Zufallsvariablen
X
:
Ω
→
R
{\textstyle X:\Omega \to \mathbb {R} }
, bei denen alle reelle Zahlen (oder zumindest alle aus einem bestimmten Intervall) als Werte auftreten können, nennt man stetig , wenn sie wie folgt mit einer Dichtefunktion beschrieben werden können:
Eine (Wahrscheinlichkeits-)Dichtefunktion ist eine (stückweise stetige bzw. integrierbare) Funktion:
f
:
R
→
[
0
,
∞
[
{\textstyle f:\mathbb {R} \to [0,\infty [}
mit
∫
−
∞
∞
f
(
t
)
d
t
=
1
{\textstyle \quad \int \limits _{-\infty }^{\infty }f(t)dt=1}
Eine Zufallsvariable
X
{\textstyle X}
, hat die Dichtefunktion
f
{\textstyle f}
, falls:
P
(
a
≤
X
≤
b
)
=
∫
a
b
f
(
t
)
d
t
{\textstyle P(a\leq X\leq b)=\int \limits _{a}^{b}f(t)dt\quad }
für alle
a
,
b
∈
R
∪
{
±
∞
}
{\textstyle a,b\in \mathbb {R} \cup \{\pm \infty \}}
mit
a
<
b
{\textstyle \ a<b}
Die Wahrscheinlichkeit, dass
X
{\textstyle X}
einen Wert in
[
a
,
b
]
{\textstyle [a,b]}
annimmt, entspricht also der Fläche unter dem Graphen von
f
{\textstyle f}
auf dem Intervall
[
a
,
b
]
{\textstyle [a,b]}
. Die Bedingung
∫
−
∞
∞
f
(
t
)
d
t
=
1
{\textstyle \int \limits _{-\infty }^{\infty }f(t)dt=1}
ist somit zwingend notwendig, denn sie besagt, dass
P
(
−
∞
≤
X
≤
∞
)
=
1
{\textstyle P(-\infty \leq X\leq \infty )=1}
ist.
Bei einer stetigen Zufallsvariablen muss der zugrundeliegende W-Raum eine Ergebnismenge mit
|
Ω
|
=
∞
{\textstyle |\Omega |=\infty }
haben. Im Rahmen dieser Vorlesung wollen wir uns allerdings nicht mit solchen unendlichen W-Räumen beschäftigen. Wir haben aber bereits gesehen, dass man ZV untersuchen kann, ohne den W-Raum, auf dem sie definiert sind, exakt zu beschreiben. Für stetige ZV
X
{\textstyle X}
genügt es, die Dichtefunktion anzugeben, um viele relevante Aussagen über
X
{\textstyle X}
folgern. (Bei diskreten ZV arbeitet man entsprechend mit der Wahrscheinlichkeitsverteilung.)
Beispiel 1 - Definition polynomiale Dichtefunktion
Bearbeiten
Die Funktion
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
{
20
t
3
−
t
4
160000
,
falls
t
∈
[
0
,
20
]
0
,
sonst
{\displaystyle f:\mathbb {R} \to [0,\infty [,\ f(t)=\left\{{\begin{array}{ccl}{\frac {20t^{3}-t^{4}}{160000}}&,&{\text{falls}}\ t\in [0,20]\\0&,&{\text{sonst}}\end{array}}\right.}
ist eine Dichtefunktion, denn es gilt:
∫
−
∞
∞
f
(
t
)
d
t
=
1
{\displaystyle \quad \int \limits _{-\infty }^{\infty }f(t)dt=1}
Beispiel 1.1 - Berechnung von Wahrscheinlichkeiten
Bearbeiten
Die Wahrscheinlichkeit, dass eine ZV
X
{\textstyle X}
mit dieser Dichtefunktion in einen bestimmten Bereich
[
a
,
b
]
{\textstyle [a,b]}
fällt, kann durch ein Integral ausgerechnet werden, beispielsweise:
P
(
X
≤
4
)
=
0.00672
P
(
10
≤
X
≤
14
)
=
0.34072
P
(
16
≤
X
)
=
0.26272
P
(
22
≤
X
≤
24
)
=
0
{\displaystyle {\begin{array}{rclclcl}P(X\leq 4)&=&0.00672\\P(10\leq X\leq 14)&=&0.34072\\P(16\leq X)&=&0.26272\\P(22\leq X\leq 24)&=&0\end{array}}}
