Matura Wiki - Benutzerbeiträge [de]

Wahrscheinlichkeit: Normalverteilung und Stetige Zufallsvariablen

2014-11-24T06:20:18Z

188.22.19.183: /* Erwartungswert und Standardabweichung */

[[Datei:Dichtefkt.png|300px|miniatur|rechts]]
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.

{{Vorlage:Definition|1=Die Dichtefunktion $f$ ist eine Funktion mit den Eigenschaften:
* Die [[Funktionswerte]] von $f$ sind immer positiv:
$$f(x)\geq 0 $$ und
* 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.

{| class="wikitable"
|-
! 1. Beispiel einer Dichtefunktion !! 2. Beispiel einer Dichtefunktion
|-
| [[Datei:Dichtefkt 1.png|400px|miniatur|zentriert]] || [[Datei:Dichtefkt 2.png|400px|miniatur|zentriert]]
|-
| $$f(x)\geq 0$$ und $$\int_{-\infty}^{\infty} f(x)\cdot dx=\int_{0}^{4} \frac{1}{4}=1$$|| $$f(x)\geq $$ und $$\int_{-\infty}^{\infty} f(x)\cdot dx=\int_{0}^{2} \frac{1}{4}x\cdot dx + \int_{2}^{4} -\frac{1}{4}x\cdot dx=\frac{1}{2}+\frac{1}{2}=1$$
|}

=== Verteilungsfunktion ===

Mit Hilfe der Dichtefunktion definieren wir nun (ähnlich wie bei den [[Wahrscheinlichkeit:Binomialverteilung und diskrete Zufallsvariablen|diskreten Zufallsvariablen]]) die ...
[[Datei:Verfkt2.png|miniatur|400px|Die Fläche kann als Wahrscheinlichkeit interpretiert werden: $$P(X\leq 2.5)=\int_{-\infty}^{2.5} f(x)\cdot dx=0.72$$ ]]
{{Vorlage:Definition|1=Verteilungsfunktion F
$$F(x)=P(X\leq x)= \int_{-\infty}^{x} f(t)\cdot dt$$
Sie gibt die Wahrscheinlichkeit an, dass $X$ einen Wert $\leq x$ annimmt.
}}

'''Wichtig:''' Die Funktionswerte der Dichtefunktion $f(x)$ geben NICHT die Wahrscheinlichkeit $P(X=x)$ an. Bei stetigen Zufallsvariablen können wir nur die Wahrscheinlichkeit dafür angeben, dass $X$ Werte in einem bestimmten Intervall annimmt.

[[Datei:Verfkt2b.png|400px|miniatur|rechts|$$P(1\leq X\leq 2.5)=\int_{1}^{2.5} f(x)\cdot dx=0.65$$]]
{{Vorlage:Merke|1= 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:
$$P(a\leq X\leq a)= \int_{a}^{a} f(x)\cdot dx = F(a)-F(a)=0$$
* $P(X\leq a)=P(X<a)$ Begründung: $ P(X\leq a)=P(X<a)+P(X=a)$ und da $P(X=a)=0$ ist, folgt die Behauptung.
[[Datei:Verteilungsfkt gif.gif|400px|miniatur|rechts]]
* $P(a\leq X\leq b)=P(X\leq b)-P(X\leq a)$, wie aus der rechten Skizze leicht zu sehen ist.

<br>
<br>
<br>
<br>
<br>
<br>

=== Erwartungswert und Standardabweichung ===
{{Vorlage:Definition|1= Für stetige ZV sind '''Erwartungswert''' $\mu$ und '''Standardabweichung''' $\sigma$ wie folgt definiert:
$$E(x)=\mu=\int_{-\infty}^{+\infty} x\cdot f(x)\cdot dx$$
$$\sigma =\sqrt{\int_{-\infty}^{+\infty} (x-\mu)^2 f(x)\cdot dx}$$
}}

[[Datei:Bsp.png|left]]
<div class="toccolours mw-collapsible mw-collapsed" style="width:1000px" style="background-color:#CEE3F6">
<p style="color:#CAE1FF>

Berechnen Sie Erwartungswert und Standardabweichung der folgenden zwei Dichtefunktionen.
Erklären Sie die Gemeinsamkeiten bzw. Unterschiede bei $\mu$ und $\sigma$:

