1 / 57

STATISIK

STATISIK. LV Nr.: 0021 WS 2005/06 25. Oktober 2005. Theoretische Verteilungen. Diskrete Verteilungen Binomialverteilung Hypergeometrische Verteilung Poissonverteilung ... Stetige Verteilungen Gleichverteilung Exponentialverteilung Normalverteilung Chi-Quadrat Verteilung

upton
Download Presentation

STATISIK

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. STATISIK LV Nr.: 0021 WS 2005/06 25. Oktober 2005

  2. Theoretische Verteilungen • Diskrete Verteilungen • Binomialverteilung • Hypergeometrische Verteilung • Poissonverteilung • ... • Stetige Verteilungen • Gleichverteilung • Exponentialverteilung • Normalverteilung • Chi-Quadrat Verteilung • t-Verteilung (Studentverteilung) • F-Verteilung • ...

  3. Binomialverteilung • Wahrscheinlichkeiten für die Häufigkeit des Eintreffens bestimmter Ereignisse bei Bernoulli-Experimenten berechnen. • Bernoulli-Experiment: Folge von Bernoulli-Versuchen. Urnenmodell mit Zurücklegen • Es gibt nur 2 mögliche Ausgänge: A und Ā • Wahrscheinlichkeiten für Eintreten von A (θ) und Ā (1- θ) sind konstant • Versuche sind voneinander unabhängig.

  4. Binomialverteilung • Bsp. Bernoulli-Experiment: • fünfmaliges Werfen einer Münze, Zufallsvariable X „Anzahl der Zahlen“, Realisation x = 0, 1, 2, 3, 4, 5 • Wahrscheinlichkeiten für Eintreten von A: W(X=x) = f(x) = ?

  5. Binomialverteilung • Wahrscheinlichkeit des Auftretens einer bestimmten Realisation x: W(X=x) = f(x) • Wahrscheinlichkeitsfunktion der Binomialverteilung:

  6. Binomialverteilung • Bsp. Münzwurf (n=5), Wahrscheinlichkeit dass genau 2-mal Zahl geworfen wird: W(X=2)

  7. Binomialverteilung • Wahrscheinlichkeit, dass die Zufallsvariable X höchstens den Wert x annimmt: Verteilungsfunktion FB(x;n,θ)

  8. Binomialverteilung • Bsp. Münzwurf (n=5), Wahrscheinlichkeit dass höchstens 2-mal Zahl geworfen wird: W(X  2)

  9. Binomialverteilung • Erwartungswert der Binomialverteilung: E(X) = n·θ • Varianz der Binomialverteilung: Var(X) = n·θ·(1-θ) • Bsp. Münzwurf: • E(X) = 5·0,5 = 2,5 • Var(X) = 5·0,5·(1-0,5) = 1,25

  10. Hypergeometrische Verteilung • Urnenmodell Ziehen ohne Zurücklegen: • Urne mit N Kugeln (M schwarze, N-M weiße) • Zufallsstichprobe: ziehe n Kugeln ohne Zurücklegen • Wahrscheinlichkeit, dass unter den n gezogenen Kugeln genau x schwarze zu finden sind? • Ziehen ohne Zurücklegen, keine Berücksichtigung der Reihenfolge.

  11. Hypergeometrische Verteilung • Urnenmodell: • Aus M schwarzen Kugeln genau x auswählen: Anzahl der Kombinationen • Aus N-M weißen Kugeln genau n-x auswählen: Anzahl der Kombinationen • Jede mögl. Stpr. „x schwarze aus M“ kann mit jeder mögl. Stpr. „n-x weiße aus N-M“ kombiniert werden. • Daher: Gesamtzahl der Möglichkeiten genau x schwarze zu ziehen: • Gesamtzahl der Möglichkeiten aus N Kugeln n zu ziehen:

  12. Hypergeometrische Verteilung • Wahrscheinlichkeit genau x schwarz Kugeln zu ziehen: • Wahrscheinlichkeitsfunktion der Hypergeometrischen Verteilung:

  13. Hypergeometrische Verteilung • Verteilungsfunktion: Summation der Einzelwahrscheinlichkeiten • Liefert Wahrscheinlichkeit für „höchstens x schwarze Kugeln“

  14. Hypergeometrische Verteilung • Bsp. Sortiment von N=8 Dioden, es werden n=3 zufällig gezogen (ohne Zurücklegen), M=5 der Dioden sind defekt. • Ges: Wahrscheinlichkeit, dass genau 2 (=x) der 3 gezogenen Dioden defekt sind.