Beispiel 1.2 - Visualisierung von Wahrscheinlichkeiten
Bearbeiten
Visualisierung von Wahrscheinlichkeiten
f
:
R
→
R
,
f
(
t
)
=
e
−
t
+
2
(
1
+
e
−
t
+
2
)
2
{\displaystyle f:\mathbb {R} \to \mathbb {R} ,\ f(t)={\frac {e^{-t+2}}{\left(1+e^{-t+2}\right)^{2}}}}
ist eine Dichtefunktion, denn es ist
∫
−
∞
∞
e
−
t
+
2
(
1
+
e
−
t
+
2
)
2
d
t
=
[
1
1
+
e
−
t
+
2
]
−
∞
∞
=
lim
t
→
∞
1
1
+
e
−
t
+
2
−
lim
t
→
−
∞
1
1
+
e
−
t
+
2
=
1
−
0
=
1
{\displaystyle \int \limits _{-\infty }^{\infty }{\frac {e^{-t+2}}{\left(1+e^{-t+2}\right)^{2}}}dt=\left[{\frac {1}{1+e^{-t+2}}}\right]_{-\infty }^{\infty }=\lim \limits _{t\to \infty }{\frac {1}{1+e^{-t+2}}}-\lim \limits _{t\to -\infty }{\frac {1}{1+e^{-t+2}}}=1-0=1}
Beispiel 2.1 - Berechnung von Wahrscheinlichkeiten
Bearbeiten
Für eine ZV
X
{\textstyle X}
mit dieser Dichtefunktion gilt beispielsweise:
P
(
X
≤
0
)
=
0.1192
P
(
1
≤
X
≤
4
)
=
0.6119
P
(
5
≤
X
)
=
0.0474
{\displaystyle {\begin{array}{rclclclcl}P(X\leq 0)&=&0.1192\\P(1\leq X\leq 4)&=&0.6119\\P(5\leq X)&=&0.0474\end{array}}}
Beispiel 2.2 - Visualisierung von Wahrscheinlichkeiten
Bearbeiten
Visualisierung von Wahrscheinlichkeiten
Beispiel 3 - Definition Dichtefunktion aus Rechteckverteilungen
Bearbeiten
f
:
R
→
R
,
f
(
t
)
=
{
1
10
,
falls
t
∈
[
−
5
,
−
3
]
3
10
,
falls
t
∈
[
−
1
,
0
]
2
10
,
falls
t
∈
]
0
,
2
]
1
10
,
falls
t
∈
[
4
,
5
]
0
,
sonst
{\displaystyle f:\mathbb {R} \to \mathbb {R} ,\ f(t)=\left\{{\begin{array}{ccl}{\frac {1}{10}}&,&{\text{falls}}\ t\in [-5,-3]\\{\frac {3}{10}}&,&{\text{falls}}\ t\in [-1,0]\\{\frac {2}{10}}&,&{\text{falls}}\ t\in ]0,2]\\{\frac {1}{10}}&,&{\text{falls}}\ t\in [4,5]\\0&,&{\text{sonst}}\end{array}}\right.}
ist eine Dichtefunktion.
Beispiel 3.1 - Zusammensetzung aus Verteilung
Bearbeiten
Normalerweise sind Recheckverteilung (wie alle Wahrscheinlichkeitsverteilungen) normiert (
P
(
Ω
)
=
1
{\displaystyle P(\Omega )=1}
). Bei zusammengesetzten Verteilungen verwendet man eine Zerlegeung der 1 (d.h.
1
=
∑
k
=
1
n
λ
k
{\displaystyle 1=\sum _{k=1}^{n}\lambda _{k}}
mit
0
≤
λ
k
≤
1
{\displaystyle 0\leq \lambda _{k}\leq 1}
). Im obigen Beispiel hat die Dichtefunktion auf der Rechteckverteilung auf
[
−
5
,
−
3
]
{\displaystyle [-5,-3]}
den Funktionwert
f
1
(
t
)
=
1
2
{\displaystyle f_{1}(t)={\frac {1}{2}}}
, damit die Rechteckverteilung als Wahrscheinlichkeitsverteilung normiert ist. Die zusammengesetzte Verteilung ergibt sich dann aus:
f
(
t
)
:=
∑
k
=
1
n
λ
k
⋅
f
k
(
t
)
{\displaystyle f(t):=\sum _{k=1}^{n}\lambda _{k}\cdot f_{k}(t)}
Beispiel 3.2 - Normiertheit zusammengesetzter Verteilungen
Bearbeiten
∫
−
∞
∞
f
(
t
)
d
t
=
∫
−
∞
∞
∑
k
=
1
n
λ
k
⋅
f
k
(
t
)
d
t
=
∑
k
=
1
n
λ
k
⋅
∫
−
∞
∞
f
k
(
t
)
d
t
⏟
=
1
=
∑
k
=
1
n
λ
k
=
1
{\displaystyle \int \limits _{-\infty }^{\infty }f(t)\,dt=\int \limits _{-\infty }^{\infty }\sum _{k=1}^{n}\lambda _{k}\cdot f_{k}(t)\,dt=\sum _{k=1}^{n}\lambda _{k}\cdot \underbrace {\int \limits _{-\infty }^{\infty }f_{k}(t)\,dt} _{=1}=\sum _{k=1}^{n}\lambda _{k}=1}
