Während Du bei einer diskreten Zufallsvariable nur endlich viele mögliche Beobachtungswerte gegeben hast, zu denen jeweils eine positive Wahrscheinlichkeit gehört, gibt es im stetigen Fall unendlich viele theoretisch mögliche Realisationen. Show Die Wahrscheinlichkeit, mit der ein bestimmter Wert eintritt, als Anzahl der günstigen durch Anzahl der (im stetigen Fall vielen) möglichen Werte, ist dementsprechend für alle Werte gleich null. Daher gibt es bei stetigen Zufallsvariablen keine Wahrscheinlichkeitsfunktion.An ihre Stelle tritt in diesem Fall die Dichtefunktion als ein Maß dafür, wie dicht die Realisationen der Zufallsvariablen X um den Wert x liegen. Je mehr Realisationen sich an einer Stelle scharen, umso höher ist die Dichte dort und umso größer ist die Wahrscheinlichkeit, dass eine Realisation „in der Nähe“ von x beobachtet wird. Eigenschafaten der Dichtefunktion
Folglich kannst Du die Wahrscheinlichkeit für das Auftreten einer Realisation der Zufallsvariablen im Intervall [a;b] als Differenz der Werte der Verteilungsfunktion an den Stellen b und a berechnen:
Die Grafik zeigt blau eingezeichnet eine Dichtefunktion; die orangene Fläche ist das Integral über die Dichtefunktion von bis a und ergibt den Wert der Verteilungsfunktion an der Stelle a. Das ist die Wahrscheinlichkeit, mit der höchstens ein Wert von a auftritt; die gelbe und grüne Fläche gemeinsam stellen den Wert der Verteilungsfunktion an der Stelle b dar. Ihre Differenz, die grüne Fläche, gibt Dir die Wahrscheinlichkeit an, mit der Du eine Realisation der Zufallsvariablen zwischen a und b beobachten kannst.Normalverteilung \(N\left( {\mu ;{\sigma ^2}} \right)\)Die Normalverteilung, auch gaußsche Glockenverteilung genannt, ist zusammen mit ihrem Spezialfall (μ=0, σ2=1) der Standardnormalverteilung die wichtigste Verteilungsfunktion. Sie bietet sich immer dann an, wenn Werte innerhalb eines begrenzten Intervalls liegen und es kaum Ausreißer gibt. Bei großen Stichproben einer Binomialverteilung kann diese durch eine Normalverteilung approximiert werden. 2 Parameter:
Funktion fFunktion f: Normal(0, 1, x, false) Funktion gFunktion g: g(x) = Integral(f) + 0.5 f(t) ... Dichtefunktion der NormalverteilungText1 = “f(t) ... Dichtefunktion der Normalverteilung” F(x) .. Verteilungsfunktion der NormalverteilungText2 = “F(x) .. Verteilungsfunktion der Normalverteilung” Wahrscheinlichkeit der NormalverteilungDie Zufallsvariable X ist normalverteilt mit dem Erwartungswert \(\mu\) und der Varianz \(\sigma ^2\). \(P\left( {X \leqslant {x_1}} \right) = \int\limits_{ - \infty }^{{x_1}} {f\left( x \right)} \,\,dx = \int\limits_{ - \infty }^{{x_1}} {\dfrac{1}{{\sigma \cdot \sqrt {2 \cdot \pi } }}} \cdot {e^{ - \,\,\dfrac{1}{2} \cdot {{\left( {\dfrac{{x - \mu }}{\sigma }} \right)}^2}}}\,\,dx\)
