Wahrscheinlichkeit: Normalverteilung und Stetige Zufallsvariablen: Unterschied zwischen den Versionen
(→Grundbegriffe: Dichtefunktion, Verteilungsfunktion, Erwartungswert, Standardabweichung) |
|||
| Zeile 1: | Zeile 1: | ||
| − | + | Nun beschäftigen wir uns mit Zufallsvariablen, die jeden Wert in einem bestimmten [[Zahlenmengen| reellen]] Intervall annehmen können, z.B. alle Werte zwischen 2.5 und 10. Dies sind sogenannte '''stetige Zufallsvariablen'''. Sie werden verwendet, um zum Beispiel Körpergrößen, Gewicht, Lebensdauer oder Wartedauer in einer Schlange zu beschreiben. | |
| + | |||
| + | |||
| + | == Grundbegriffe für stetige Zufallsvariablen == | ||
| + | |||
| + | === Dichtefunktion === | ||
Anstelle der Wahrscheinlichkeitsfunktion P für [[Wahrscheinlichkeit: Binomialverteilung und diskrete Zufallsvariablen| diskrete Zufallsvariablen]], definiert man für stetige Zufallsvariablen die Dichtefunktion f. | Anstelle der Wahrscheinlichkeitsfunktion P für [[Wahrscheinlichkeit: Binomialverteilung und diskrete Zufallsvariablen| diskrete Zufallsvariablen]], definiert man für stetige Zufallsvariablen die Dichtefunktion f. | ||
| Zeile 5: | Zeile 10: | ||
* Die [[Funktionswerte]] von $f$ sind immer positiv: | * Die [[Funktionswerte]] von $f$ sind immer positiv: | ||
$$f(x)\geq 0 $$ und | $$f(x)\geq 0 $$ und | ||
| − | * $\int_{-\infty}^{+\infty} f(x)\cdot dx=1$ | + | * die Fläche unterhalb der Dichtefunktion ist 1 |
| + | #$$\int_{-\infty}^{+\infty} f(x)\cdot dx=1$$ }} | ||
Der Grund, warum man nicht die [[Wahrscheinlichkeit: Binomialverteilung und diskrete Zufallsvariablen| Wahrscheinlichkeitsfunktion $P$]] verwendet, liegt darin, dass stetige Zufallsvariablen unendlich viele (und überabzählbar viele) Werte haben und die Wahrscheinlichkeit, dass ein ganz bestimmter Wert gezogen wird gleich 0 ist. | Der Grund, warum man nicht die [[Wahrscheinlichkeit: Binomialverteilung und diskrete Zufallsvariablen| Wahrscheinlichkeitsfunktion $P$]] verwendet, liegt darin, dass stetige Zufallsvariablen unendlich viele (und überabzählbar viele) Werte haben und die Wahrscheinlichkeit, dass ein ganz bestimmter Wert gezogen wird gleich 0 ist. | ||
| − | + | === Verteilungsfunktion === | |
Mit Hilfe der Dichtefunktion definieren wir nun (ähnlich wie bei den [[Wahrscheinlichkeit:Binomialverteilung und diskrete Zufallsvariablen|diskreten Zufallsvariablen]]) die ... | Mit Hilfe der Dichtefunktion definieren wir nun (ähnlich wie bei den [[Wahrscheinlichkeit:Binomialverteilung und diskrete Zufallsvariablen|diskreten Zufallsvariablen]]) die ... | ||
| Zeile 31: | Zeile 37: | ||
| + | === Erwartungswert und Standardabweichung === | ||
{{Vorlage:Definition|1= Für stetige ZV sind '''Erwartungswert''' $\mu$ und '''Standardabweichung''' $\sigma$ wie folgt definiert: | {{Vorlage:Definition|1= Für stetige ZV sind '''Erwartungswert''' $\mu$ und '''Standardabweichung''' $\sigma$ wie folgt definiert: | ||
$$E(x)=\mu=\int_{-\infty}^{+\infty} x\cdot f(x)\cdot dx$$ | $$E(x)=\mu=\int_{-\infty}^{+\infty} x\cdot f(x)\cdot dx$$ | ||
| Zeile 36: | Zeile 43: | ||
}} | }} | ||
| − | + | === Beispiel === | |
Bsp mit einer Funktion | Bsp mit einer Funktion | ||
Eine der wichtigsten stetigen Verteilungsfunktionen ist die | Eine der wichtigsten stetigen Verteilungsfunktionen ist die | ||
| − | + | ||
== Normalverteilung == | == Normalverteilung == | ||
{{Vorlage:Definition|1= Eine stetige Zufallsvariable ist '''normalverteilt mit Erwartungswert $\mu$ und Standardabweichung $\sigma$ (kurz: $N(\mu ;\sigma)$-verteilt)''', wenn für die Dichtefunktion $f$ gilt: | {{Vorlage:Definition|1= Eine stetige Zufallsvariable ist '''normalverteilt mit Erwartungswert $\mu$ und Standardabweichung $\sigma$ (kurz: $N(\mu ;\sigma)$-verteilt)''', wenn für die Dichtefunktion $f$ gilt: | ||
Version vom 22. November 2014, 10:55 Uhr
Nun beschäftigen wir uns mit Zufallsvariablen, die jeden Wert in einem bestimmten reellen Intervall annehmen können, z.B. alle Werte zwischen 2.5 und 10. Dies sind sogenannte stetige Zufallsvariablen. Sie werden verwendet, um zum Beispiel Körpergrößen, Gewicht, Lebensdauer oder Wartedauer in einer Schlange zu beschreiben.