Beispiel 3.3 - Visualisierung von Wahrscheinlichkeiten
Bearbeiten
Visualisierung von Wahrscheinlichkeiten
Beispiel 3.4 - Bestimmung der Teilung der 1
Bearbeiten
Im obigen Beispiel wäre bei der Zerlegung der 1
λ
1
=
2
10
{\displaystyle \lambda _{1}={\frac {2}{10}}}
. Berechnen Sie die anderen
λ
k
{\displaystyle \lambda _{k}}
für die verbleibenden Rechteckverteilungen
λ
2
=
…
,
λ
3
=
…
,
λ
4
=
…
{\displaystyle \lambda _{2}=\ldots ,\quad \lambda _{3}=\ldots ,\quad \lambda _{4}=\ldots }
Bemerkung 3.5 - Verwendung der Teilung der 1
Bearbeiten
Aus unterschiedlichen Wahrscheinlichkeitsdichten kann man so eine zusammengesetzte Verteilung konstruieren, wobei die
λ
k
{\displaystyle \lambda _{k}}
die Gewichtungsfaktoren bei der Teilung der 1 festlegen, mit welchen Anteil die Dichtefunktion
f
k
{\displaystyle f_{k}}
in die Gesamtverteilung
f
{\displaystyle f}
eingeht.
Hier ein weiteres Beispiel für eine Dichtefunktion
f
{\textstyle f}
:
Bei einer stetigen ZV
X
{\textstyle X}
ist
P
(
X
=
x
)
=
0
{\textstyle \quad P(X=x)=0\quad }
für alle
x
∈
R
{\textstyle \ x\in \mathbb {R} }
Daraus folgt, dass:
P
(
X
≤
b
)
=
P
(
X
<
b
)
,
P
(
a
≤
X
)
=
P
(
a
<
X
)
,
{\textstyle P(X\leq b)=P(X<b),\quad P(a\leq X)=P(a<X),}
P
(
a
≤
X
≤
b
)
=
P
(
a
<
X
<
b
)
(
a
,
b
∈
R
∪
{
±
∞
}
)
{\textstyle \quad P(a\leq X\leq b)=P(a<X<b)\left(\ a,b\in \mathbb {R} \cup \{\pm \infty \}\right)}
(Dies ist bei diskreten ZV nicht so.)
Ist
Z
{\textstyle Z}
eine stetige ZV, so heißt die Funktion
F
:
R
→
R
,
F
(
x
)
=
P
(
Z
≤
x
)
=
∫
−
∞
x
f
(
t
)
d
t
{\displaystyle F:\mathbb {R} \to \mathbb {R} ,\ F(x)=P(Z\leq x)=\int \limits _{-\infty }^{x}f(t)dt}
Verteilungsfunktion von
Z
{\textstyle \mathbf {Z} }
.
Sie hat folgende Eigenschaften:
F
{\textstyle F}
ist monoton steigend.
F
{\textstyle F}
ist stetig.
Es gilt
lim
x
→
−
∞
F
(
x
)
=
0
{\textstyle \lim \limits _{x\rightarrow -\infty }F(x)=0}
und
lim
x
→
∞
F
(
x
)
=
1
{\textstyle \lim \limits _{x\rightarrow \infty }F(x)=1}
.
Für alle
a
,
b
∈
R
{\textstyle \ a,b\in \mathbb {R} \ }
mit
a
≤
b
{\textstyle \ a\leq b}
gilt:
P
(
Z
≤
b
)
=
F
(
b
)
,
P
(
a
≤
Z
)
=
1
−
F
(
a
)
,
{\textstyle P(Z\leq b)=F(b),\quad P(a\leq Z)=1-F(a),}
P
(
a
≤
Z
≤
b
)
=
F
(
b
)
−
F
(
a
)
{\displaystyle P(a\leq Z\leq b)=F(b)-F(a)}
Kennt man die Verteilungsfunktion einer ZV
Z
{\textstyle Z}
, so kann man die Wahrscheinlichkeit dafür, dass
Z
{\textstyle Z}
in einen bestimmten Bereich fällt, also leicht ausrechnen.
Falls
f
{\textstyle f}
stetig ist, ist
F
{\textstyle F}
eine Stammfunktion zu
f
{\textstyle f}
, also
F
′
(
x
)
=
f
(
x
)
{\textstyle F^{\prime }(x)=f(x)}
für alle
x
∈
R
{\textstyle x\in \mathbb {R} }
. (Genauer gesagt ist
F
{\textstyle F}
die Stammfunktion von
f
{\textstyle f}
mit
lim
x
→
−
∞
F
(
x
)
=
0
{\textstyle \lim \limits _{x\to -\infty }F(x)=0}
.)