{| border="1" align="center"
! 1. Dichtefunktion !! 2. Dichtefunktion
|-
|[[Datei:Dichtefkt 1.png|400px|miniatur|zentriert]] || [[Datei:Dichtefkt 2.png|400px|miniatur|zentriert]]
|}
</p>
<div class="mw-collapsible-content" style="background-color:#E6F6CE" >
{| border="1"
! !! 1. Dichtefunktion !! 2. Dichtefunktion
|-
|$\mu$
|$$\mu=\int_{-\infty}^{\infty} x\cdot f(x)\cdot dx=\int_{0}^{4} \frac{1}{4}x=\frac{1}{4}\cdot \frac{x^2}{2}\vert _{0}^{4}=2$$
$$\mu = 2$$
|$$\mu=\int_{-\infty}^{\infty} f(x)\cdot dx=\int_{0}^{2} \underbrace{x \cdot \frac{1}{4}x}_{-\frac{1}{4}x^2}+\int_{2}^{4} \underbrace{x\cdot (-\frac{1}{4}x+1)}_{ -\frac{1}{4}x^2+x}=$$
$$=\frac{1}{4}\cdot\frac{x^3}{3}\vert_{0}^{2} +[-\frac{1}{4}\cdot\frac{x^3}{3}+\frac{x^2}{2}]_{2}^{4}=$$
$$=\frac{1}{4}\cdot\frac{2^3}{3}-0 +\left[-\frac{1}{4}\cdot\frac{4^3}{3}+\frac{4^2}{2}-(-\frac{1}{4}\cdot\frac{2^3}{3}+\frac{2^2}{2})\right]=$$
$$=\frac{2}{3}+\left[-\frac{16}{3}+8-(-\frac{2}{3}+2)\right]=2$$
|-
| $\sigma$
| $$\sigma=\sqrt{\int_{-\infty}^{\infty} (x-\mu )^2 \cdot f(x)\cdot dx}=$$
$$=\sqrt{\int_{0}^{4} \underbrace{(x-2)^2}_{x^2-4x+4}\cdot \frac{1}{4}\cdot dx }=$$
$$=\sqrt { \frac{1}{4} \left( \frac{x^3}{3} - \frac{4x^2}{2}+4x \right) \vert_{0}^{4} }=$$
$$=\sqrt{\frac{1}{4}\cdot (\frac{4^3}{3}-\frac{4^3}{2}+16)}=\frac{2}{\sqrt{3}}\approx 1.15$$
| $$\sigma=\sqrt{\int_{-\infty}^{\infty} (x-\mu )^2 \cdot f(x)\cdot dx}$$

$$=\sqrt{\int_{0}^{2}(x-2)^2\cdot \frac{1}{4}\cdot x + \int_{2}^{4}(x-2)^2\cdot (-\frac{1}{4}\cdot x+1)}=...$$
$$\sigma=\frac{\sqrt{6}}{3}\approx 0.82$$
|-
| Graph
| [[Datei:Dichtefkt 1 mit m und s.png|300px|miniatur|zentriert|1. Dichtefunktion. Eingezeichnet ist der Erwartungswert $\mu$ und die sogenannte $\sigma-$Umgebung.]]
| [[Datei:Dichtefkt2mMuS.png|300px|miniatur|zentriert|1. Dichtefunktion. Eingezeichnet ist der Erwartungswert $\mu$ und die sogenannte $\sigma-$Umgebung.]]
|}

Wichtig: Während beide Zufallsvariablen über denselben Erwartungswert verfügen ($\mu=2$), unterscheiden sie sich in ihrer Standardabweichung. Die Zufallsvariable mit der Dichtefunktion 1 weist eine höhere Streuung auf als jene Zufallsvariable mit Dichtefunktion 2.

</div>

</div>

Eine der wichtigsten stetigen Verteilungsfunktionen ist die

== Normalverteilung ==
=== Einleitung ===
[[Datei:Dichtefkt-mit Gleichung.png|400px|miniatur|rechts|Dichtefunktion einer $N(\mu ;\sigma )-$verteilten Zufallsvariable. ]]
{{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:
$$ f(x)=\frac{1}{\sqrt{2\pi}\cdot \sigma}\cdot e^{\frac{1}{2}\cdot (\frac{x-\mu}{\sigma})^2}$$}}

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

[[Datei:Dichtefkt-mit m und s.png|400px|miniatur|rechts]]
'''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 [[Asymptote|asymptotisch]] der x-Achse an und es gilt
$$\lim_{x\rightarrow \pm \infty} f(x) =0$$
* Die Dichtefunktion 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.

