Beruflich Dokumente
Kultur Dokumente
450
Berechne die Besucherzahl zwischen der 8. und der 13. Minute.
13
Rechnung: 8 𝑏 𝑡 𝑑𝑡 ≈ 154
Berechne welcher Anteil der Sitze wird zwischen der 8. und der 13. Minute
belegt sind.
13
8 𝑏 𝑡 𝑑𝑡 154
Rechnung: ∞ ≈
0 𝑏 𝑡 𝑑𝑡 450
13 13 13
Zwischen der 8. und 13. Minuten
𝑏(𝑡) sind ca. 34% der Sitze belegt.
න 𝑏 𝑡 𝑑𝑡 : 450 = න 𝑑𝑡 = න 𝑓 𝑡 𝑑𝑡 ≈ 34 %
450
8 8 8
13
Antwort: P E = 8 𝑓 𝑡 𝑑𝑡 ≈ 32 %
Diskrete Verteilungen
Diskrete Zufallsgrößen sind Zufallsgrößen, deren Werte endlich oder abzählbar
unendlich sind und durchnummeriert werden können. Ihre
Wahrscheinlichkeiten kann man in Tabellen oder anschaulich mit Histogrammen
darstellen.
Die Zufallsgröße X besitzt den Erwartungswert
μ = E X = x1 ∙ P X = x1 + x2 ∙ P X = x2 +. . . +xn ∙ P X = xn =
σni=1 xi ⋅ P X = xi ,
xi 1 2 3 4 5 6
1 1 1 1 1 1
P(X = xi )
6 6 6 6 6 6
Kenngrößen
1 1 1
μ = E X = 1 ∙ + 2 ∙ +. . . +6 ∙ = 3,5
6 6 6
n
2
1 2
1 2
σ= 1 − 3,5 ∙ +. . . + 6 − 3,5 ∙ = xi − μ ⋅ P X = xi
6 6
i=1
n
1 2
35
= ⋅ i − 3,5 = ≈ 1,7
6 12
i=1
Beispiel 2 Zweimaliges Werfen eines Würfels
Die Zufallsgröße X gibt die Summe der beiden Augenzahlen beim
zweimaligen Werfen eines Würfels an. Hier handelt es sich nicht mehr um
eine Gleichverteilung.
Die Wahrscheinlichkeitsverteilung von X:
1 1 1
xi 2 3 4 5 6 7 8 9
0 1 2
1 2 3 4 5 6 5 4 3 2 1
P(X = xi )
36 36 36 36 36 36 36 36 36 36 36
Beispiel: xi = 𝟒:
E = {(1;3); (2;2); (3:1)}
1 1 1 1 1 1 1 1
P(X = 4) = ∙ + ∙ + ∙ = 3 ∙ =
6 6 6 6 6 6 36 12
Kenngrößen
1 2 1
μ=E X =2∙ + 3 ∙ +. . . +12 ∙ =7
36 36 36
2
1 2
1 70
σ= 2−7 ∙ +. . . + 12 − 7 ∙ =
36 36 12
Beispiel 3
Binomialverteilung mit Trefferwahrscheinlichkeit p und Länge n; die
Zufallsgröße X gibt die Anzahl der Treffer an, z.B. n = 80, p = 0,4.
Kenngrößen
μ = E(X) = n ⋅ p = 80 ⋅ 0,4 = 32
σ = n ⋅ p ⋅ (1 − p) ≈ 4,38
Stetige Verteilungen
Im Gegensatz zu einer diskreten Verteilung, bei der man die Werte der
Zufallsgrößen abzählen kann, kennzeichnet sich eine stetig verteilte
Zufallsgröße dadurch aus, dass deren Werte alle Zahlen eines reellen Intervalls
annehmen kann. Alle Zahlen eines Intervalls kann man nicht zählen - egal wie
klein das Intervall auch ist. Es sei denn es besteht aus einer oder keiner Zahl.
Die tägliche
Regenmenge in
München
Eine Funktion f, aus der man Wahrscheinlichkeiten durch Integration erhält
bezeichnet man als Wahrscheinlichkeitsdichte.
