Grundlagen aus der Mathematik

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 0 / 25
 [ Grundlagen aus der Mathematik ]

Zahlen

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 1 / 25
Prozente und Promille

Zahlen sind in diesem Kurs immer reelle Zahlen. Es können ganze Zahlen sein, in den
meisten Fällen werden es aber Kommazahlen sein. Das Komma wird in diesem Kurs nicht
als Beistrich (Komma), sondern als Punkt angeschrieben.
Zu einer Zahl gehört das Vorzeichen, wobei nur bei negativen Zahlen das Vorzeichen
explizit angegeben wird.
Prozente (Hundertstel), in den meisten Fällen Angaben zwischen 0 und 100, werden durch
100 dividiert und sind daher in den meisten Fällen Zahlen zwischen 0 und 1.
Bei Promille (Tausendstel) ist es ähnlich, hier werden die Angaben durch 1000 dividiert.
Beispiel:
π = 3.1415..
7% = 0.07
Alkoholgrenze beim Autofahren: 0.5 Promille = 0.0005

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 2 / 25
Darstellungen

Sehr große und in diesem Kurs vor allem sehr kleine Zahlen werden in
technisch-wissenschaftlicher Notation dargestellt. Dabei wird eine Zahl x durch zwei
Angaben, a (Mantisse) und b (Exponent), fixiert:

x = a · 10b 1 ≤ |a| < 10

Beispiel:
Entfernung Erde/Sonne: 149 600 000km = 1.496 · 108 km
Statt 108 findet man oft e 8 bzw. e08.
Achtung: “e” steht in diesem Zusammenhang nicht für die Euler’sche Zahl!
Lichtgeschwindigkeit im Vakuum (in m/s): 299792458 = 2.99792458 e08
Atomkerne 0.1 nm = 1e-10m (1nm = 1 Milliardstel Meter)
Alkoholgrenze beim Autofahren: 0.5 Promille = 0.0005 = 5e-4

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 3 / 25
Runden

Runden einer Zahl ist eine Operation, nach der die Zahl mit weniger Dezimalstellen
dargestellt werden kann. Natürlich soll der Rundungsfehler klein gehalten werden.
Wir verwenden hier das kaufmännische Runden, bei dem allein die Ziffer der ersten
wegfallenden Stelle entscheidet, wie das Rundungsergebnis ausfällt:
Ist die Ziffer an der ersten wegfallenden Dezimalstelle eine 0, 1, 2, 3 oder 4, wird
abgerundet.
Ist die Ziffer an der ersten wegfallenden Dezimalstelle eine 5, 6, 7, 8 oder 9, wird
aufgerundet.
Beispiel:
2.475 auf 0 Dezimalstellen gerundet ≈ 2.
2.475 auf 2 Dezimalstellen gerundet ≈ 2.48.
Runden wird nicht iterativ durchgeführt!
2.475 auf 0 Dezimalstellen ist nicht in einem ersten Schritt: ≈ 2.48,
in einem nächsten Schritt: ≈ 2.5 und final: ≈ 3

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 4 / 25
 [ Grundlagen aus der Mathematik ]

Lineare Gleichungen

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 5 / 25
Geradengleichung

f (x ) = k · x + d
definiert eine lineare Funktion.
Der Funktionsgraph ist eine Gerade.
Die Steigung der Geraden ist k .
Die Gerade hat mit der y-Achse den Schnittpunkt (0, d ).
In diesem Kurs wird die Schreibweise:

y = β0 + β1 · x

verwendet, β0 ist dabei die additive Konstante (statt d), β1 ist die Steigung (statt k )

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 6 / 25
Geradengleichung

6
5
y=1+x 2
4

●
3
y

k(x1 − x0)
●
2

x1 − x0
k
1

1
0

0 1 2 3 4 5 6

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 7 / 25
 [ Grundlagen aus der Mathematik ]