{{Vorlage:Merke|1=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:

$$P(X\leq \mu)=F(\mu)=0.5$$
[[Datei:Normal1.png|400px|miniatur|zentriert|$P(X\leq \mu)=0.5$]]

$$P(X\leq b)=F(b)$$
[[Datei:Normal2.png|400px|miniatur|zentriert|$P(X\leq b)=F(b)$]]

$$ P(X \geq b)=1-P(X \leq b)=1-F(b)$$
[[Datei:Normal3.png|400px|miniatur|zentriert|$P(X\geq b)=1-P(X\leq b)=1-F(b)$]]

$$ P(a\leq X\leq b)=F(b)-F(a)$$
[[Datei:Normal4.png|400px|miniatur|zentriert|$P(a\leq X\geq b)=P(X\leq b)-P(X\leq a)=F(b)-F(a)$]]

=== $\sigma$-Umgebungen ===

$$P(\mu -z\cdot \sigma\leq X \leq \mu +z\cdot \sigma)=\Phi (z)-\Phi(-z)=\Phi (z)-(1-\Phi (z))=2\cdot \Phi (z) - 1$$
Bild

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

Bild

{{Vorlage:Merke|1=
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.

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> a) '''Wahrscheinlichkeit rechts von $\mu$ berechnen:''' Wie viele Gläser enthalten mehr als 280 g Senf? </span>

<div class="mw-collapsible-content">

Die Variable $X$ ist $N(265;10)-$verteilt und gibt die Füllmenge in Gramm (g) an.
{| border="1" align="center"
! GeoGebra / Graph !! Ti-8X !! Per Hand / Tabelle
|-
| Gesucht ist $P(X> 280)$
[[Datei:Bsp-a.png|220px|center|miniatur]]
| $$P(X>280)=1-P(X\leq 280)=$$
$$=1-normcdf(-\infty,280,265,10)=$$
$$=0.6681$$
| $$P(X>280)=1-P(X\leq 280)=$$
$$=\underbrace{P(X\leq 265 + 1.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}=$$
$$=1-\Phi (1.5)=$$
$$=1-0,93319=0.06681$$
|}
Die Wahrscheinlichkeit $P(X> 280)$ beträgt 6.681%

</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> b) '''Wahrscheinlichkeit links von $\mu$ berechnen:''' Berechnen Sie die Wahrscheinlichkeit, dass ein Glas weniger als 250 g enthält? </span>

<div class="mw-collapsible-content">
{| border="1" align="center"
! GeoGebra / Graph !! Ti-8X !! Per Hand / Tabelle
|-
| Gesucht ist $P(X< 250)$
[[Datei:Bsp-b.png|220px|center|miniatur]]
| $$P(X<250)=$$
$$=normcdf(-\infty,250,265,10)=$$
$$=0.6681$$
| $$P(X<250)=P(X<265-15)$$
$$=\underbrace{P(X\leq 265 - 1.5\cdot 10)}_{P(X\leq \mu - z\cdot \sigma)}=$$
$$=\Phi (-1.5)=1-\Phi (1.5)$$
$$=1-0,93319=0.06681 $$
|}
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.

</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> c) '''Wahrscheinlichkeit in einem bestimmten Bereich:''' Wie groß ist die Wahrscheinlichkeit, dass ein Glas zwischen 250 g und 270 g enthält? </span>

<div class="mw-collapsible-content">

{| border="1" align="center"
! GeoGebra / Graph !! Ti-8X !! Per Hand / Tabelle
|-
| Gesucht ist $P(250\leq X\leq 270)$
[[Datei:Bsp-c.png|220px|center|miniatur]]
| $$P(250\leq X\leq 270)=P(X\leq 270)-P(X\leq 250)$$
$$=normcdf(-\infty,270,265,10)-normcdf(-\infty,250,265,10)=$$
$$=0.6247$$
| $$P(250\leq X\leq 270)=P(X\leq 270)-P(X\leq 250)$$
$$=\underbrace{P(X\leq 265 + 0.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}-\underbrace{P(X\leq 265 - 1.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}=$$
$$=\Phi (0.5)-\Phi(-1.5)=$$
$$=\Phi (0.5)-(1-\Phi(1.5))$$
$$ 0.69146 -0.06681=0.6247$$
|}
</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> d)'''Ermitteln eine symmetrischen Intarvalls um $\mu$:''' In welchem symmetrischen Bereich um den Mittelwert liegen 80% der Gläser? </span>