Hat
X
{\textstyle X}
die Dichte
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
{
20
t
3
−
t
4
160000
,
falls
t
∈
[
0
,
20
]
0
,
sonst
,
{\displaystyle f:\mathbb {R} \to [0,\infty [,\ f(t)=\left\{{\begin{array}{ccl}{\frac {20t^{3}-t^{4}}{160000}}&,&{\text{falls}}\ t\in [0,20]\\0&,&{\text{sonst}}\end{array}}\right.,}
so ist die Verteilungsfunktion von
X
{\textstyle X}
gegeben durch
F
(
x
)
=
{
0
,
falls
x
∈
]
−
∞
,
0
[
5
⋅
x
4
−
1
5
⋅
x
5
160000
,
falls
x
∈
[
0
,
20
]
1
,
falls
x
∈
]
20
,
∞
[
,
{\displaystyle F(x)=\left\{{\begin{array}{rcl}0&,&{\text{falls}}\ x\in ]-\infty ,0[\\{\frac {5\cdot x^{4}-{\frac {1}{5}}\cdot x^{5}}{160000}}&,&{\text{falls}}\ x\in [0,20]\\1&,&{\text{falls}}\ x\in ]20,\infty [\end{array}}\right.,}
Daraus ergibt sich (vergleiche Beispiel 1 )
P
(
X
≤
4
)
=
0.00672
P
(
10
≤
X
≤
14
)
=
0.34072
P
(
16
≤
X
)
=
0.26272
P
(
22
≤
X
≤
24
)
=
0
{\displaystyle {\begin{array}{ccccccccccc}P(X\leq 4)&=&0.00672\\P(10\leq X\leq 14)&=&0.34072\\P(16\leq X)&=&0.26272\\P(22\leq X\leq 24)&=&0\end{array}}}
Hat
X
{\textstyle X}
die Dichte
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
e
−
t
+
2
(
1
+
e
−
t
+
2
)
2
,
{\displaystyle f:\mathbb {R} \to [0,\infty [,\ f(t)={\frac {e^{-t+2}}{\left(1+e^{-t+2}\right)^{2}}},}
so ist die Verteilungsfunktion von
X
{\textstyle X}
gegeben durch
F
(
x
)
=
1
1
+
e
−
x
+
2
{\displaystyle F(x)={\frac {1}{1+e^{-x+2}}}}
Daraus ergibt sich
P
(
X
≤
0
)
=
0.1192
P
(
1
≤
X
≤
4
)
=
0.6119
P
(
5
≤
X
)
=
0.0474
{\displaystyle {\begin{array}{ccccccccccc}P(X\leq 0)&=&0.1192\\P(1\leq X\leq 4)&=&0.6119\\P(5\leq X)&=&0.0474\end{array}}}
Hat
X
{\textstyle X}
die Dichte
f
:
R
→
R
,
f
(
t
)
=
{
1
10
,
falls
t
∈
[
−
5
,
−
3
]
3
10
,
falls
t
∈
[
−
1
,
0
]
2
10
,
falls
t
∈
]
0
,
2
]
1
10
,
falls
t
∈
[
4
,
5
]
0
,
sonst
,
{\displaystyle f:\mathbb {R} \to \mathbb {R} ,\ f(t)=\left\{{\begin{array}{ccl}{\frac {1}{10}}&,&{\text{falls}}\ t\in [-5,-3]\\{\frac {3}{10}}&,&{\text{falls}}\ t\in [-1,0]\\{\frac {2}{10}}&,&{\text{falls}}\ t\in ]0,2]\\{\frac {1}{10}}&,&{\text{falls}}\ t\in [4,5]\\0&,&{\text{sonst}}\end{array}}\right.,}
so ist die Verteilungsfunktion von
X
{\textstyle X}
gegeben durch
F
(
x
)
=
{
0
,
falls
x
∈
]
−
∞
,
−
5
]
1
10
x
+
1
2
,
falls
x
∈
[
−
5
,
−
3
]
2
10
,
falls
x
∈
[
−
3
,
−
1
]
3
10
x
+
5
10
,
falls
x
∈
[
−
1
,
0
]
2
10
x
+
5
10
,
falls
x
∈
[
0
,
2
]
9
10
,
falls
x
∈
[
2
,
4
]
1
10
x
+
5
10
,
falls
x
∈
[
4
,
5
]
1
,
falls
x
∈
[
5
,
∞
[
.
