Willkommen zu unserem Leitfaden über diskrete Wahrscheinlichkeitsverteilungen! In der Statistik sind diskrete Verteilungen von grundlegender Bedeutung, um die Wahrscheinlichkeit von bestimmten Ereignissen zu modellieren. Sie helfen uns, zufällige Phänomene in einer Vielzahl von Szenarien zu verstehen und vorherzusagen, von der Anzahl der Kunden in einer Warteschlange bis hin zu Wahlergebnissen. Dieser Artikel bietet dir einen umfassenden Überblick über die Poisson- und Multinomialverteilung sowie deren Annäherungen.
Was sind diskrete Wahrscheinlichkeitsverteilungen?
Diskrete Wahrscheinlichkeitsverteilungen beschreiben die Wahrscheinlichkeit, dass eine diskrete Zufallsvariable einen bestimmten Wert annimmt. „Diskret“ bedeutet, dass die Zufallsvariable nur eine abzählbare Anzahl von Werten annehmen kann, oft ganze Zahlen. Wir werden uns insbesondere zwei wichtige Verteilungen ansehen und deren Anwendungsbereiche beleuchten.
Der Grenzwert der Binomialverteilung: Einführung in die Poisson-Verteilung
Stell dir eine Situation vor, in der die Anzahl der Versuche $n$ sehr groß wird, während die Erfolgswahrscheinlichkeit $\theta$ sehr klein ist, aber so, dass das Produkt $n \cdot \theta$ einem konstanten Wert $\mu$ zustrebt. Unter diesen Bedingungen wandelt sich die Binomialverteilung in die Poisson-Verteilung um. Dieser Übergang ist wichtig, um seltene Ereignisse in einem großen Rahmen zu modellieren. Die mathematische Herleitung zeigt, wie der Grenzwert der Binomialwahrscheinlichkeit $W(X = x)$ für $n \to \infty$ und $n \cdot \theta \to \mu$ zur Formel der Poisson-Verteilung führt:
$$\lim _ {n \to \infty} \binom {n} {x} \theta^ {x} \cdot (1 - \theta) ^ {n - x} = \frac {\mu^ {x}}{x !} e ^ {- \mu}$$
Dies bildet die Grundlage für das Verständnis der Poisson-Verteilung.
Die Poissonverteilung im Detail
Die Poissonverteilung ist ideal, um die Wahrscheinlichkeit einer Anzahl von Ereignissen zu formulieren, die in einem festgelegten Zeitraum oder Raum geschehen und keine obere Schranke haben. Sie findet Anwendung in vielen Bereichen, von der Anzahl der Telefonanrufe in einer Stunde bis zur Anzahl der radioaktiven Zerfälle.
Wahrscheinlichkeitsfunktion und Eigenschaften
Eine diskrete Zufallsvariable $X$ folgt einer Poissonverteilung, wenn sie die folgende Wahrscheinlichkeitsfunktion besitzt:
$$f_{\mathrm{P}}(x / \mu) = \begin{cases} \dfrac{\mu^x}{x!} e^{-\mu} & \text{für } x \in {0, 1, 2, \ldots} \ 0 & \text{sonst} \end{cases}$$
Eigenschaften der Poissonverteilung:
- Parameter: $\mu \in \mathbb{R}_{+}$ (Erwartungswert und Varianz, oft die durchschnittliche Ereignisrate)
- Wertebereich: $x \in \mathbb{N}_0$ (Nicht-negative ganze Zahlen)
- Verteilungsfunktion: $$F_{\mathrm{P}}(x / n; \theta) = \sum_{v \leqslant x} \frac{\mu^v}{v!} e^{-\mu} \text{ mit } v \in \mathbb{N}_0$$
Erwartungswert und Varianz der Poissonverteilung
Ein bemerkenswertes Merkmal der Poissonverteilung ist die Gleichheit ihres Erwartungswertes und ihrer Varianz:
- Erwartungswert: $\operatorname{E}(X) = \mu$
- Varianz: $\operatorname{Var}(X) = \mu$
Beispiel zur Poissonverteilung: Warnowtunnel
Stellen wir uns vor, wir möchten die Wahrscheinlichkeit berechnen, dass eine bestimmte Anzahl von Autos in 30 Sekunden durch den Warnowtunnel fährt. Angenommen, der erwartete Wert $\mu$ beträgt 5 Autos. Wir wollen die Wahrscheinlichkeit wissen, dass genau 4 Autos innerhalb dieser 30 Sekunden passieren:
$$f_{\mathrm{P}}(4/5) = \frac{5^4}{4!} e^{-5} \approx 0,1755$$
Die Wahrscheinlichkeit beträgt also ungefähr 17,55%.
Darstellung der Poissonverteilung
Die Form der Poissonverteilung ändert sich mit dem Parameter $\mu$. Für kleine $\mu$ ist die Verteilung stark auf kleine Werte konzentriert und asymmetrisch. Mit zunehmendem $\mu$ wird die Verteilung glockenförmiger und symmetrischer, ähnlich der Normalverteilung.
