Zufallsvariable besitzt nur zwei Ausprägungen (z.B. Münzwurf: Kopf
oder Zahl); Gestalt hängt Parameter p ab
- X ~ Be(p) (X ist bernoulli-verteilt mit dem Parameter p)
- Bernoulli-Verteilung: n=1, also ein Versuch → Bernoulli-Kette: n Versuche (also mehr als
ein Versuch)

Kenngrößen diskreter Verteilungen:


• Erwartungswert E(X) oder μ
• Varianz σ²
• Standardabweichung σ
• Quantile (z.B. x0,25, x0,5 bzw. Median,
x0,75)

Die Binomialverteilung:
• X ~ B(n;p) (X ist binomialverteilt mit den Parametern n und p)
• ist im Endeffekt eine Bernoulli-Kette und Bernoulli-Verteilung ist ein Spezialfall der
Binomialverteilung (X ∼ B(1; p) und X ∼ Be(p) sind identisch)
• Kenngrößen:
Erwartungswert μ = n * p
Varianz σ² = n * p * (1 – p)
• Wahrscheinlichkeitsfunktion f(x) = P(X = x)

• Verteilungsfunktion F(x) = P(X ≤ x)

• Beispiel:
Zufallsvariable X ~ B(10;0,5):
→ interaktives Lernelement: Zufallsexperiment mit Binomialverteilung (n,x,p selbst wählen,
dazu Wahrscheinlichkeits- und Verteilungsfunktion ansehen)
https://www.hfh-fernstudium.de/statistik-app/verteilungen/binomial.html
• x=3 nimmt in Tabellenspalte mit kumulierten Häufigkeiten einen Wert von 0,1719 an →
dieser Wert ergibt sich durch das Aufsummieren der Werte f(0), f(1), f(2) und f(3) → 0,1719
= 0,0010 + 0,0098 + 0,0439 + 0,1172 → durch das Aufsummieren von Werten der
Wahrscheinlichkeitsfunktionen ergeben sich demnach die Werte der Verteilungsfunktion →
umgekehrt können auch aus F(x) die f(x)-Werte gewonnen werden → f(3)=0,1172 ergibt
sich beispielsweise aus der Differenz von F(3) und F(2), also 0,1719 – 0,0547
• interaktives Lernelement: Rechnen mit Binomialverteilung
https://www.hfh-fernstudium.de/statistik-app/verteilungen/binomial_differenz.html

Quelle:
Mittag, Hans-Joachim (2016): Statistik. Eine Einführung mit interaktiven Elementen. 4. Auflage, Heidelberg:
Springer Verlag: S. 161-182.