{\displaystyle F(x)=\left\{{\begin{array}{rcl}0&,&{\text{falls}}\ x\in ]-\infty ,-5]\\{\frac {1}{10}}x+{\frac {1}{2}}&,&{\text{falls}}\ x\in [-5,-3]\\{\frac {2}{10}}&,&{\text{falls}}\ x\in [-3,-1]\\{\frac {3}{10}}x+{\frac {5}{10}}&,&{\text{falls}}\ x\in [-1,0]\\{\frac {2}{10}}x+{\frac {5}{10}}&,&{\text{falls}}\ x\in [0,2]\\{\frac {9}{10}}&,&{\text{falls}}\ x\in [2,4]\\{\frac {1}{10}}x+{\frac {5}{10}}&,&{\text{falls}}\ x\in [4,5]\\1&,&{\text{falls}}\ x\in [5,\infty [\end{array}}\right..}
P
(
−
4
≤
X
≤
−
0.5
)
=
0.25
P
(
1
≤
X
≤
1.5
)
=
0.1
P
(
5
≤
X
≤
7
)
=
0
{\displaystyle {\begin{array}{ccccccccccc}P(-4\leq X\leq -0.5)&=&0.25\\P(1\leq X\leq 1.5)&=&0.1\\P(5\leq X\leq 7)&=&0\end{array}}}
Gegeben sei die Dichtefunktion
f
:
R
→
R
,
f
(
t
)
=
{
t
5
−
t
2
+
t
1
31838454
,
falls
t
∈
[
6
;
24
]
0
,
sonst
{\displaystyle f:\mathbb {R} \to \mathbb {R} ,f(t)=\left\{{\begin{array}{ccl}{\frac {t^{5}-t^{2}+t^{1}}{31838454}}&,&{\text{falls}}\ t\in [6;24]\\0&,&{\text{sonst}}\end{array}}\right.}
Bestimmen Sie die Verteilungsfunktion und die Wahrscheinlichkeiten für
P
(
X
≤
20
)
P
(
X
≥
50
)
P
(
5
≤
X
≤
25
)
P
(
X
=
17
)
{\displaystyle P(X\leq 20)\quad P(X\geq 50)\quad P(5\leq X\leq 25)\quad P(X=17)}
Erwartungswert und Standardabweichung einer stetigen ZV
Bearbeiten
Ist
Z
{\textstyle Z}
eine stetige ZV mit Dichtefunktion
f
{\textstyle f}
, so nennt man
μ
=
μ
Z
=
E
(
Z
)
=
∫
−
∞
∞
t
⋅
f
(
t
)
d
t
{\displaystyle \mu =\mu _{Z}=E(Z)=\int \limits _{-\infty }^{\infty }t\cdot f(t)dt\quad }
Erwartungswert von
Z
{\textstyle \mathbf {Z} }
,
V
=
V
(
Z
)
=
∫
−
∞
∞
(
t
−
E
(
Z
)
)
2
⋅
f
(
t
)
d
t
=
∫
−
∞
∞
t
2
⋅
f
(
t
)
d
t
−
E
(
Z
)
2
{\displaystyle V=V(Z)=\int \limits _{-\infty }^{\infty }(t-E(Z))^{2}\cdot f(t)dt\ =\int \limits _{-\infty }^{\infty }t^{2}\cdot f(t)dt-E(Z)^{2}\quad }
Varianz von
Z
{\textstyle \mathbf {Z} }
und
σ
=
σ
Z
=
V
(
Z
)
{\textstyle \sigma =\sigma _{Z}={\sqrt {V(Z)}}}
Standardabweichung von
Z
{\textstyle \mathbf {Z} }
.
(Theoretisch ist es möglich, dass diese Integrale den Wert
±
∞
{\textstyle \pm \infty }
annehmen oder sogar nicht existieren. Für die in der Praxis relevanten Dichtefunktionen kommt dies jedoch nicht vor.)