Inhaltsverzeichnis
Grundbegriffe für stetige Zufallsvariablen
Dichtefunktion
Anstelle der Wahrscheinlichkeitsfunktion P für diskrete Zufallsvariablen, definiert man für stetige Zufallsvariablen die Dichtefunktion f.
|
Die Dichtefunktion $f$ ist eine Funktion mit den Eigenschaften:
$$f(x)\geq 0 $$ und
|
Der Grund, warum man nicht die Wahrscheinlichkeitsfunktion $P$ verwendet, liegt darin, dass stetige Zufallsvariablen unendlich viele (und überabzählbar viele) Werte haben und die Wahrscheinlichkeit, dass ein ganz bestimmter Wert gezogen wird gleich 0 ist.
Verteilungsfunktion
Mit Hilfe der Dichtefunktion definieren wir nun (ähnlich wie bei den diskreten Zufallsvariablen) die ...
|
Verteilungsfunktion F :
$$F(x)=P(X\leq x)= \int_{-\infty}^{x} f(t)\cdot dt$$, die die Wahrscheinlichkeit, dass $X$ einen Wert $\leq x$ annimmt, angibt. |
Wichtig: Die Funktionswerte der Dichtefunktion $f(x)$ geben NICHT die Wahrscheinlichkeit an. Bei stetigen Zufallsvariablen können wir nur die Wahrscheinlichkeit dafür angeben, dass $X$ Werte in einem bestimmten Intervall annimmt.
|
Die Wahrscheinlichkeit, dass die stetige ZV $X$ einen Wert im Intervall [a;b] annimmt, entspricht der Fläche unter der Dichtefunktion zwischen den Grenzen a und b:
$$P(a\leq X\leq b)= \int_{a}^{b} f(x)\cdot dx = F(b)-F(a)$$ |
Hinweis:
- Die Wahrscheinlichkeit, dass $X$ einen bestimmten Wert $a$ annimmt ist 0 da:
$$P(a\leq X\leq a)= \int_{a}^{a} f(x)\cdot dx = F(a)-F(a)=0$$
- ist. (Dies lässt sich auch so argumentieren: Da $X$ unendlich viele Werte annehmen kann).
- $P(X\leq a)=P(X<a)$ Begründung: da $ P(X\leq a)=P(X<a)+P(X=a)$ und da $P(X=a)$ ist, gilt die Behauptung.
Erwartungswert und Standardabweichung
|
Für stetige ZV sind Erwartungswert $\mu$ und Standardabweichung $\sigma$ wie folgt definiert:
$$E(x)=\mu=\int_{-\infty}^{+\infty} x\cdot f(x)\cdot dx$$ $$\sigma =\sqrt{\int_{-\infty}^{+\infty} (x-\mu)^2 f(x)\cdot dx}$$ |
Beispiel
Bsp mit einer Funktion
Eine der wichtigsten stetigen Verteilungsfunktionen ist die
Normalverteilung
|
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 „Gaußschen 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 $$\lim_{x\rightarrow \pm \infty} =0$$
- Sie erfüllt alle wichtigen Eigensachften 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.
