Wahrscheinlichkeit: Normalverteilung und Stetige Zufallsvariablen: Unterschied zwischen den Versionen

Einleitung

Dichtefunktion einer $N(\mu ;\sigma )-$verteilten Zufallsvariable.

Definition

Eine stetige Zufallsvariable ist normalverteilt mit Erwartungswert $\mu$ und Standardabweichung $\sigma$ (kurz: $N(\mu ;\sigma)$-verteilt), wenn für die Dichtefunktion $f$ gilt: $$ f(x)=\frac{1}{\sqrt{2\pi}\cdot \sigma}\cdot e^{\frac{1}{2}\cdot (\frac{x-\mu}{\sigma})^2}$$

Die Dichtefunktion der Normalverteilung wird aufgrund ihrer Form „Gaußsche Glockenkurve“ genannt.

Eigenschaften des Graphen der Dichtefunktion :

• Die Glockenkurve ist symmetrisch zum Erwartungswert $\mu$, bei dem Sie auch ihren einzigen Hochpunkt hat.
• Die beiden Wendepunkte der Glockenkurve befinden sich bei $\mu -\sigma$ und $\mu +\sigma$
• Im Intervall $[\mu -\sigma ; \mu -\sigma]$ befinden sich ca. 68 % aller Werte.
• Die Glockenkurve nähert sich asymptotisch der x-Achse an und es gilt

$$\lim_{x\rightarrow \pm \infty} f(x) =0$$

• Die Dichtefunktion erfüllt alle wichtigen Eigenschaften einer Dichtefunktion:

$f(x)\geq 0 $ und

$\int_{-\infty}^{+\infty} f(x)\cdot dx=1$ (d.h. die Fläche unterhalb der Dichtefunktion ist 1).

Die Normalverteilung ist deshalb so wichtig, da es in der Natur und im Alltag sehr viele Zuvallsvariablen gibt, die eine solche Verteilung aufweisen und somit eine Dichtefunktion besitzen, deren Graph glockenförmig ist.

Merke

Die Berechnung von Wahrscheinlichkeiten erfolgt über die Berechnung der Fläche unterhalb der Dichtefunktion. Für die Verteilungsfunktion $F$ gilt wieder: $$F(x)=P(X\leq x)=\int_{-\infty}^{x} \frac{1}{\sqrt{2\pi}\cdot \sigma}\cdot e^{\frac{1}{2}\cdot (\frac{t-\mu}{\sigma})^2}\cdot dt$$ Die Berechnung dieses Integrals erfolgt in der Regel mithilfe des TR/GeoGebras.

Wichtige Überlegungen:

$$P(X\leq \mu)=F(\mu)=0.5$$

$P(X\leq \mu)=0.5$

$$P(X\leq b)=F(b)$$

$P(X\leq b)=F(b)$

$$ P(X \geq b)=1-P(X \leq b)=1-F(b)$$

$P(X\geq b)=1-P(X\leq b)=1-F(b)$

$$ P(a\leq X\leq b)=F(b)-F(a)$$

$P(a\leq X\leq b)=P(X\leq b)-P(X\leq a)=F(b)-F(a)$

$\sigma$-Umgebungen

Für jede normalverteilte Zuvallsvariable $X$ gilt, dass die $\sigma-$Bereiche um den Erwartungswert $\mu$ eine konstante Fläche beinhalten.

$P(\mu-\sigma\leq X\leq \mu +\sigma)\approx 68.3$%

$P(\mu-2\sigma\leq X\leq \mu +2\sigma)\approx 95.4$%

$P(\mu-3\sigma\leq X\leq \mu +3\sigma)\approx 68.3$%

Binomial- und Normalverteilung

Die Binomialverteilung kann durch die Normalverteilung angenähert werden. Graphisch ist dies gut erkennbar: Je symmetrischer die Wahrscheinlichkeitsfunktion der Binomialverteilung ist und umso größer der Stichprobenumfang $n$ (d.h. die Anzahl der Balken), desto ähnlicher wird die Wahrscheinlichkeitsfunktion der Binomialverteilung der Glockenkurve der Normalverteilung.

Bild 

Merke

Die Binomialverteilung darf näherungsweise durch die Normalverteilung ersetzt werden, wenn die Bedingung $$n\cdot p\cdot (1-p)>9$$ erfüllt ist.

Beispiele

In einer Fabrik wird Senf in Gläser zu 250 g verpackt. Vom Hersteller der Füllmaschine wird der Senffabrik nahegelegt, den Sollwert (Mittelwert $\mu$) auf 265 g einzustellen. Dabei ergibt sich eine mittlere Abweichung $\sigma$ = 10 g.

a) Wahrscheinlichkeit rechts von $\mu$ berechnen: Wie viele Gläser enthalten mehr als 280 g Senf?

Die Variable $X$ ist $N(265;10)-$verteilt und gibt die Füllmenge in Gramm (g) an.