  15. Hypergeometrische Verteilung • Erwartungswert: E(X) = n · M/N • Varianz Var(X) = n · M/N · (N-M)/N · (N-n)/(n-1) • Approximation durch Binomialverteilung: • Wenn N, M, N-M groß und n klein, Parameter der Binomialverteilung: θ = M/N • Faustregel: Approximation, wenn n/N < 0,05

  16. Poissonverteilung • Verteilung seltener Ereignisse • Große Zahl von Versuchen n, Wahrscheinlichkeit θ für Auftreten eines Ereignisses sehr klein • Wahrscheinlichkeitsfunktion:

  17. Poissonverteilung • Erwartungswert: E(X) = μ • Varianz: Var(X) = μ • Approximation der Binomialverteilung durch die Poissonverteilung: • n groß und θ klein, Parameter μ = n·θ • Faustregel: n > 10 und θ < 0,05. • Approximation der Hypergeometrischen Vt. • M/N = θ klein, N im Vergleich zu n groß, Parameter μ = n · M/N • Faustregel: M/N < 0,05 und n/N < 0,05

  18. Poissonverteilung • Bsp. Wahrscheinlichkeit bei einer Prüfung von n=2000 Buchungen genau 3 (=x) Fehlbuchungen zu finden, Anteil der Fehlbuchungen: θ=0,001. • Poissonverteilung: μ = n·θ = 2

  19. Gleichverteilung • Diskrete Zufallsvariable: • Jede der k möglichen Ausprägungen hat gleiche Wahrscheinlichkeit P(X=xi) = 1/k (i=1,…,k) • Bsp. Wahrscheinlichkeitsverteilung der Augenzahl eines idealen Würfels: P(X=xi) = 1/6 (i=1,…,6)

  20. Gleichverteilung • Stetige Zufallsvariable: • Realisationen der stetigen Zufallsvariablen X liegen im Intervall [a;b] • Dichtefunktion: • P(x  X x+Δx) = 1/(b-a) ·Δx

  21. Gleichverteilung

  22. Gleichverteilung • Verteilungsfunktion (Integration der Dichte)

  23. Gleichverteilung

  24. Gleichverteilung • Erwartungswert: E(X) = (a+b)/2 • Varianz: Var(X) = (b-a)² / 12 • Bsp. Wegzeit ist gleichverteilt im Intervall [30;40]. Ges. Wahrscheinlichkeit zw. 32 und 35 Min. zu benötigen. P(32  X 35) = 1/(b-a) ·Δx = 1/(40-30) · (35-32) = 0,3 Durchschnittlich benötigte Zeit: E(X) = 35

  25. Normalverteilung • Wichtigste theoretische Verteilung: • Normalverteilung: • stetige Verteilung • symmetrische Dichtefunktion • S-förmige Verteilungsfunktion • Erwartungswert: E(X) = µ • Varianz: Var(X) = σ² • Maximum der Dichte bei x=µ • Wendepunkte bei x=µσ

  26. Normalverteilungen • Normalverteilung: • Dichtefunktion (für -∞<x<+∞ und σ>0) : • Verteilungsfunktion:

  27. Normalverteilung • Normalverteilungen mit unterschiedlichen Parametern

  28. Normalverteilung • Verteilungsfunktion

  29. Normalverteilung • Standardnormalverteilung: • Erwartungswert µ = 0 • Varianz σ² = 1 • Dichtefunktion:

  30. Normalverteilung • Standardnormalverteilung

  31. Normalverteilung • Approximation durch Normalverteilung: Mit wachsendem n nähern sich viele theoretische Vt. der Normalverteilung • Empirische Verteilungen lassen sich ebenfalls oft durch die N-Vt. annähern.

  32. Normalverteilung • Reproduktionseigenschaft (od. Additivitäts- eigenschaft) der Normal-Vt. • Additionstheorem der Normalverteilung: • Die Summe (X) von n unabhängig normalverteilten Zufallvariablen X1,…,Xn ist ebenfalls normalverteilt. X = X1 + … + Xn • Der Erwartungswert von X ist die Summe der einzelnen Erwartungswerte μ1,…,μn E(X) = μ=μ1 + … + μn • Die Varianz von X ist die Summe der einzelnen Varianzen σ1²,…σn² Var(X) = σ² = σ1²+ … + σn²

  33. Stichproben • Arithmetische Mittel der Stichprobe: • Varianz der Stichprobe: • Anteilswert P einer Stichprobe:

  34. Stichprobenverteilung • Verteilung des arithmetischen Mittels der Stichprobe (Zufallsstichprobe): • Zufallsvariable X1,…,Xn • Konkrete Realisation: x1,…,xn • Arithmetische Mittel: • Arithm. Mittel von ZV ist wieder eine ZV (Funktion von n ZV)

  35. Stichprobenverteilung • Erwartungswert der Verteilung des arithmetischen Mittels: • Varianz der Verteilung des arithm. Mittels • Standardabweichung od. Standardfehler

  36. Stichprobenverteilung • Erwartungswert u. Varianz bekannt • Verteilung des arithm. Mittels? • Annahme: Grundgesamtheit ist N(μ,σ²)-vt. • Reproduktionseigenschaft der N-Vt: Summe von n unabhängig normal-vt. ZV ist wieder n-vt • Daher ist auch das arithm. Mittel normalverteilt

  37. Grenzwertsätze Verhalten des Mittelwert von n unabhängig identisch verteilten (i.i.d.) ZV X1,…,Xn, wenn n laufend erhöht wird (n→∞) • Gesetz der Großen Zahlen • Satz von Glivenko-Cantelli • Zentraler Grenzwertsatz

  38. Grenzwertsätze • Gesetz der Großen Zahlen: • Beinhaltet die Aussage, dass sich der Mittelwert mit wachsendem n immer mehr um den gemeinsamen Erwartungswert µ der Xi konzentriert.