<div class="mw-collapsible-content">

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

[[Datei:Bsp-d2.png|350px|miniatur|rechts]]
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:

{| border="1" align="center"
! 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:
$$[\mu -k ; \mu + k]=[252.18;277.82]$$
[[Datei:Bsp-d.png|220px|center|miniatur]]
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:
$$[\mu -k ; \mu + k]=[252.18;277.82]$$
|}
</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> e) '''Ermitteln von $\mu$ bei bekannter Wahrscheinlichkeit:''' Welchen Mittelwert μ könnte die Senffirma einstellen, wenn sie 10% untergewichtigen Ausschuss toleriert? </span>

<div class="mw-collapsible-content">
$\mu=$? und $\sigma=10$. Gesucht ist, für welches $mu$ gilt $P(X\leq 250)=0.10$.
{| border="1" align="center"
! GeoGebra !! Ti-8X !! Per Hand / Tabelle
|-
| Dies berechnet man am besten mithilfe des CAS:
$$Normal[μ, 10, 250]=0.1\rightarrow \mu=262.82$$

| Dies berechnet man am besten mithilfe des Solve-Befehls:
$$normalcdf(-\infty,250,x, 10)=0.1$$
$$\rightarrow 0=normalcdf(-\infty,250,x, 10)-0.1$$
$$\rightarrow \mu=262.82$$
| $$P(X\leq 250)=0.10$$
$$P(X\leq \underbrace{\mu+z\cdot 10}_{=250} )=0.10$$
$$\Phi (z)=0.1\rightarrow z\approx -1.28$$
$$ 250=\mu+(-1.29)\cdot 10 \rightarrow \mu=262.8$$
|}
</div>

</div>

Wahrscheinlichkeit: Normalverteilung und Stetige Zufallsvariablen

2014-11-24T06:19:33Z

188.22.19.183: /* Verteilungsfunktion */

[[Datei:Dichtefkt.png|300px|miniatur|rechts]]
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.

{{Vorlage:Definition|1=Die Dichtefunktion $f$ ist eine Funktion mit den Eigenschaften:
* Die [[Funktionswerte]] von $f$ sind immer positiv:
$$f(x)\geq 0 $$ und
* 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.

{| class="wikitable"
|-
! 1. Beispiel einer Dichtefunktion !! 2. Beispiel einer Dichtefunktion
|-
| [[Datei:Dichtefkt 1.png|400px|miniatur|zentriert]] || [[Datei:Dichtefkt 2.png|400px|miniatur|zentriert]]
|-
| $$f(x)\geq 0$$ und $$\int_{-\infty}^{\infty} f(x)\cdot dx=\int_{0}^{4} \frac{1}{4}=1$$|| $$f(x)\geq $$ und $$\int_{-\infty}^{\infty} f(x)\cdot dx=\int_{0}^{2} \frac{1}{4}x\cdot dx + \int_{2}^{4} -\frac{1}{4}x\cdot dx=\frac{1}{2}+\frac{1}{2}=1$$
|}

=== Verteilungsfunktion ===

Mit Hilfe der Dichtefunktion definieren wir nun (ähnlich wie bei den [[Wahrscheinlichkeit:Binomialverteilung und diskrete Zufallsvariablen|diskreten Zufallsvariablen]]) die ...
[[Datei:Verfkt2.png|miniatur|400px|Die Fläche kann als Wahrscheinlichkeit interpretiert werden: $$P(X\leq 2.5)=\int_{-\infty}^{2.5} f(x)\cdot dx=0.72$$ ]]
{{Vorlage:Definition|1=Verteilungsfunktion F
$$F(x)=P(X\leq x)= \int_{-\infty}^{x} f(t)\cdot dt$$
Sie gibt die Wahrscheinlichkeit an, dass $X$ einen Wert $\leq x$ annimmt.
}}

'''Wichtig:''' Die Funktionswerte der Dichtefunktion $f(x)$ geben NICHT die Wahrscheinlichkeit $P(X=x)$ an. Bei stetigen Zufallsvariablen können wir nur die Wahrscheinlichkeit dafür angeben, dass $X$ Werte in einem bestimmten Intervall annimmt.