Hat
X
{\textstyle X}
die Dichte
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
{
20
t
3
−
t
4
160000
,
falls
t
∈
[
0
,
20
]
0
,
sonst
,
{\displaystyle f:\mathbb {R} \to [0,\infty [,\ f(t)=\left\{{\begin{array}{ccl}{\frac {20t^{3}-t^{4}}{160000}}&,&{\text{falls}}\ t\in [0,20]\\0&,&{\text{sonst}}\end{array}}\right.,}
so berechnet man:
E
(
X
)
=
13.333
und
V
(
X
)
=
12.698
⇒
σ
X
=
3.563
{\displaystyle E(X)=13.333\quad {\text{und}}\quad V(X)=12.698\ \Rightarrow \ \sigma _{X}=3.563}
Hat
X
{\textstyle X}
die Dichte
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
e
−
t
+
2
(
1
+
e
−
t
+
2
)
2
,
{\displaystyle f:\mathbb {R} \to [0,\infty [,\ f(t)={\frac {e^{-t+2}}{\left(1+e^{-t+2}\right)^{2}}},}
so berechnet man:
E
(
X
)
=
2
und
V
(
X
)
=
π
2
3
=
3.288
⇒
σ
X
=
1.814
{\displaystyle E(X)=2\quad {\text{und}}\quad V(X)={\frac {\pi ^{2}}{3}}=3.288\ \Rightarrow \ \sigma _{X}=1.814}
Hat
X
{\textstyle X}
die Dichte
f
:
R
→
R
,
f
(
t
)
=
{
1
10
,
falls
t
∈
[
−
5
,
−
3
]
3
10
,
falls
t
∈
[
−
1
,
0
]
2
10
,
falls
t
∈
]
0
,
2
]
1
10
,
falls
t
∈
[
4
,
5
]
0
,
sonst
,
{\displaystyle f:\mathbb {R} \to \mathbb {R} ,\ f(t)=\left\{{\begin{array}{ccl}{\frac {1}{10}}&,&{\text{falls}}\ t\in [-5,-3]\\{\frac {3}{10}}&,&{\text{falls}}\ t\in [-1,0]\\{\frac {2}{10}}&,&{\text{falls}}\ t\in ]0,2]\\{\frac {1}{10}}&,&{\text{falls}}\ t\in [4,5]\\0&,&{\text{sonst}}\end{array}}\right.,}
so berechnet man:
E
(
X
)
=
−
0.1
und
V
(
X
)
=
5.9233
⇒
σ
X
=
2.434
{\displaystyle E(X)=-0.1\quad {\text{und}}\quad V(X)=5.9233\ \Rightarrow \ \sigma _{X}=2.434}
Begründen Sie, dass die Funktion
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
{
3
⋅
−
t
2
+
8
t
−
12
32
,
falls
t
∈
[
2
,
6
]
0
,
sonst
{\displaystyle \quad f:\mathbb {R} \to [0,\infty [,\ f(t)=\left\{{\begin{array}{ccl}3\cdot {\frac {-t^{2}+8t-12}{32}}&,&{\text{falls}}\ t\in [2,6]\\0&,&{\text{sonst}}\end{array}}\right.}
eine Dichtefunktion ist. Bestimmen Sie für eine ZV
Z
{\displaystyle Z}
mit dieser Dichtefunktion die Verteilungsfunktion
F
{\textstyle F}
und die Wahrscheinlichkeiten
P
(
Z
≤
3
)
,
P
(
3
<
Z
<
4
)
,
P
(
Z
≤
7
)
.
{\displaystyle P(Z\leq 3),\quad P(3<Z<4),\quad P(Z\leq 7).}
Berechnen Sie auch den Erwartungswert und die Standardabweichung von
Z
{\textstyle Z}
.
Begründen Sie, dass die Funktion
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
4
e
−
4
t
(
1
+
e
−
4
t
)
2
{\displaystyle \quad f:\mathbb {R} \to [0,\infty [,\ f(t)={\frac {4e^{-4t}}{\left(1+e^{-4t}\right)^{2}}}}
eine Dichtefunktion ist. Bestimmen Sie für eine ZV
Z
{\textstyle Z}
mit dieser Dichtefunktion die Verteilungsfunktion
F
{\textstyle F}
und die Wahrscheinlichkeiten
P
(
Z
≤
0
)
,
P
(
Z
≥
0
)
,
P
(
−
2
≤
Z
≤
2
)
{\displaystyle P(Z\leq 0),\quad P(Z\geq 0),\quad P(-2\leq Z\leq 2)}
Für eine stetige ZV mit W-Dichte
f
{\textstyle f}
gilt stets:
V
(
X
)
=
∫
−
∞
∞
t
2
⋅
f
(
t
)
d
t
−
E
(
X
)
2
{\displaystyle \quad V(X)=\int \limits _{-\infty }^{\infty }t^{2}\cdot f(t)dt\ -\ E(X)^{2}}