Sigma-UmgebungenDer Erwartungswert ist der Wert mit der größten Wahrscheinlichkeit. Links und rechts vom Erwartungswert gruppieren sich die restlichen normalverteilten Wahrscheinlichkeiten. Die Wendepunkte der Wahrscheinlichkeitsfunktion der Normalverteilung liegen eine Standardabweichung rechts vom Erwartungswert und eine Standardabweichung links vom Erwartungswert. Wahrscheinlichkeiten für 1, 2 und 3-fache \(\sigma\) -Umgebungen: \(\eqalign{ & P\left( {\mu - \sigma \leqslant X \leqslant \mu + \sigma } \right) \approx 0,683 \cr & P\left( {\mu - 2 \cdot \sigma \leqslant X \leqslant \mu + 2 \cdot \sigma } \right) \approx 0,954 \cr & P\left( {\mu - 3 \cdot \sigma \leqslant X \leqslant \mu + 3 \cdot \sigma } \right) \approx 0,997 \cr} \) Obige Gleichungen in Worten:
Erwartungswert und Standardabweichung einer NormalverteilungDie Normalverteilung ersetzt bei großen Stichproben, also bei relativ hohem n, die Binomialverteilung, wobei dann für die Normalverteilung - so wie bei der Binomalverteilung - wie folgt gilt:
Hat eine Zufallsvariable X eine Normalverteilung mit beliebigen μ und σ, so kann man die Werte der Normalverteilung mit \(z = \dfrac{{X - \mu }}{\sigma }\) in eine Standardnormalverteilung umrechnen. Für die tabellarische Ermittlung von z aus \(\gamma\) gibt es 2 Möglichkeiten
D(z) entspricht der Fläche unter der Gaußkurve, zwischen 2 vom Erwartungswert E bzw. μ um \( \pm z \cdot \sigma \) entfernt
liegende Grenzen. Für das zugehörige Konfidenzintervall gilt: Dichtefunktion f(t) einer Normalverteilung mit \(X \sim N\left( {\mu ,{\sigma ^2}} \right)\)\(f\left( t \right) = \dfrac{1}{{\sigma \cdot \sqrt {2\pi } }} \cdot {e^{ - \dfrac{1}{2} \cdot {{\left( {\dfrac{{t - \mu }}{\sigma }} \right)}^2}}}\)
Verteilungsfunktion F(x) einer Normalverteilung\(F\left( x \right) = \int\limits_{ - \infty }^x {f\left( t \right)\,\,dt} = \dfrac{1}{{\sigma \cdot \sqrt {2\pi } }} \cdot \int\limits_{ - \infty }^x {{e^{ - \dfrac{1}{2} \cdot {{\left( {\dfrac{{t - \mu }}{\sigma }} \right)}^2}}}} \,\,dt\)
Anmerkung:
Dichte- und Verteilungsfunktion der Normalverteilung
Kann die Dichtefunktion größer als 1 sein?Dichtefunktion Eigenschaften
Aber Vorsicht, die Dichtefunktion kann trotzdem Werte größer eins annehmen, falls die Ausprägungen zum Beispiel zwischen minus eins und eins liegen. Wichtig ist aber, dass die Fläche unter der Funktion, also das Integral immer 1 bleibt.
Wann ist es eine Dichtefunktion?Eine Dichtefunktion (auch Wahrscheinlichkeitsfunktion) beschreibt, mit welcher Wahrscheinlichkeit eine Zufallsvariable eine bestimmte Merkmalsausprägung annimmt. Dies gilt allerdings nur bei diskreten Merkmalen.
Für welchen Wert ist die Funktion eine Dichtefunktion?Eigenschaften der Dichtefunktion
Die Dichtefunktion ist eine sog. Wahrscheinlichkeitsdichte und kann genauso wie Wahrscheinlichkeiten nur positive Werte annehmen. Diese liegen immer zwischen 0 und 1 (das erste Axiom der Wahrscheinlichkeit).
Wann hat eine Verteilungsfunktion eine Dichte?Bei Verteilungen kann eine Dichtefunktion angegeben werden. Diese Dichtefunktion wird mit f ( x ) f(x) f(x) bezeichnet. Sie entspricht bei einer stetigen Verteilung der Wahrscheinlichkeitsfunktion bei diskreten Wahrscheinlichkeitsverteilungen. Allerdings kann die Dichtefunktion auch Funktionswerte größer als 1 haben.
|