Ungleichungen

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 8 / 25
Ungleichung

Steht statt einem = zwischen zwei Ausdrücken ein <, ≤, ≥ oder ein > spricht man von
einer Ungleichung.
Wir sind also eher an Größenverhältnissen interessiert als am Fall 6=.
Bei Operationen mit Ungleichungen ist Vorsicht geboten:
1 Multiplikation mit einer positiven Zahl erhält die Ungleichung.
2 Multiplikation mit einer negativen Zahl dreht die Ungleichung um (aus < wird > etc.).
3 Bildet man auf beiden Seiten den Kehrwert dreht sich die Ungleichung um (wenn das
Vorzeichen auf beiden Seiten gleich ist).
4 Allgemein: Wendet man auf beiden Seiten einer Ungleichung dieselbe streng monoton
wachsende Funktion an, bleibt die Ungleichung erhalten.
Ist die angewendete Funktion streng monoton fallend, dreht sich die Ungleichung um.

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 9 / 25
Auflösen von Ungleichungen

Mitunter kommt es vor, dass eine Unbekannte in einer Ungleichung steckt und diese
Ungleichung nach dieser Unbekannten aufgelöst werden soll. Dabei muss auf die obigen
Regeln Rücksicht genommen werden.
Beispiel: −1/n2 < −0.01 soll nach n aufgelöst werden, wobei n eine natürliche Zahl sei.
Denken Sie mit, welche Operationen eingesetzt werden und welche Auswirkungen diese
Operationen auf die Ungleichungen haben.

1
− < −0.01
n2
1
> 0.01
n2
n2 < 1/0.01 = 100
√
n < 100 = 10

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 10 / 25
Ungleichungen im Sprachgebrauch

Weniger entspricht <.

Höchstens entspricht ≤.
Mehr entspricht >.
Mindestens entspricht ≥.

Beispiel: Das Alter einer Person betrage 20 Jahre. Welche Aussagen sind richtig?
Das Alter ist höchstens 19.
Die Person ist mehr als 15 Jahre alt.
Die Person ist weniger als 20 Jahre alt.
Das Alter ist mindestens 20.

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 11 / 25
 [ Grundlagen aus der Mathematik ]

Binomialverteilung

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 12 / 25
Binomialverteilung

Bernoulli-Experiment: zwei mögliche Ausgänge (Erfolg und Mißerfolg) mit

Wahrscheinlichkeiten p und (1 − p).
Binomialverteilung: n unabhängige Wiederholungen eines Bernoulli-Experiments:
Zufallsvariable X zählt die Anzahl Erfolge bei den n Wiederholungen.
 
n
p(X = k ) = · pk · (1 − p)n−k
k
Für Erwartungswert und Varianz gelten die einfachen Beziehungen:

E (X ) = n · p V (X ) = n · p · (1 − p)

Beispiel:
Viermaliger Münzwurf: Wie oft kommt Kopf?

X ∼ B (4, 0.5) E (X ) = 4 · 0.5 = 2 V (X ) = 4 · 0.5 · (1 − 0.5) = 1

Zehnmaliger Würfelwurf: Wie oft kommt ein Sechser?

X ∼ B (10, 1/6) E (X ) = 10 · 1/6 = 1.667 V (X ) = 10 · 1/6 · (1 − 1/6) = 1.389

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 13 / 25
Binomialverteilung

B(4,1/2) B(10,1/6)

0.4

0.4
0.3

0.3
0.2

0.2
0.1

0.1
0.0

0.0
0 1 2 3 4 0 2 4 6 8 10

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 14 / 25
 [ Grundlagen aus der Mathematik ]

Normalverteilung

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 15 / 25
Normalverteilungen

0.5
N(−3,0.64)
0.4

N(0,1)
0.3
0.2

N(1,4)
0.1
0.0

−6 −4 −2 0 2 4 6

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 16 / 25
Standardnormalverteilung: N(0,1)

Flächenberechnung umständlich, daher Verwendung von Tabellen (Formelsammlung).

Beispiel:
p(Z < 1) = Φ(1) = 0.841
p(Z ≥ −2) = 1 − Φ(−2) = 1 − 0.023 = 0.977

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 17 / 25
Standardnormalverteilung: Quantile

Eine häufige Aufgabe ist: Gegeben ist 0 < α < 1.

