Wahrscheinlichkeitstheorie

Präsentation zum Thema: "Wahrscheinlichkeitstheorie"—  Präsentation transkript:

1 Wahrscheinlichkeitstheorie

2 Statistische Methoden I
WS 2002/2003 Zur Geschichte der Statistik I. Beschreibende Statistik 1. Grundlegende Begriffe 2. Eindimensionales Datenmaterial 2.1. Der Häufigkeitsbegriff 2.2. Lage- und Streuungsparameter 2.3. Konzentrationsmaße (Lorenz-Kurve) 3. Mehrdimensionales Datenmaterial 3.1. Korrelations- und Regressionsrechnung 3.2. Indexzahlen 3.3. Saisonbereinigung

3 II. Wahrscheinlichkeitstheorie
1. Laplacesche Wahrscheinlicheitsräume 1.1. Kombinatorische Formeln 1.2. Berechnung von Laplace-Wahrschein- lichkeiten 2. Allgemeine Wahrscheinlichkeitsräume 2.1. Der diskrete Fall 2.2. Der stetige Fall 2.3. Unabhängigkeit und bedingte Wahrscheinlichkeit 3. Zufallsvariablen 3.1. Grundbegriffe 3.2. Erwartungswert und Varianz 3.3. Binomial- und Poisson-Verteilung 3.4. Die Normalverteilung und der Zentrale Grenzwertsatz

4 Wahrscheinlich- keitstheorie Beschreibende Statistik
(= Deskriptive Statistik) Beschreibung von Datenmaterial 1. Semester Wahrscheinlich- keitstheorie Schließenden Statistik (= Induktive Statistik) Analyse von Datenmaterial, Hypothesen, Prognosen 2. Semester

5 Laplacescher Wahrscheinlicheitsraum

6 Wahrscheinlichkeitstheoretische Interpretation von Mengenoperationen
Vereinigung Durchschnitt

7 Differenz Komplement

8

9 Wahrscheinlichkeitsräume

10 Eigenschaften eines Wahrscheinlichkeitsmaßes
Daraus ergeben sich:

11 Urnenmodelle

12

13 Achtung Aufgabe!

14 Die Normalverteilung (Gauß-Verteilung) (Gaußsche Glockenkurve)

15 Die Poisson-Verteilung

16 Man erhält eine Wahrscheinlichkeitsverteilung, weil gilt:
Notation

17 Die Binomialverteilung

18 Man erhält eine Wahrscheinlichkeitsverteilung, weil gilt:
Notation

19 Die geometrische Verteilung
Man erhält eine Wahrscheinlichkeitsverteilung, weil gilt:

20 Die hypergeometrische Verteilung
Notation

21 Sie beträgt gerade H(n, N, m)(k)!
Eine Urne enthält n Kugeln, davon N weiße und n - N schwarze. Aus der Urne werden nacheinander m Kugeln ohne Zurücklegen gezogen. Wie groß ist die Wahrscheinlichkeit, genau k weiße Kugeln zu ziehen? Sie beträgt gerade H(n, N, m)(k)!

22 Achtung Aufgabe!

23 Achtung noch eine Aufgabe!

24 Wahrscheinlichkeitsdichten

25 Die Exponential-Verteilung

26 Die Gauß- oder Normalverteilung

27 Gauß-Bildnis und –Kurve auf 100 DM-Schein

28 Die Cauchy-Verteilung

29 Die Student- oder t-Verteilung
Hängt von Parameter n ab!

30 Die Chi-Quadrat-Verteilung
Hängt ebenfalls von Parameter n ab!

31 Unabhängigkeit Vier Spielkarten zeigen auf der Vorderseite die folgenden Aufschriften: 1 1 1 1 Eine Karte wird zufällig gezogen. Ereignisse A, B und C A : „Oben steht eine 0“ B: „In der Mitte steht eine 0“ C: „Unten steht eine 0“

32 Man hat zwar: Trotzdem sind die Ereignisse A, B und C nicht unabhängig: d. h. C kann nicht eintreten, wenn A und B eintreten.