Für eine ZV mit der Dichte
f
:
R
→
R
,
f
(
t
)
=
{
20
t
3
−
t
4
160000
,
falls
t
∈
[
0
,
20
]
0
,
sonst
{\displaystyle \quad f:\mathbb {R} \to \mathbb {R} ,\ f(t)=\left\{{\begin{array}{ccl}{\frac {20t^{3}-t^{4}}{160000}}&,&{\text{falls}}\ t\in [0,20]\\0&,&{\text{sonst}}\end{array}}\right.}
kann man die Varianz auch wie folgt berechnen:
V
(
X
)
=
12.698
{\displaystyle V(X)=12.698}
Bestimmen Sie den Erwartungswert sowie die Varianz für die Dichtefunktion
f
:
R
→
R
,
f
(
t
)
=
{
t
5
−
t
2
+
t
1
31838454
,
falls
t
∈
[
6
;
24
]
0
,
sonst
{\displaystyle f:\mathbb {R} \to \mathbb {R} ,f(t)=\left\{{\begin{array}{ccl}{\frac {t^{5}-t^{2}+t^{1}}{31838454}}&,&{\text{falls}}\ t\in [6;24]\\0&,&{\text{sonst}}\end{array}}\right.}
Rechenregeln für EW und Varianz für stetige ZV
Bearbeiten
Dieselben Rechenregeln, die für EW und Varianz von diskreten ZV gelten, gelten auch für stetige ZV, also:
Sind
X
,
Y
{\textstyle X,Y}
stetige ZV und sind
u
,
v
∈
R
{\textstyle u,v\in \mathbb {R} }
, so gilt:
stets
stets
stets
E
(
u
⋅
X
+
v
)
=
u
⋅
E
(
X
)
+
v
V
(
u
⋅
X
+
v
)
=
u
2
⋅
V
(
X
)
σ
u
⋅
X
+
v
=
|
u
|
⋅
σ
X
stets
falls
X
,
Y
unabhängig
falls
X
,
Y
unabhängig
E
(
X
+
Y
)
=
E
(
X
)
+
E
(
Y
)
V
(
X
+
Y
)
=
V
(
X
)
+
V
(
Y
)
σ
X
+
Y
=
σ
X
2
+
σ
Y
2
stets
falls
X
,
Y
unabhängig
falls
X
,
Y
unabhängig
E
(
X
−
Y
)
=
E
(
X
)
−
E
(
Y
)
V
(
X
−
Y
)
=
V
(
X
)
+
V
(
Y
)
σ
X
−
Y
=
σ
X
2
+
σ
Y
2
falls
X
,
Y
unabhängig
E
(
X
⋅
Y
)
=
E
(
X
)
⋅
E
(
Y
)
{\displaystyle {\begin{array}{|l|l|l|}\hline {\text{stets}}&{\text{stets}}&{\text{stets}}\\E(u\cdot X+v)=u\cdot E(X)+v&V(u\cdot X+v)=u^{2}\cdot V(X)&\sigma _{u\cdot X+v}=|u|\cdot \sigma _{X}\\\hline {\text{stets}}&{\text{falls }}X,Y{\text{unabhängig}}&{\text{falls }}X,Y{\text{unabhängig}}\\E(X+Y)=E(X)+E(Y)&V(X+Y)=V(X)+V(Y)&\sigma _{X+Y}={\sqrt {{\sigma _{X}}^{2}+{\sigma _{Y}}^{2}}}\\\hline {\text{stets}}&{\text{falls }}X,Y{\text{unabhängig}}&{\text{falls }}X,Y{\text{unabhängig}}\\E(X-Y)=E(X)-E(Y)&V(X-Y)=V(X)+V(Y)&\sigma _{X-Y}={\sqrt {{\sigma _{X}}^{2}+{\sigma _{Y}}^{2}}}\\\hline {\text{falls}}X,Y{\text{unabhängig}}&&\\E(X\cdot Y)=E(X)\cdot E(Y)&&\\\hline \end{array}}}
Sind
X
1
,
…
,
X
n
{\textstyle X_{1},\ldots ,X_{n}}
stetige ZV, so gilt:
stets
falls
X
1
,
…
,
X
n
unabhängig
E
(
∑
j
=
1
n
X
j
)
=
∑
j
=
1
n
E
(
X
j
)
V
(
∑
j
=
1
n
X
j
)
=
∑
j
=
1
n
V
(
X
j
)
σ
X
1
+
…
+
X
n
=
σ
X
1
2
+
…
+
σ
X
n
2
{\displaystyle {\begin{array}{|l|rcl|}\hline {\text{stets}}&{\text{falls }}X_{1},\ldots ,X_{n}{\text{unabhängig}}&&\\E(\sum _{j=1}^{n}X_{j})=\sum _{j=1}^{n}E(X_{j})&V(\sum _{j=1}^{n}X_{j})&=&\sum _{j=1}^{n}V(X_{j})\\&\sigma _{X_{1}+\ldots +X_{n}}&=&{\sqrt {{\sigma _{X_{1}}}^{2}+\ldots +{\sigma _{X_{n}}}^{2}}}\\\hline \end{array}}}
Modellierung von ZV mittels Dichtefunktion I
Bearbeiten
Stetige ZV dienen (ebenso wie diskrete ZV) zur Beschreibung von Wahrscheinlichkeiten bei einem ZE. (Diese Wahrscheinlichkeiten beziehen sich auf zukünftige Durchführungen des ZE.)