[[Datei:Verfkt2b.png|400px|miniatur|rechts|$$P(1\leq X\leq 2.5)=\int_{1}^{2.5} f(x)\cdot dx=0.65$$]]
{{Vorlage:Merke|1= 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:
$$P(a\leq X\leq a)= \int_{a}^{a} f(x)\cdot dx = F(a)-F(a)=0$$
* $P(X\leq a)=P(X<a)$ Begründung: $ P(X\leq a)=P(X<a)+P(X=a)$ und da $P(X=a)=0$ ist, folgt die Behauptung.
[[Datei:Verteilungsfkt gif.gif|400px|miniatur|rechts]]
* $P(a\leq X\leq b)=P(X\leq b)-P(X\leq a)$, wie aus der rechten Skizze leicht zu sehen ist.

=== Erwartungswert und Standardabweichung ===
{{Vorlage:Definition|1= Für stetige ZV sind '''Erwartungswert''' $\mu$ und '''Standardabweichung''' $\sigma$ wie folgt definiert:
$$E(x)=\mu=\int_{-\infty}^{+\infty} x\cdot f(x)\cdot dx$$
$$\sigma =\sqrt{\int_{-\infty}^{+\infty} (x-\mu)^2 f(x)\cdot dx}$$
}}

[[Datei:Bsp.png|left]]
<div class="toccolours mw-collapsible mw-collapsed" style="width:1000px" style="background-color:#CEE3F6">
<p style="color:#CAE1FF>

Berechnen Sie Erwartungswert und Standardabweichung der folgenden zwei Dichtefunktionen.
Erklären Sie die Gemeinsamkeiten bzw. Unterschiede bei $\mu$ und $\sigma$:

{| border="1" align="center"
! 1. Dichtefunktion !! 2. Dichtefunktion
|-
|[[Datei:Dichtefkt 1.png|400px|miniatur|zentriert]] || [[Datei:Dichtefkt 2.png|400px|miniatur|zentriert]]
|}
</p>
<div class="mw-collapsible-content" style="background-color:#E6F6CE" >
{| border="1"
! !! 1. Dichtefunktion !! 2. Dichtefunktion
|-
|$\mu$
|$$\mu=\int_{-\infty}^{\infty} x\cdot f(x)\cdot dx=\int_{0}^{4} \frac{1}{4}x=\frac{1}{4}\cdot \frac{x^2}{2}\vert _{0}^{4}=2$$
$$\mu = 2$$
|$$\mu=\int_{-\infty}^{\infty} f(x)\cdot dx=\int_{0}^{2} \underbrace{x \cdot \frac{1}{4}x}_{-\frac{1}{4}x^2}+\int_{2}^{4} \underbrace{x\cdot (-\frac{1}{4}x+1)}_{ -\frac{1}{4}x^2+x}=$$
$$=\frac{1}{4}\cdot\frac{x^3}{3}\vert_{0}^{2} +[-\frac{1}{4}\cdot\frac{x^3}{3}+\frac{x^2}{2}]_{2}^{4}=$$
$$=\frac{1}{4}\cdot\frac{2^3}{3}-0 +\left[-\frac{1}{4}\cdot\frac{4^3}{3}+\frac{4^2}{2}-(-\frac{1}{4}\cdot\frac{2^3}{3}+\frac{2^2}{2})\right]=$$
$$=\frac{2}{3}+\left[-\frac{16}{3}+8-(-\frac{2}{3}+2)\right]=2$$
|-
| $\sigma$
| $$\sigma=\sqrt{\int_{-\infty}^{\infty} (x-\mu )^2 \cdot f(x)\cdot dx}=$$
$$=\sqrt{\int_{0}^{4} \underbrace{(x-2)^2}_{x^2-4x+4}\cdot \frac{1}{4}\cdot dx }=$$
$$=\sqrt { \frac{1}{4} \left( \frac{x^3}{3} - \frac{4x^2}{2}+4x \right) \vert_{0}^{4} }=$$
$$=\sqrt{\frac{1}{4}\cdot (\frac{4^3}{3}-\frac{4^3}{2}+16)}=\frac{2}{\sqrt{3}}\approx 1.15$$
| $$\sigma=\sqrt{\int_{-\infty}^{\infty} (x-\mu )^2 \cdot f(x)\cdot dx}$$