33 Allgemein definiert man:

34 Bedingte Wahrscheinlichkeiten
Die Belegschaft eines Betriebes wird nach Rauchern und Nicht- rauchern eingeteilt. Dabei ergibt sich die folgende Tabelle:

35 Also haben wir: Allgemein definiert man:

36 Achtung Aufgabe!

37 Achtung Aufgabe!

38 Pfadregel

39 Dann hat man:

40 Baumdiagramm START 1 2 3 1.1 1.2 2.1 3.1 3.2 3.3 p(1) p(3) p(2)
1.1.1 1.1.2 1.2.1 1.2.2 1.2.3 2.1.1 2.1.2 2.1.3 3.1. 3.2.1 3.2.2 3.3.1 3.3.2 (Eigentlich z. B. b(1.2.1) statt 1.2.1)

41 Urne mit roten und grünen Kugeln
Wir betrachten eine Urne mit einer roten und 3 grünen Kugeln. Stufe: Eine Kugel wird zufällig gezogen, ihre Farbe notiert. Anschließend werden diese und eine Kugel derselben Farbe in die Urne zurückgelegt. 2. Stufe: Nach dem guten Mischen wird erneut eine Kugel zufällig gezogen und deren Farbe notiert.

42 Baumdiagramm START 3/4 1/4 1 4/5 1/5 3/5 2/5 1 1

43 Achtung Aufgabe!

44 Formel von der totalen Wahrscheinlichkeit
Einkommensverteilung der Haushalte in einer bestimmten Gegend Anteil der Haushalte, die ein Auto > DM ,- anschaf- fen, in den verschiedenen Einkommensklassen

45 Also nach der Formel für die totale Wahrscheinlichkeit:
Es ergibt sich: 5 Also nach der Formel für die totale Wahrscheinlichkeit:

46 Allgemein: Formel von der totalen Wahrscheinlichkeit

47 Satz von Bayes In einer Stadt vermutet man, dass für die Bevölkerung die folgende Aufteilung in Deutsche, Italiener und Ausländer, die keine Italiener sind, besteht: wobei die letzte Zeile den jeweiligen Anteil von Personen in der Bevölkerungsgruppe angibt, die gerne Spaghetti bestellen.

48 Jemand bestellt in einer Gaststätte Spaghetti.
Wie groß ist die Wahrscheinlichkeit, dass dieser Gast ein Deutscher, ein Italiener oder ein nicht-italienischer Aus- länder ist? D: „Der Gast ist ein Deutscher“ I: „Der Gast ist ein Italiener“ A: „Der Gast ist ein Ausländer, aber kein Italiener“ S: „Der Gast bestellt Spaghetti“

49 Nach der Formel für die totale Wahrscheinlichkeit hat man:
Daraus ergibt sich nach dem Satz von Bayes

50 Satz von Bayes

51 Lernen aus Erfahrung Beispiel
Eine Urne enthält 4 Kugeln.Wir wissen, dass eine der folgen- den Situationen A1, A2 oder A3vorliegt: A1: eine Kugel ist rot, die drei anderen sind grün A2: zwei Kugeln sind rot, die beiden anderen grün A3: drei Kugeln sind rot, eine ist grün Die Wahrscheinlichkeiten für die drei Möglichkeiten sind un- bekannt. Wir setzen: P(A1) = p1 P(A2) = p2 P(A3) = p3

52 „Bei jedem Zug zeigt B sich eine rote Kugel“
Wir ziehen aus der Urne m Kugeln mit Zurücklegen. Nehmen wir nun an, dass das Ereignis B geschieht. „Bei jedem Zug zeigt sich eine rote Kugel“ B Dann hat man:

53 Nach dem Satz von Bayes erhalten wir:
Ebenso:

54 Unabhängig von den Werten für
p1, p2 und p3 hat man: Für große m nähert sich die bedingte Wahr- scheinlichkeit für „A3 gegeben B“ dem Wert 1, während sich die bedingten Wahrscheinlich- keiten für A1 und A2 dem Wert 0 annähern.

