Beispielaufgaben und Diskussion zur Wahrscheinlichkeitsverteilung
Die Wahrscheinlichkeitsverteilung ist ein grundlegendes Konzept der Statistik und Wahrscheinlichkeitsrechnung. Sie dient dazu, die Wahrscheinlichkeit für das Auftreten verschiedener Werte einer Zufallszahl zu verstehen. Wahrscheinlichkeitsverteilungen können je nach Art der analysierten Daten unterschiedliche Formen annehmen. Die zwei häufigsten Arten sind diskrete und stetige Wahrscheinlichkeitsverteilungen. In diesem Artikel werden wir einige Beispielaufgaben betrachten und Wahrscheinlichkeitsverteilungen diskutieren, um dieses Thema besser zu verstehen.
Diskrete Verteilung
Eine diskrete Verteilung ist eine Verteilung, die die Wahrscheinlichkeit einer diskreten Zufallsvariablen berechnet, also einer Variablen, die nur bestimmte Werte annehmen kann. Bekannte Beispiele für diskrete Verteilungen sind die Binomialverteilung und die Poisson-Verteilung.
Beispiel 1: Binomialverteilung
Die Binomialverteilung beschreibt die Anzahl der Erfolge in einer Reihe von Bernoulli-Versuchen. Jeder Bernoulli-Versuch hat zwei mögliche Ergebnisse: Erfolg oder Misserfolg. Die Erfolgswahrscheinlichkeit bleibt während des gesamten Versuchs konstant.
Frage:
Ein Pharmaunternehmen testet ein neues Medikament an 10 Patienten. Die Wahrscheinlichkeit, dass das Medikament bei einem Patienten wirkt, beträgt 0.7. Berechnen Sie die Wahrscheinlichkeit, dass das Medikament bei genau 7 von 10 Patienten wirkt.
Diskussion:
Die Zufallsvariable \(X\) folgt einer Binomialverteilung mit \(n = 10\) und \(p = 0.7\). Die Binomialverteilungsfunktion lautet:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Für \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Berechnung des Binomialkoeffizienten \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Berechnung von Wahrscheinlichkeitswerten:
\[ P(X = 7) = 120 \times (0.7)^7 \times (0.3)^3 \]
\[ P(X = 7) \approx 120 \times 0.0823543 \times 0.027 \]
\[ P(X = 7) \approx 0.231 \]
Die Wahrscheinlichkeit, dass das Medikament bei genau 7 von 10 Patienten wirkt, beträgt also etwa 0.231 oder 23.1 %.
Beispiel 2: Poisson-Verteilung
Die Poisson-Verteilung dient dazu, die Anzahl der Vorkommen eines seltenen Ereignisses innerhalb eines bestimmten Zeit- oder Raumintervalls zu modellieren.
Frage:
Ein Geschäft hat durchschnittlich 4 Kunden pro Stunde. Wie hoch ist die Wahrscheinlichkeit, dass das Geschäft in einer Stunde genau 5 Kunden hat?
Diskussion:
Die Zufallsvariable \(X\) folgt einer Poisson-Verteilung mit dem Parameter \(\lambda = 4\). Die Poisson-Wahrscheinlichkeitsfunktion lautet:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
Für \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Zählen:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \approx 0.156 \]
Die Wahrscheinlichkeit, dass das Geschäft in einer Stunde genau 5 Kunden empfängt, beträgt also etwa 0.156 oder 15.6 %.
Kontinuierliche Verteilung
Stetige Verteilungen werden verwendet, wenn die gemessene Zufallsvariable jeden Wert innerhalb eines bestimmten Bereichs annehmen kann. Bekannte Beispiele für stetige Verteilungen sind die Normalverteilung und die Exponentialverteilung.
Beispiel 3: Normalverteilung
Die Normalverteilung, oft auch Gaußsche Verteilung genannt, ist eine Verteilung, die in verschiedenen Bereichen, darunter Wissenschaft, Ingenieurwesen und Wirtschaftswissenschaften, häufig verwendet wird.
Frage:
Die Körpergröße erwachsener Männer in einer Stadt ist normalverteilt mit einem Mittelwert von 170 cm und einer Standardabweichung von 10 cm. Wie hoch ist die Wahrscheinlichkeit, dass ein zufällig ausgewählter Mann zwischen 160 cm und 180 cm groß ist?
Diskussion:
Wir müssen den z-Wert für 160 cm und 180 cm berechnen. Der z-Wert ist wie folgt definiert:
\[ Z = \frac{X – \mu}{\sigma} \]
Für \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Für \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Nun müssen wir uns die Wahrscheinlichkeitswerte von -1 bis 1 in der z-Tabelle ansehen. Der Wert von z = -1 bis z = 1 beträgt ungefähr 0.6826.
Die Wahrscheinlichkeit, dass ein zufällig ausgewählter Mann zwischen 160 cm und 180 cm groß ist, beträgt also ungefähr 0.6826 oder 68.26 %.
Beispiel 4: Exponentialverteilung
Die Exponentialverteilung wird verwendet, um die Zeit zwischen Ereignissen in einem Poisson-Prozess zu modellieren.
Frage:
Die durchschnittliche Wartezeit zwischen zwei Kundeneingängen in einem Geschäft beträgt 15 Minuten. Wie hoch ist die Wahrscheinlichkeit, dass die Wartezeit zwischen zwei Kundeneingängen weniger als 10 Minuten beträgt?
Diskussion:
Die Exponentialverteilung besitzt einen Parameter \(\lambda\), der der Kehrwert des Mittelwerts (\(\mu\)) ist. Bei einem Mittelwert von 15 Minuten:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
Die exponentielle kumulative Verteilungsfunktion lautet:
\[ P(X \leq x) = 1 – e^{-\lambda x} \]
Für \(x = 10\):
\[ P(X \leq 10) = 1 – e^{-0.0667 \times 10} \]
\[ P(X \leq 10) = 1 – e^{-0.667} \]
\[ P(X \leq 10) \approx 1 – 0.5134 \]
\[ P(X \leq 10) \approx 0.4866 \]
Die Wahrscheinlichkeit, dass die Zeit zwischen zwei Kundeneingängen weniger als 10 Minuten beträgt, liegt also bei etwa 0.4866 oder 48.66 %.
Abschluss
Wahrscheinlichkeitsverteilungen, sowohl diskrete als auch stetige, sind sehr nützliche Konzepte zur Modellierung und zum Verständnis des Verhaltens von Zufallsvariablen. Die Binomial- und die Poisson-Verteilung werden häufig für diskrete Variablen verwendet, während die Normal- und die Exponentialverteilung Beispiele für stetige Verteilungen sind.
Wir hoffen, dass Ihnen die obigen Beispiele ein besseres Verständnis dafür vermittelt haben, wie man Wahrscheinlichkeiten in Wahrscheinlichkeitsverteilungen berechnet und interpretiert. Mit regelmäßiger Übung werden Sie Ihr Verständnis von Wahrscheinlichkeitsverteilungen verbessern und es in verschiedenen Disziplinen anwenden können.