$$=\sqrt{\int_{0}^{2}(x-2)^2\cdot \frac{1}{4}\cdot x + \int_{2}^{4}(x-2)^2\cdot (-\frac{1}{4}\cdot x+1)}=...$$
$$\sigma=\frac{\sqrt{6}}{3}\approx 0.82$$
|-
| Graph
| [[Datei:Dichtefkt 1 mit m und s.png|300px|miniatur|zentriert|1. Dichtefunktion. Eingezeichnet ist der Erwartungswert $\mu$ und die sogenannte $\sigma-$Umgebung.]]
| [[Datei:Dichtefkt2mMuS.png|300px|miniatur|zentriert|1. Dichtefunktion. Eingezeichnet ist der Erwartungswert $\mu$ und die sogenannte $\sigma-$Umgebung.]]
|}

Wichtig: Während beide Zufallsvariablen über denselben Erwartungswert verfügen ($\mu=2$), unterscheiden sie sich in ihrer Standardabweichung. Die Zufallsvariable mit der Dichtefunktion 1 weist eine höhere Streuung auf als jene Zufallsvariable mit Dichtefunktion 2.

</div>

</div>

Eine der wichtigsten stetigen Verteilungsfunktionen ist die

== Normalverteilung ==
=== Einleitung ===
[[Datei:Dichtefkt-mit Gleichung.png|400px|miniatur|rechts|Dichtefunktion einer $N(\mu ;\sigma )-$verteilten Zufallsvariable. ]]
{{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:
$$ f(x)=\frac{1}{\sqrt{2\pi}\cdot \sigma}\cdot e^{\frac{1}{2}\cdot (\frac{x-\mu}{\sigma})^2}$$}}

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

[[Datei:Dichtefkt-mit m und s.png|400px|miniatur|rechts]]
'''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 [[Asymptote|asymptotisch]] der x-Achse an und es gilt
$$\lim_{x\rightarrow \pm \infty} f(x) =0$$
* Die Dichtefunktion 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.

{{Vorlage:Merke|1=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:

$$P(X\leq \mu)=F(\mu)=0.5$$
[[Datei:Normal1.png|400px|miniatur|zentriert|$P(X\leq \mu)=0.5$]]

$$P(X\leq b)=F(b)$$
[[Datei:Normal2.png|400px|miniatur|zentriert|$P(X\leq b)=F(b)$]]

$$ P(X \geq b)=1-P(X \leq b)=1-F(b)$$
[[Datei:Normal3.png|400px|miniatur|zentriert|$P(X\geq b)=1-P(X\leq b)=1-F(b)$]]

$$ P(a\leq X\leq b)=F(b)-F(a)$$
[[Datei:Normal4.png|400px|miniatur|zentriert|$P(a\leq X\geq b)=P(X\leq b)-P(X\leq a)=F(b)-F(a)$]]

=== $\sigma$-Umgebungen ===

$$P(\mu -z\cdot \sigma\leq X \leq \mu +z\cdot \sigma)=\Phi (z)-\Phi(-z)=\Phi (z)-(1-\Phi (z))=2\cdot \Phi (z) - 1$$
Bild

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

Bild

{{Vorlage:Merke|1=
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.

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> a) '''Wahrscheinlichkeit rechts von $\mu$ berechnen:''' Wie viele Gläser enthalten mehr als 280 g Senf? </span>

<div class="mw-collapsible-content">

Die Variable $X$ ist $N(265;10)-$verteilt und gibt die Füllmenge in Gramm (g) an.
{| border="1" align="center"
! GeoGebra / Graph !! Ti-8X !! Per Hand / Tabelle
|-
| Gesucht ist $P(X> 280)$
[[Datei:Bsp-a.png|220px|center|miniatur]]
| $$P(X>280)=1-P(X\leq 280)=$$
$$=1-normcdf(-\infty,280,265,10)=$$
$$=0.6681$$
| $$P(X>280)=1-P(X\leq 280)=$$
$$=\underbrace{P(X\leq 265 + 1.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}=$$
$$=1-\Phi (1.5)=$$
$$=1-0,93319=0.06681$$
|}
Die Wahrscheinlichkeit $P(X> 280)$ beträgt 6.681%

