Stetige Wahrscheinlichkeitsverteilungen sind ein fundamentaler Baustein der Statistik und essenziell, um Phänomene in Natur, Technik und Wirtschaft zu modellieren, die kontinuierliche Werte annehmen. Im Gegensatz zu diskreten Verteilungen, bei denen Zufallsvariablen nur abzählbar viele Werte annehmen können, beschäftigen wir uns hier mit Zufallsvariablen, deren Wertebereich überabzählbar viele Elemente umfasst, wie beispielsweise Wartezeiten oder Messwerte. Dieser Artikel bietet dir eine umfassende Übersicht über die wichtigsten stetigen Verteilungen und ihre Anwendungen.
Was sind Stetige Wahrscheinlichkeitsverteilungen? Eine Einführung
Eine stetige Zufallsvariable X zeichnet sich dadurch aus, dass ihr Wertebereich unendlich viele, nicht abzählbare Elemente enthalten kann. Typische Beispiele sind Intervalle wie $[0, \infty)$ oder die gesamten reellen Zahlen $\mathbb{R}$. Die Wahrscheinlichkeit, dass X einen bestimmten Wert annimmt, ist dabei null. Stattdessen betrachtet man Wahrscheinlichkeiten für Intervalle.
Die Wahrscheinlichkeit, dass eine stetige Zufallsvariable X Werte zwischen $a$ und $b$ annimmt, wird durch ein Integral der Dichtefunktion $f(x)$ beschrieben:
$W(a \leqslant X \leqslant b) = \int_{a}^{b} f(x) , dx = F(b) - F(a)$
Dabei ist $F(x)$ die Verteilungsfunktion. Für das Verständnis sind auch der Erwartungswert und die Varianz von großer Bedeutung. Sie werden allgemein wie folgt berechnet:
- Erwartungswert $E(X) = \int_{-\infty}^{\infty} x \cdot f(x) , dx$
- Varianz $\operatorname{Var}(X) = \int_{-\infty}^{\infty} (x - \operatorname{E}(X))^{2} \cdot f(x) , dx$
Quantile bei stetigen Verteilungen
Quantile sind wichtige Maße, um die Verteilung einer Zufallsvariable zu charakterisieren. Ein p-Quantil gibt die kleinste Merkmalsausprägung $x_p$ an, sodass die Wahrscheinlichkeit, dass die Zufallsvariable kleiner oder gleich $x_p$ ist, mindestens $p \cdot 100%$ beträgt ($F(x_p) \geqslant p$). Sie helfen uns, spezifische Punkte in der Verteilung zu finden.
Die Stetige Gleichverteilung: Eine einfache Modellierung
Die stetige Gleichverteilung ist ideal, wenn alle Werte innerhalb eines bestimmten Intervalls die gleiche Wahrscheinlichkeit haben. Stell dir vor, du wartest auf einen Bus, der alle 5 Minuten kommt, aber du kennst den genauen Fahrplan nicht. Die Wartezeit ist dann gleichverteilt.
Die Verteilung einer stetigen Zufallsvariable $X$ folgt einer stetigen Gleichverteilung auf dem Intervall $[a,b]$ mit $a,b \in \mathbb{R}$, wenn $X$ die folgende Dichtefunktion besitzt:
$f_{\mathrm{G}}(x / a; b) = \begin{cases} \dfrac{1}{b - a} & \text{für } x \in [a, b] \ 0 & \text{sonst} \end{cases}$
Eigenschaften der Gleichverteilung
- Parameter: $a, b \in \mathbb{R}$
- Wertebereich: $x \in [a, b]$
- Verteilungsfunktion: $F_{G}(x / a; b) = \begin{cases} 0 & \text{für } x < a \ \dfrac{x - a}{b - a} & \text{für } x \in [a, b] \ 1 & \text{für } x > b \end{cases}$
- Erwartungswert: $E(X) = \frac{a + b}{2}$
- Varianz: $\mathrm{Var}(X) = \frac{(b - a)^2}{12}$
Beispiel zur Gleichverteilung: Wartezeit auf den Bus
Wenn der Bus alle 5 Minuten kommt, und deine Wartezeit $X$ auf $[0, 5]$ Minuten gleichverteilt ist, wie groß ist die Wahrscheinlichkeit, dass du weniger als 3 Minuten warten musst?
- Parameter: $a = 0, b = 5$
- Berechnung: $W(X \leqslant 3) = F_G(3/0; 5) = \frac{3 - 0}{5 - 0} = 0,6$
Du wartest also mit 60% Wahrscheinlichkeit weniger als 3 Minuten.
Und wie lange musst du mit 50% Wahrscheinlichkeit mindestens warten? Hier suchen wir das 0,5-Quantil (Median):
- Berechnung: $x_{0,5} = \min_{x} F_{G}(x/0; 5) \geqslant 0,5 \Rightarrow \min_{x} \frac{x - 0}{5 - 0} \geqslant 0,5 \Rightarrow \min_{x} x \geqslant 2,5 \Rightarrow x_{0,5} = 2,5$
Das bedeutet, mit 50% Wahrscheinlichkeit wartest du mindestens 2,5 Minuten.