Bestimme dazu zα so, dass Φ(zα ) = α.
Die Lösung zα nennt man das α-Quantil von N(0,1), kurz Φ−1 (α).
Beispiel:
α = 0.9 Φ−1 (0.9) = 1.2816
z so, dass p(−z ≤ Z ≤ z ) = 0.95: Aus Symmetrieüberlegungen:
z = Φ−1 (0.975) = 1.9600

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 18 / 25
Normalverteilung: Standardisieren

Das Rechnen mit einer beliebigen normalverteilten Zufallsvariablen X wird durch das sog.
Standardisieren auf das Rechnen mit standardnormalverteilten Zufallsvariablen
zurückgeführt.
Gilt für X ∼ N (µ, σ 2 ), so ist:

X −µ
Z = ∼ N (0, 1)
σ
Beispiel: IQ ∼ N (100, 100) also µ = 100 und σ = 10
p(IQ < 90) = p(Z < (90 − 100)/10) = p(Z < −1) = Φ(−1) = 0.159
p(IQ ≥ 120) = p(Z ≥ (120 − 100)/10) = p(Z ≥ 2) = 1 − p(Z < 2) = 1 − Φ(2) =
1 − 0.0.977 = 0.023
Mit welchem IQ zählt man zu den oberen 1% derer mit höchstem IQ?
Φ−1 (0.99) = 2.3263, also 2.3263 = IQ0.9910−100 ,
und somit IQ0.99 = 100 + 2.3263 · 10 = 123.263

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 19 / 25
 [ Grundlagen aus der Mathematik ]

Zentraler Grenzwertsatz

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 20 / 25
Approximation Binomial- Normalverteilung
Die Normalverteilung kann ev. zur Approximation anderer Verteilungen verwendet werden.
Man wählt für µ und σ 2 jene Werte, die mit der zu approximierenden Verteilung
übereinstimmen. Approximation ist besser, je höher die Varianz!
Beispiel: Binomialverteilungen
B (n, p) E (X ) = n · p V (X ) = n · p · (1 − p)
B (50, 1/2) 50 · 0.5 = 25 50 · 0.5 · 0.5 = 12.5
B (10, 1/6) 10 · 1/6 = 1.667 10 · 1/6 · 5/6 = 1.389
B (100, 1/6) 100 · 1/6 = 16.667 100 · 1/6 · 5/6 = 13.889

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 21 / 25
Zentraler Grenzwertsatz

X ist eine Zufallsvariable mit Erwartungswert µ und Varianz σ 2 . X1 , X2 , . . . Xn seien

unabhängige Kopien von X .

X1 + X2 + · · · + Xn
X¯n =
n
Der Mittelwert X¯n dieser Xi ist wieder eine Zufallsvariable.
Die Verteilung des Mittelwerts ist annähernd die Normalverteilung und es gilt:

σ2
E (X¯n ) = µ V (X¯n ) =
n
Die Aussage gilt für n → ∞, tatsächlich ist auch bei ziemlich ausgefallenen
Ausgangsverteilungen schon bei relativ geringem n die Verteilung des Stichprobenmittels
nahe der Normalverteilung.

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 22 / 25
Zentraler Grenzwertsatz: Gleichverteilung

Ausgangsdaten symmetrisch, aber ohne Gipfel. Mittelwerte schon aus 5 Beobachtungen

annähernd normalverteilt.

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 23 / 25
Zentraler Grenzwertsatz: Schiefe Verteilung

Ausgangsdaten nicht symmetrisch. Mittelwerte schon aus 5 Beobachtungen noch immer

klar, bei 25 Beobachtungen weniger klar schief verteilt.

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 24 / 25
Zentraler Grenzwertsatz: Bimodale Verteilung

Ausgangsdaten symmetrisch, aber mit zwei Gipfeln. Mittelwerte aus 5 Beobachtungen

eindeutig nicht normalverteilt, bei 25 Beobachtungen ungefähr normalverteilt.

Institute for Statistics and Mathematics – WU Wien

c 2008–2015 PI Statistik – Grundlagen aus der Mathematik – 25 / 25