Verwendet man bei einem ZE zur Berechnung von Wahrscheinlichkeiten eine ganz bestimmte W-Dichte, so handelt es sich dabei lediglich um ein Modell für die vorliegende (vom Zufall beeinflusste) Situation. Man kann dann aber innerhalb des Modells (also mit gegebener Dichtefunktion) weiterarbeiten und z.B. bestimmte Wahrscheinlichkeiten oder Erwartungswert und Varianz berechnen.
Modellierung von ZV mittels Dichtefunktion II
Bearbeiten
Die wahre Dichtefunktion einer ZV ist im Allgemeinen nicht bekannt.
Ein zentrales Ziel in der schließenden Statistik ist es, Methoden zu entwickeln, mit denen man anhand von vorliegenden Daten (d.h. einer Stichprobe für die ZV) das vorliegende Modell (also eine für dieses ZE geeignete W-Dichte) entwickeln, ergänzen (z.B durch Parameterschätzungen) oder überprüfen (z.B. mit einem Hypothesentest) kann.
Ein Linienbus fährt alle
20
{\textstyle 20}
Minuten. Ein Student, der seine Uhr verloren hat, kommt zur Bushaltestelle. Die ZV
Z
{\textstyle Z}
, die seine Wartezeit (in Minuten) beschreibt, kann mit der folgenden Dichtefunktion gut modelliert werden:
f
:
R
→
[
0
,
∞
[
,
f
(
t
)
=
{
0.05
,
falls
t
∈
[
0
,
20
]
0
,
sonst
{\displaystyle f:\mathbb {R} \to [0,\infty [,\ f(t)=\left\{{\begin{array}{ccl}0.05&,&{\text{falls}}\ t\in [0,20]\\0&,&{\text{sonst}}\end{array}}\right.}
Demnach ergibt sich beispielsweise:
P
(
Z
≤
8
)
=
0.4
,
P
(
6
≤
Z
≤
7
)
=
0.05
,
{\displaystyle P(Z\leq 8)=0.4,\quad P(6\leq Z\leq 7)=0.05,\quad }
P
(
8
≤
Z
≤
14
)
=
0.3
,
P
(
25
≤
Z
)
=
0
{\displaystyle P(8\leq Z\leq 14)=0.3,\quad P(25\leq Z)=0}
Außerdem berechnet man:
E
(
Z
)
=
10
und
σ
Z
=
5.774
{\textstyle \;\;\;E(Z)=10\quad {\text{und}}\quad \sigma _{Z}=5.774}
Beispiele für Dichtefunktionen bei ZV I
Bearbeiten
Folgende ZV könnten mit einer geeigneten Dichtefunktion modelliert werden:
Die Größe einer zufällig ausgewählten erwachsenen Frau in Mitteleuropa.
Die Größe eines zufällig ausgewählten 10-jährigen Jungens in Mitteleuropa.
Das Gewicht eines Hühnereis auf einem Bauernhof.
Die Dauer eines Telefonats zwischen zwei bestimmten Personen
A
{\textstyle A}
und
B
{\textstyle B}
(die Dichtefunktion hängt stark von den beiden Personen ab).
Beispiele für Dichtefunktionen bei ZV II
Bearbeiten
Das Gewicht eines ausgewachsenen afrikanischen Elefanten.
Die Brenndauer einer Glühbirne.
Der Messfehler bei einer Zeitnahme beim 100-Meter Lauf.
Die Temperatur morgen früh um 8:00 Uhr in Landau.
Die Temperatur am Tag in vier Wochen um 8:00 Uhr in Landau.
usw.
Überlegen Sie sich zu obigen Beispielen, wie eine Dichtefunktion in etwa aussehen könnte. Erstellen Sie jeweils eine Skizze. (Eine Funktionsgleichung kann nicht ohne weiteres angegeben werden.)
Zusammenhang zwischen Histogrammen und der W-Dichte von
f
{\textstyle f}
:
Da sich die relativen Klassenhäufigkeiten zu
1
{\textstyle 1}
summieren, beträgt die Summe der Flächeninhalte aller Rechtecke eines Histogramms stets
1
{\textstyle 1}
. Ebenso ist auch die Fläche zwischen der
t
{\textstyle t}
-Achse und dem Graphen der W-Dichte von
X
{\textstyle X}
stets
1
{\textstyle 1}
.
Beobachtung: Bei einer sehr hohen Versuchszahl n und sehr kleinen Klassenbreiten nähert sich das Histogramm mit hoher Wahrscheinlichkeit der W-Dichte an.
Für praktische Anwendungen werden häufig bestimmte Typen stetiger ZV als Modell verwendet. Dazu gehören (unter anderem) gleich-, exponential- und normalverteilte ZV. Diese Verteilungsarten (und ihre Eigenschaften) sollen hier kurz vorgestellt werden. Außerdem soll die besondere Bedeutung der Normalverteilung (im Zusammenhang mit dem Zentralen Grenzverteilungssatz) erklärt werden.