Definition
Eine integrierbare Funktion f heißt Wahrscheinlichkeitsdichte (Dichtefunktion)
über einem Intervall I,
Die Funktion F mit
z.B. I = [a; b] oder I = (a; b), wenn gilt:
F(x) = P(X ≤ x) =
x
(1) f(x) ≥ 0 für alle x aus I, −∞ f(t)dt
b +∞
(2) a f(x)dx = 1 (falls I = IR:−∞ f(x)dx = 1). heißt Verteilungsfunktion
der Zufallsgröße X.
Anmerkungen:
✓ Durch (1) ist gewährleistet, dass die Wahrscheinlichkeiten von Teilintervallen
nicht negativ sind.
✓ Die Wahrscheinlichkeit des gesamten Intervalls beträgt 1 = 100%.
✓ Man nennt f auch Dichtefunktion.
✓ Die Funktionswerte f(x) sind keine Wahrscheinlichkeiten. Denn die
Wahrscheinlichkeit, dass die Zufallsgröße X genau den Wert k annimmt,
k
berechnet sich durch P(X = k) = k f(x)dx = 0, d.h. die
Einzelwahrscheinlichkeiten sind exakt null.
Erwartungswert und Standardabweichung einer stetigen Zufallsgröße X:
In Anlehnung an die Definition des Erwartungswerts im diskreten Fall
n
μ = E(X) = xi ⋅ P X = xi
i=1
legt man den Erwartungswert von X im stetigen Fall fest durch:
b
μ = E(X) = a x ⋅ f(x) dx.
Beispiel 1: Gleichverteilung
P 0,2 ≤ X ≤ 0,6
0,6
= න 1dx = 0,6 − 0,2 = 0,4
0,2
Darstellung der kumulierten
Wahrscheinlichkeitsverteilung:
z
P(X ≤ z) = න f(x)dx
0
Beispiel:
0,1 1
1 2 1
0,1 න x ⋅ 1dx = 𝑥 = 0,5
P(X ≤ 0,1) = න 1 dx = 𝑥 0 = 0,1 0 2 0
0
Kenngrößen:
1 1 2
μ = E(X) = 0 x ⋅ 1dx = 0,5; σ= 0 x − 0,5 ⋅ 1 dx ≈ 0,289
f(x)
Beispiel 2: Summe zweier Zufallszahlen
Die Zufallsgröße X gibt die Summe aus zwei Zufallszahlen zwischen 0
und 1 an, d.h. 𝑥 ∈ [0; 2].
Die Zufallsgröße X beschreibt die Summe zweier Zufallszahlen x1; x2
jeweils aus [0; 1]. Zunächst überlegen wir uns, wie die
Dichtefunktion aussehen muss. Dazu müssen wir wissen, welche
Zahlenbereiche wahrscheinlicher sind als andere. Die Zahl x = 0
erhalten wir nur durch die Kombination x1 = x2 = 0. Ähnlich ist es bei
x = 2. Für alle anderen Zahlen gibt es aber unendlich viele
Variationen. Ob aber manche Zahlenbereiche (z. B. 0,95 ≤ X ≤ 1,05)
wahrscheinlicher sind als andere vergleichbare Zahlenbereiche,
müssen wir uns überlegen. Hierfür betrachten wir die Diagramme
rechts. Oben sind die Möglichkeiten für X = 0,3; X = 1 und X = 1;7
dargestellt. Die Wahrscheinlichkeit ist jeweils jedoch Null, so dass
wir Zahlenbereiche betrachten müssen. Diese sind unten dargestellt.
Hier entsprechen die Wahrscheinlichkeiten den Flächen, da das
Quadrat die Fläche 1 bzw. 100% hat.
Man erkennt, dass die Wahrscheinlichkeiten zunächst linear
wachsen, dann wieder linear fallen - in Bezug auf „gleich breite“
Zahlenbereiche.
Aus der Abbildung rechts ergibt sich für die
Wahrscheinlichkeitsdichte f:
x ,0 ≤ x ≤ 1
f(x) = ቊ
2 − x ,1 < x ≤ 2
Begründung
Die Zufallsgröße X kann Werte zwischen 0 und 2 annehmen.
Dabei gilt f(0) = f(2) = 0.
Im Bereich von 0 bis 1 nimmt die Dichte f proportional zu, im
Bereich von 1 bis 2 entsprechend ab.
Somit ist f eine Dreiecksfunktion. Der Funktionswert f(1) = 1
2 1
ergibt sich aus der Bedingung 0 f(x)dx = ⋅ 2 ⋅ f(1) = 1.