</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> b) '''Wahrscheinlichkeit links von $\mu$ berechnen:''' Berechnen Sie die Wahrscheinlichkeit, dass ein Glas weniger als 250 g enthält? </span>

<div class="mw-collapsible-content">
{| border="1" align="center"
! GeoGebra / Graph !! Ti-8X !! Per Hand / Tabelle
|-
| Gesucht ist $P(X< 250)$
[[Datei:Bsp-b.png|220px|center|miniatur]]
| $$P(X<250)=$$
$$=normcdf(-\infty,250,265,10)=$$
$$=0.6681$$
| $$P(X<250)=P(X<265-15)$$
$$=\underbrace{P(X\leq 265 - 1.5\cdot 10)}_{P(X\leq \mu - z\cdot \sigma)}=$$
$$=\Phi (-1.5)=1-\Phi (1.5)$$
$$=1-0,93319=0.06681 $$
|}
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.

</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> c) '''Wahrscheinlichkeit in einem bestimmten Bereich:''' Wie groß ist die Wahrscheinlichkeit, dass ein Glas zwischen 250 g und 270 g enthält? </span>

<div class="mw-collapsible-content">

{| border="1" align="center"
! GeoGebra / Graph !! Ti-8X !! Per Hand / Tabelle
|-
| Gesucht ist $P(250\leq X\leq 270)$
[[Datei:Bsp-c.png|220px|center|miniatur]]
| $$P(250\leq X\leq 270)=P(X\leq 270)-P(X\leq 250)$$
$$=normcdf(-\infty,270,265,10)-normcdf(-\infty,250,265,10)=$$
$$=0.6247$$
| $$P(250\leq X\leq 270)=P(X\leq 270)-P(X\leq 250)$$
$$=\underbrace{P(X\leq 265 + 0.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}-\underbrace{P(X\leq 265 - 1.5\cdot 10)}_{P(X\leq \mu + z\cdot \sigma)}=$$
$$=\Phi (0.5)-\Phi(-1.5)=$$
$$=\Phi (0.5)-(1-\Phi(1.5))$$
$$ 0.69146 -0.06681=0.6247$$
|}
</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> d)'''Ermitteln eine symmetrischen Intarvalls um $\mu$:''' In welchem symmetrischen Bereich um den Mittelwert liegen 80% der Gläser? </span>

<div class="mw-collapsible-content">

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

[[Datei:Bsp-d2.png|350px|miniatur|rechts]]
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:

{| border="1" align="center"
! 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:
$$[\mu -k ; \mu + k]=[252.18;277.82]$$
[[Datei:Bsp-d.png|220px|center|miniatur]]
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:
$$[\mu -k ; \mu + k]=[252.18;277.82]$$
|}
</div>

</div>

<div class="toccolours mw-collapsible mw-collapsed" style="width:800px">

<span style="color:#A020F0> e) '''Ermitteln von $\mu$ bei bekannter Wahrscheinlichkeit:''' Welchen Mittelwert μ könnte die Senffirma einstellen, wenn sie 10% untergewichtigen Ausschuss toleriert? </span>

<div class="mw-collapsible-content">
$\mu=$? und $\sigma=10$. Gesucht ist, für welches $mu$ gilt $P(X\leq 250)=0.10$.
{| border="1" align="center"
! GeoGebra !! Ti-8X !! Per Hand / Tabelle
|-
| Dies berechnet man am besten mithilfe des CAS:
$$Normal[μ, 10, 250]=0.1\rightarrow \mu=262.82$$

| Dies berechnet man am besten mithilfe des Solve-Befehls:
$$normalcdf(-\infty,250,x, 10)=0.1$$
$$\rightarrow 0=normalcdf(-\infty,250,x, 10)-0.1$$
$$\rightarrow \mu=262.82$$
| $$P(X\leq 250)=0.10$$
$$P(X\leq \underbrace{\mu+z\cdot 10}_{=250} )=0.10$$
$$\Phi (z)=0.1\rightarrow z\approx -1.28$$
$$ 250=\mu+(-1.29)\cdot 10 \rightarrow \mu=262.8$$
|}
</div>

</div>