Die Multinomialverteilung: Mehrere Kategorien
Die Multinomialverteilung ist eine Verallgemeinerung der Binomialverteilung für Situationen, in denen es mehr als zwei mögliche Ausgänge pro Versuch gibt. Sie beschreibt die Wahrscheinlichkeit, dass bei $n$ unabhängigen Versuchen mit jeweils $k$ möglichen Ausgängen und identischen Wahrscheinlichkeiten $\theta_1, \ldots, \theta_k$ die Anzahlen $x_1$ von Ausgang 1 bis $x_k$ von Ausgang $k$ realisiert werden.
Wahrscheinlichkeitsfunktion und Eigenschaften
Die Verteilung einer $k$-dimensionalen diskreten Zufallsvariable $X = (X_{1},\ldots,X_{k})$ folgt einer Multinomialverteilung, wenn $X$ die folgende Wahrscheinlichkeitsfunktion besitzt:
$$f _ {\mathrm {M}} (x _ {1}, x _ {2}, \ldots, x _ {k} / n; \theta_ {1}; \ldots ; \theta_ {k}) = \frac {n !}{x _ {1} ! \cdot \ldots \cdot x _ {k} !} \theta_ {1} ^ {x _ {1}} \cdot \ldots \cdot \theta_ {k} ^ {x _ {k}},$$
mit der Bedingung $\sum_ {i = 1} ^ {k} x _ {i} = n$ und $\sum_ {j = 1} ^ {k} \theta_ {j} = 1$.
Eigenschaften der Multinomialverteilung:
- Parameter: $n \in \mathbb{N}$ (Anzahl der Versuche) und $\theta_{1}, \ldots, \theta_{k} \in \mathbb{R}_{+}$ (Wahrscheinlichkeiten der einzelnen Ausgänge)
- Wertebereich: $(x_{1},\ldots,x_{k})\in \mathbb{N}_{0}^{k}$ (Anzahlen der Ergebnisse für jede Kategorie)
Beispiel zur Multinomialverteilung: Französische Vorwahl 2017
Betrachten wir die Stimmenverteilung zur französischen Vorwahl 2017 mit den Ergebnissen: Macron 24%, Le Pen 21%, Fillon 20%, Mélenchon 20%, Rest 15%. Wenn 20 Personen befragt werden, wie wahrscheinlich ist es, dass 5 für Macron, 4 für Le Pen, 4 für Fillon, 4 für Mélenchon und 3 für den Rest stimmen?
Die Wahrscheinlichkeit einer solchen spezifischen Stimmenverteilung berechnet sich wie folgt:
$$\frac{20!}{5! \cdot 4! \cdot 4! \cdot 4! \cdot 3!} \cdot 0,24^5 \cdot 0,21^4 \cdot 0,20^4 \cdot 0,20^4 \cdot 0,15^3 \approx 0,003$$
Die Wahrscheinlichkeit für dieses spezifische Ergebnis liegt bei etwa 0,3%.
Verteilungsfunktion der Multinomialverteilung
Die Verteilungsfunktion wird durch eine Summe über die einzelnen Wahrscheinlichkeiten berechnet:
$$F_{\mathrm{M}}(x_1, x_2, \dots, x_k / n; \theta_1; \dots; \theta_k) = \sum_{v_1 \leqslant x_1} \cdots \sum_{v_k \leqslant x_k} f_{\mathrm{M}}(v_1, v_2, \dots, v_k / n; \theta_1; \dots; \theta_k)$$
mit $v_1, v_2, \ldots, v_k \in \mathbb{N}0$ und $\sum{j=1}^{k} v_j = n$.
Ein Beispiel wäre die Wahrscheinlichkeit, dass niemand mehr als 5 Stimmen bekommt:
$$F_{\mathrm{M}}(5,5,5,5,5 / 20; 0,24; 0,21; 0,20; 0,20; 0,15) \approx 0,172$$
Urnenmodell als Beispiel für Multinomialverteilung
Stell dir ein Urnenmodell mit 10 Kugeln vor: 4 rote ($\theta_1 = 0,4$), 3 blaue ($\theta_2 = 0,3$) und 3 schwarze ($\theta_3 = 0,3$). Du ziehst $n = 6$ Kugeln mit Zurücklegen. Die Wahrscheinlichkeit, genau 2 rote, 2 blaue und 2 schwarze Kugeln zu ziehen, ist:
$$f_{\mathrm{M}}(2,2,2/6;0,4;0,3;0,3) \approx 0,117$$
Approximationsverteilungen: Wann können wir vereinfachen?
In der Praxis ist es oft nützlich, eine komplexe Verteilung durch eine einfachere zu approximieren, wenn bestimmte Bedingungen erfüllt sind. Dies spart Rechenaufwand und ermöglicht ein schnelleres Verständnis der Situation.