GeoGebra / Graph	Ti-8X	Per Hand / Tabelle
Gesucht ist $P(X> 280)$	$$P(X>280)=1-P(X\leq 280)=$$ $$=1-normcdf(-\infty,280,265,10)=$$ $$=0.6681$$	$$P(X>280)=1-P(X\leq 280)=$$ $$=\underbrace{P(X\leq 265 + 1.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}=$$ $$=1-\Phi (1.5)=$$ $$=1-0,93319=0.06681$$

Die Wahrscheinlichkeit $P(X> 280)$ beträgt 6.681%

b) Wahrscheinlichkeit links von $\mu$ berechnen: Berechnen Sie die Wahrscheinlichkeit, dass ein Glas weniger als 250 g enthält?

GeoGebra / Graph	Ti-8X	Per Hand / Tabelle
Gesucht ist $P(X< 250)$	$$P(X<250)=$$ $$=normcdf(-\infty,250,265,10)=$$ $$=0.6681$$	$$P(X<250)=P(X<265-15)$$ $$=\underbrace{P(X\leq 265 - 1.5\cdot 10)}_{P(X\leq \mu - z\cdot \sigma)}=$$ $$=\Phi (-1.5)=1-\Phi (1.5)$$ $$=1-0,93319=0.06681 $$

Die Wahrscheinlichkeit $P(X<250)$ beträgt ebenfalls 6.681%. Auf dieses Ergebnis hätten wir auch einfacher kommen können, da 280 und 250 gleich weit von $\mu=$265 entfernt sind und aufgrund der Symmetrie der Normalverteilung erhalten wir dasselbe Ergebnis.

c) Wahrscheinlichkeit in einem bestimmten Bereich: Wie groß ist die Wahrscheinlichkeit, dass ein Glas zwischen 250 g und 270 g enthält?

GeoGebra / Graph	Ti-8X	Per Hand / Tabelle
Gesucht ist $P(250\leq X\leq 270)$	$$P(250\leq X\leq 270)=P(X\leq 270)-P(X\leq 250)$$ $$=normcdf(-\infty,270,265,10)-normcdf(-\infty,250,265,10)=$$ $$=0.6247$$	$$P(250\leq X\leq 270)=P(X\leq 270)-P(X\leq 250)$$ $$=\underbrace{P(X\leq 265 + 0.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}-\underbrace{P(X\leq 265 - 1.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}=$$ $$=\Phi (0.5)-\Phi(-1.5)=$$ $$=\Phi (0.5)-(1-\Phi(1.5))$$ $$ 0.69146 -0.06681=0.6247$$

d) Ermitteln eines symmetrischen Intarvalls um $\mu$: In welchem symmetrischen Bereich um den Mittelwert liegen 80% der Gläser?

Hier wird jetzt die Umkehrung gebraucht. Die Wahrscheinlichkeit ist bekannt und die x-Werte sind gesucht (vorher war es immer umgekehrt).

Gesucht ist $P(\mu -k \leq X\leq \mu + k)=0.8$ (siehe Graphik) Somit müssen zwischen $\mu$ und $\mu +k$ insgesamt 40% aller Werte liegen (40% sind links und 40% sind rechts von $\mu$ ). Insgesamt liegen dann $50+40=90$% links von $\mu+k$ (d.h. $P(X\leq \mu+k)=0.9$). Mit dieser Überlegung können wir nun k bestimmen:

GeoGebra / Graph	Ti-8X	Per Hand / Tabelle
$P(X\leq \mu+k)=0.9\rightarrow \mu+k=277.82\rightarrow k=12.82$ Somit ist das gesuchte Intervall: $$[\mu -k ; \mu + k]=[252.18;277.82]$$ Alternativer CAS-Befehl: $$Normal[265, 10, 265+x]-Normal[265, 10, 265-x]=0.8$$ $$\rightarrow x=12.82$$	$$P(X\leq \mu+k)=0.9$$ $$\rightarrow \mu+k=invNorm(0.9,265,10)$$ $$\mu+k=277.82\rightarrow k=12.82$$ Somit ist das gesuchte Intervall: $$[\mu -k ; \mu + k]=[252.18;277.82]$$	$$P(\mu-z\cdot \sigma \leq X\leq \mu+z\cdot \sigma)=0.8$$ $$P(X\leq \mu+z\cdot \sigma)-P(X\leq \mu-z\cdot \sigma)=0.8$$ $$\Phi (z)-\Phi(-z)=0.8$$ $$\Phi (z)-(1-\Phi (z))=0.8$$ $$2\cdot \Phi (z)-1=0.8$$ $$\Phi (z) =\frac{1+0.8}{2}=0.9$$ $$\rightarrow z\approx 1.28$$ $\mu+z\cdot \sigma=265+1.28\dot 10=277.8$ und $\mu-z\cdot \sigma=265-1.28\dot 10=252.2$ Somit ist das gesuchte Intervall: $$[\mu -k ; \mu + k]=[252.18;277.82]$$