2
1
ADreieck = ∙ 2 ∙ f 1
Für die Wahrscheinlichkeit des Teilintervalls [0,4; 1,3] gilt: 2
Gesamtwahrsch.: 1
1,3
1
P(0,4 ≤ X ≤ 1,3) = න f(x)dx = 0,675 1 = ∙ 2 ∙ f(1) ⟺ f(1) = 1
2
0,4
Darstellung der kumulierten Wahrscheinlichkeitsverteilung
0,5b2 ,0 ≤ b ≤ 1
P(0 ≤ X ≤ b) = ൝
−0,5(2 − b)2 + 1 ,1 < b ≤ 2
Kenngrößen:
2
μ = E X = න x ∙ f(x)dx = 1
0
2
1
σ= න(x − 1)2 ∙ f x dx = ≈ 0,41
6
0
Produktintegration
Stetige Zufallsgrößen – Was bisher geschah…
▪ 𝑆 = 1,2,3,4,5,6
Anzahl der günstigen Ergebnisse
▪ Wahrscheinlichkeit nach Laplace: Anzahl aller Ergebnisse
1
▪ A: Es wird eine 6 gewürfelt → 𝑃(𝐴) = 6
3 1
▪ B: Es wird eine gerade Zahl gewürfelt → 𝑃 𝐴 = 6 = 2
▪ 𝑆 = 0 ≤ 𝑥 ≤ 1 𝑥 ∈ ℝ}
▪ A: Es erscheint die Zahl 0,5287 → 𝑃(𝐴) =?
▪ B: Es erscheint eine Zahl zwischen 0,2 und 0,35 → 𝑃(𝐵) =?
Stetige Zufallsgrößen
▪ 𝑆 = 0 ≤ 𝑥 ≤ 10 𝑥 ∈ ℝ}
▪ A: Es erscheint die Zahl 5,287 → 𝑃(𝐴) =?
▪ B: Es erscheint eine Zahl zwischen 1,4 und 3,6 → 𝑃(𝐵) =?
Damit die
Mathematische Formulierung: Gesamtwahrscheinlichkeit
0,1 für 0 ≤ x ≤ 10 1 wird.
Man betrachtet die Funktion f mit f x = ቐ
0 sonst
…insbesondere gilt:
5,287 10
Beispiele:
Meistens führen Messungen zu stetigen Zufallsgrößen, z.B. Körpergrößen (Mensch
oder Tier) , Gewicht einer Kirsche, Länge einer Schraube
Stetige Zufallsgrößen – noch ein Beispiel
10
10
1 1 1 1 1
P 5 ≤ X ≤ 10 = න dx = x = − = = 25%
20 20 5 2 4 4
5
Stetige Zufallsgrößen – und noch ein Beispiel
a) Weise nach, dass es sich bei der Funktion f um eine Dichtefunktion handelt!
4 1 1 4
(1) f(x) ≥ 0 für alle x aus I, (2) 0 −8x + 0,5 dx = − 16 x 2 + 0,5x = −1 + 2 = 1
0
b) Wie groß ist die Wahrscheinlichkeit, dass ein zufällig entnommenes Bier eine
Temperatur zwischen 1°C und 2°C hat?
2
2
1 1 1 1 3 7 5
P 1 ≤ X ≤ 2 = න − x + 0,5 dx = − x 2 + 0,5x = − +1 − − + 0,5 = − = = 31,25%
8 16 1 4 16 4 16 16
1
Stetige Zufallsgrößen
Eine Zufallsgröße X ist stetig, wenn ihre Werte alle reellen Zahlen eines Intervalls I annehmen
können.
X ist stetig verteilt mit der Dichtefunktion f, wenn für a, b ∈ I mit 𝑎 ≤ b gilt:
𝑏
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥.
𝑎
Als Wahrscheinlichkeitsdichte über einem Intervall I = [c; d] muss die Funktion f folgende
Eigenschaften erfüllen:
d +∞
(2) c f(x)dx = 1 (falls I = IR:−∞ f(x)dx = 1).
Für eine stetig verteilte Zufallsgröße X gilt für den Erwartungswert μ und die
Standardabweichung σ:
b b 2
μ = E(X) = a x ⋅ f(x) dx. σ= a x−μ ⋅ f(x) dx.
Es gibt einige spezielle stetige Verteilungen.