Verteilungen als Grenzwert
Zwei wichtige Annäherungen betreffen die Hypergeometrische Verteilung und die Binomialverteilung:
- Grenzwert der Hypergeometrischen Verteilung: Wenn die Gesamtanzahl der Elemente $N$ sehr groß wird und der Anteil der interessierenden Elemente $M/N$ gegen $\theta$ strebt, nähert sich die Hypergeometrische Verteilung der Binomialverteilung an:
$$\lim _ {N \to \infty} \frac {\binom {M} {x} \cdot \binom {N - M} {n - x}}{\binom {N} {n}} = \binom {n} {x} \cdot \theta^ {x} \cdot (1 - \theta) ^ {n - x}$$
Dies ist der Fall, wenn die Stichprobe im Vergleich zur Gesamtpopulation klein ist (Ziehen ohne Zurücklegen ähnelt dem Ziehen mit Zurücklegen).
- Binomialverteilung als Grenzwert zur Poissonverteilung: Wie bereits gesehen, nähert sich die Binomialverteilung der Poissonverteilung an, wenn $n \to \infty$ und $n \cdot \theta \to \mu$.
Wann ist eine Approximation „gut“?
Es gibt Faustregeln, die dir helfen zu entscheiden, wann eine Approximation zulässig ist:
- Hypergeometrische $\to$ Binomialverteilung: Wenn die Stichprobengröße $n$ im Verhältnis zur Populationsgröße $N$ klein ist, d.h. $\frac{n}{N} < 0.05$. In diesem Fall ändert sich die Erfolgswahrscheinlichkeit bei den einzelnen Ziehungen kaum.
- Binomial $\to$ Poissonverteilung: Wenn die Anzahl der Versuche $n > 10$ (viele Versuche) und die Erfolgswahrscheinlichkeit $\theta < 0.05$ (geringe Erfolgschance) ist. Hier modellieren wir seltene Ereignisse.
Diese Approximationen sind nützliche Werkzeuge in der Statistik, um komplexe Berechnungen zu vereinfachen und dennoch genaue Ergebnisse zu erzielen.
FAQ zu Diskreten Wahrscheinlichkeitsverteilungen für Studierende
Was ist der Unterschied zwischen diskreten und stetigen Wahrscheinlichkeitsverteilungen?
Der Hauptunterschied liegt im Wertebereich der Zufallsvariable. Eine diskrete Zufallsvariable kann nur abzählbare, oft ganzzahlige Werte annehmen (z.B. Anzahl der Würfe, Anzahl der Autos). Eine stetige Zufallsvariable kann jeden Wert in einem Intervall annehmen (z.B. Größe, Gewicht, Zeit). Diskrete Verteilungen haben eine Wahrscheinlichkeitsfunktion, während stetige Verteilungen eine Wahrscheinlichkeitsdichtefunktion haben.
Wofür wird die Poissonverteilung in der Praxis verwendet?
Die Poissonverteilung wird verwendet, um die Anzahl von seltenen Ereignissen in einem festen Zeitintervall oder Raumgebiet zu modellieren. Beispiele sind die Anzahl der Fehler in einem langen Text, die Anzahl der Anrufe in einem Callcenter pro Stunde, die Anzahl der Geburten pro Tag in einer Stadt oder die Anzahl der radioaktiven Zerfälle pro Zeiteinheit. Sie ist besonders nützlich, wenn die durchschnittliche Rate der Ereignisse bekannt ist, aber keine obere Grenze für die Anzahl der Ereignisse existiert.
Wann sollte ich die Multinomialverteilung anstelle der Binomialverteilung verwenden?
Du solltest die Multinomialverteilung verwenden, wenn du eine Reihe von unabhängigen Versuchen hast, bei denen jeder Versuch mehr als zwei mögliche Ausgänge haben kann. Die Binomialverteilung ist ein Spezialfall der Multinomialverteilung mit nur zwei möglichen Ausgängen (Erfolg/Misserfolg). Wenn du also die Wahrscheinlichkeit der Anzahl von Ergebnissen in mehreren Kategorien wissen möchtest, ist die Multinomialverteilung die richtige Wahl.
Kann die Binomialverteilung durch die Normalverteilung approximiert werden?
Ja, die Binomialverteilung kann auch durch die Normalverteilung approximiert werden, wenn die Anzahl der Versuche $n$ groß genug ist und die Erfolgswahrscheinlichkeit $\theta$ nicht zu nahe an 0 oder 1 liegt. Eine gängige Faustregel ist, dass $n \cdot \theta \ge 5$ und $n \cdot (1-\theta) \ge 5$ sein sollten, damit die Normalapproximation gut funktioniert. Dies ist eine andere Art der Approximation als die hier besprochene Poisson-Approximation, die für seltene Ereignisse gilt. Mehr zur Normalverteilung findest du bei Wikipedia.
Warum ist es wichtig, die Grenzwerte von Verteilungen zu kennen?
Das Verständnis der Grenzwerte von Verteilungen ist entscheidend, da es dir ermöglicht, komplexe statistische Probleme zu vereinfachen. Wenn eine Verteilung unter bestimmten Bedingungen einer anderen ähnelt, kannst du die Eigenschaften der einfacheren Verteilung nutzen, um Berechnungen durchzuführen oder Einblicke zu gewinnen, die sonst sehr aufwändig wären. Dies ist besonders nützlich, wenn man mit sehr großen Stichproben oder seltenen Ereignissen arbeitet.