55 Grundbegriffe der (deskriptiven) Statistik
der Wahrscheinlichkeitstheorie

56 Verteilungsfunktion Beispiel „Würfel“

57 Beispiel „n-facher Münzwurf“
Verteilungsfunktion Beispiel „n-facher Münzwurf“

58 Verteilungsfunktion der Normalverteilung I

59 Verteilungsfunktion der Normalverteilung II

60 Beispiel „Haushaltsgröße“
Verteilungsfunktion Beispiel „Haushaltsgröße“

61 Beispiel „Haushaltsgröße“

62 Häufigkeitstabelle für das Jahr 1980
(laut Schlittgen) Verteilungsfunktion

63 Zufallsvariablen Verteilung Verteilungsfunktion
Wahrscheinlichkeitsfunktion Dichtefunktion Zufallsvariablen Verteilung Die Verteilung einer ZV ist ein Wahrscheinlichkeitsmaß auf den reellen Zahlen diskret stetig

64 Wahrscheinlichkeitsfunktion
diskret f nennt man Wahrscheinlichkeitsfunktion von X

65 stetig f nennt man Dichtefunktion von X

66 Verteilungsfunktion diskret stetig

67 diskret stetig

68 Erwartungswert und Varianz I
Der endliche Fall Erwartungswert Varianz

69 Die Binomialverteilung

70 Erwartungswert Varianz

71 Gegeben seien n Zufallsvariablen
Dann gilt immer: Wenn gilt dann hat man auch Gleichheit von Bienaymé

72 Erwartungswert und Varianz II
Der diskrete unendliche Fall Dabei nehmen wir an, dass Erwartungswert Varianz

73 Die Poisson-Verteilung

74 Erwartungswert Varianz

75 Erwartungswert und Varianz III
Der stetige Fall f ist die Wahrscheinlichkeitsdichte. Dabei nehmen wir an, dass

76 Erwartungswert Varianz

77 Die Gauß- oder Normalverteilung

78 Achtung Aufgabe!

79 Achtung noch eine Aufgabe!

80 Dichte Verteilung Verteilungsfunktion

81 Erwartungswert Varianz

82 Die hypergeometrische Verteilung
Notation

83 Erwartungswert Varianz

84 Die geometrische Verteilung
Man erhält eine Wahrscheinlichkeitsverteilung, weil gilt:

85 Erwartungswert Varianz

86 Die Exponential-Verteilung

87 Dichte Verteilung Verteilungsfunktion

88 Erwartungswert Varianz

89 Beispiele Poisson-verteilter Zufallsvariablen
Anzahl der pro Zeiteinheit abgestrahlten Teilchen eines radioaktiven Präparats Anzahl der pro Zeiteinheit an einer Tankstelle tankenden PKW Anzahl der Sechser pro Ausspielung im Lotto Anzahl der pro Jahr von einer Versicherung zu regulierenden Schadensfälle Anzahl der innerhalbeines Tages geborenen Kinder

90 Bäckerei Brösel Annahmen
X : Anzahl der Kunden in der Bäckerei Brösel zwischen 7.00 Uhr und 7.15 Uhr n : Anzahl der betrachteten Haushalte Annahmen Die Wahrscheinlichkeit p, dass ein Haushalt zu der Zeit bei Brösel einkauft, ist bei allen Haushalten gleich Die Haushalte entscheiden unabhängig voneinander, ob sie bei Brösel einkaufen oder nicht

91 Dann gilt: d. h.

92 Nun wird die Anzahl n der betrachteten Haushalte vergrößert.
Die „Einkaufswahrscheinlichkeit“ p hänge dabei so von n ab, dass gilt: Dann konvergiert die Verteilung von X gegen eine Poisson- Verteilung. Genauer: Man hat im Limes n gegen unendlich

93 Der Zentrale Grenzwertsatz

94 Achtung Aufgabe!

95 Tafel für die Verteilungsfunktion bei Normalverteilung

96 Achtung noch eine Aufgabe!

97 Beispiel Gewicht von Äpfeln Schätzer von 
Gewicht von Äpfeln der Sorte Cox-Orange aus einem bestimmten italienischen Anbaugebiet Schätzer von 

98 Wichtige Eigenschaft der Normalverteilung
Für unabhängige normalverteilte Zufallsvariablen X und Y hat man