  39. Grenzwertsätze • Gesetz der Großen Zahlen: • Beinhaltet die Aussage, dass der Wert der empirischen Verteilungsfunktion an der Stelle t mit wachsendem n gegen den entsprechenden Wert der Verteilungsfunktion von X konvergiert.

  40. Grenzwertsätze • Satz von Glivenko-Cantelli: • Wert der empirischen Verteilungsfunktion konvergiert an der Stelle t mit wachsendem n gegen den entsprechenden Wert der Verteilungsfunktion von X.

  41. Grenzwertsätze • Zentraler Grenzwertsatz: • Aussage über die Form der Verteilung des Mittelwertes (standardisierte ZV Zn). Die Verteilungsfunktion von Zn konvergiert gegen die Standardnormalverteilung (Φ … Vt-Fkt. der N(0,1) Vt.)

  42. Grenzwertsätze • Aus dem Zentralen Grenzwertsatz folgt: Die Verteilung des arithm. Mittels von n unabhängig identisch verteilten Zufallsvariablen Xi (X1,…,Xn) strebt mit wachsendem Stichprobenumfang n gegen eine Normalverteilung mit dem Erwartungswert µ und Varianz σ²/n. • Gleichbedeutend: Das arithmetische Mittel ist „asymptotisch normalverteilt“. • Faustregel: n > 30, N-Vt. ist gute Näherung für die Vt. des arithmetischen Mittels der Stichprobe.

  43. Stichprobenverteilung • Verteilung der Varianz S² der Stichprobe: • Annahme: Grundgesamtheit ist N(µ,σ²)-vt. Xi sind n unabhängige normal-vt. ZV mit E(Xi)=µ und Var(Xi)= σ² (i=1,…,n) • Stichprobenvarianz S² ist eine Funktion von n ZV Xi und somit wieder eine ZV.

  44. Stichprobenverteilung • Verteilung der Varianz S² der Stichprobe: • Chi-Quadrat Verteilung mit v=n-1 Freiheitsgraden, χ²n-1 • Es gilt: • Ist Z² = Xi² + … + Xn² (Summe von n quadrierten unabhängigen N(0,1)-verteilten ZV Xi), dann folgt Z² einer Chi-Quadrat Verteilung mit v Freiheitsgraden. Anzahl der unabhängigen ZV, die Z² bilden, nennt man Anzahl der Freiheitsgrade.

  45. Stichprobenverteilung • χ²v Verteilung: • Erwartungswert: E(Z²)=v • Varianz: Var(Z²)=2v • Mit wachsendem v nähert sich die χ²v Vt. einer N-Vt. mit Parametern µ=v und σ²=2v.

  46. Stichprobenverteilung • Anteilswert P einer Stichprobe (P=X/n) • 2 Modelle: • Ziehen mit Zurücklegen • Ziehen ohne Zurücklegen • Bsp. Urne, N Kugeln, M schwarz, (N-M) weiße, ziehe n Kugeln (mit bzw. ohne Zurücklegen der gezogenen Kugeln), θ ist die Wahrscheinlichkeit für das Ziehen einer schwarzen Kugel.

  47. Stichprobenverteilung • Ziehen mit Zurücklegen • Exakte Verteilung: Binomialverteilung Wahrscheinlichkeitsfunktion der ZV X: • Erwartungswert: E(X) = nθ • Varianz: Var(X) = nθ(1- θ)

  48. Stichprobenverteilung • Ziehen mit Zurücklegen • Erwartungswert des Stichprobenanteilswertes P: E(P) = 1/n E(x) = θ • Varianz des Stichprobenanteilswertes P: Var(P) = 1/n² Var(X) = θ(1- θ) / n • Standardfehler des Anteilswertes:

  49. Stichprobenverteilung • Approximation durch Normalverteilung (Faustregel: nθ(1- θ) ≥ 9) • Erwartungswert: E(P) = µ = nθ • Varianz: Var(P) = σP² = nθ(1- θ)

  50. Stichprobenverteilung • Ziehen ohne Zurücklegen • Exakte Verteilung: Hypergeometrische Vt. • Wahrscheinlichkeitsfunktion der ZV X: • Erwartungswert: E(X) = n M/N • Varianz: Var(X) = nθ(1- θ) · (N-n)/(N-1)

More Related