Die Exponentialverteilung: Modellierung von Wartezeiten
Die Exponentialverteilung wird oft verwendet, um die Dauer von Wartezeiten oder Lebensdauern von Komponenten zu modellieren, bei denen das Eintreten eines Ereignisses zufällig und unabhängig von der bisherigen Zeit ist (Gedächtnislosigkeit). Ein klassisches Beispiel ist die Zeit bis zum nächsten Kunden in einer Warteschlange.
Die Verteilung einer stetigen Zufallsvariable $X$ folgt einer Exponentialverteilung mit Parameter $\lambda$, wenn $X$ die folgende Dichte besitzt:
$f_{\mathrm{E}}(x / \lambda) = \begin{cases} \lambda \mathrm{e}^{-\lambda x} & \text{für } x \geqslant 0 \ 0 & \text{sonst} \end{cases}$
Herleitung der Exponentialverteilung und ihre Eigenschaften
Betrachten wir die Modellierung einer Warteschlange: Eine Zufallsvariable $Y$ bildet auf die Anzahl der Personen ab, die sich in einem Zeitraum $t$ anstellen. $Y$ ist poissonverteilt mit Erwartungswert $\mu = \lambda t$. Die Zufallsvariable $X$ bildet auf die Dauer bis zur nächsten Person ab.
Die Wahrscheinlichkeit, dass sich im Zeitraum $t$ keine Person anstellt ($Y = 0$), ist gleich der Wahrscheinlichkeit, dass die Dauer bis zur nächsten Person größer als $t$ ist ($X > t$).
$W(Y = 0) = \frac{(\lambda t)^0}{0!} \mathrm{e}^{-\lambda t} = \mathrm{e}^{-\lambda t} = W(X > t)$
Eigenschaften der Exponentialverteilung:
- Parameter: $\lambda \in \mathbb{R}_{+} \setminus {0}$
- Wertebereich: $x \in [0, \infty)$
- Verteilungsfunktion: $F_{\mathrm{E}}(x / \lambda) = \begin{cases} 0 & \text{für } x < 0 \ 1 - \mathrm{e}^{-\lambda x} & \text{für } x \geq 0 \end{cases}$
- Erwartungswert: $E(X) = \frac{1}{\lambda}$
- Varianz: $\mathrm{Var}(X) = \frac{1}{\lambda^2}$
Beispiel zur Exponentialverteilung: Kundenankunft
Angenommen, der Parameter $\lambda = 2$. Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde in den nächsten 3 Minuten ankommt?
- Berechnung: $W(X \leqslant 3) = F_{\mathrm{E}}(3/2) = 1 - \mathrm{e}^{-2 \cdot 3} \approx 0,9975$
Die Wahrscheinlichkeit ist also sehr hoch (ca. 99,75%), dass ein Kunde innerhalb von 3 Minuten eintrifft.
Die Normalverteilung: Die Gaußsche Glockenkurve
Die Normalverteilung, oft auch als Gauß-Verteilung bekannt, ist zweifellos die wichtigste stetige Wahrscheinlichkeitsverteilung. Sie beschreibt viele natürliche Phänomene und ist die Grundlage vieler statistischer Tests. Sie entsteht oft, wenn viele unabhängige Zufallseinflüsse auf eine Variable wirken (Zentraler Grenzwertsatz).
Die Verteilung einer stetigen Zufallsvariable $X$ folgt einer Normalverteilung mit Parameter $\mu$ (Erwartungswert) und $\sigma^2$ (Varianz), wenn $X$ die folgende Wahrscheinlichkeitsdichte besitzt:
$f_{\mathrm{n}}(x / \mu; \sigma^2) = \frac{1}{\sigma \sqrt{2\pi}} \mathrm{e}^{-\frac{1}{2} \left(\frac{x - \mu}{\sigma}\right)^2}$
Eigenschaften und Bemerkungen zur Normalverteilung
- Parameter: $\mu \in \mathbb{R}$ (Mittelwert), $\sigma^2 \in \mathbb{R}_+ \setminus {0}$ (Varianz)
- Wertebereich: $x \in (-\infty, \infty)$
- Verteilungsfunktion: $F_{\mathrm{n}}(x / \mu; \sigma^2) = \int_{-\infty}^{x} \frac{1}{\sigma \sqrt{2\pi}} \mathrm{e}^{-\frac{1}{2} \left(\frac{v - \mu}{\sigma}\right)^2} , dv$
Wichtige Bemerkungen zur Dichtefunktion:
- Normierungsfaktor: Das Integral der Dichtefunktion von $-\infty$ bis $\infty$ ergibt 1. Das bedeutet, die Gesamtfläche unter der Kurve ist 1, was einer Wahrscheinlichkeit von 100% entspricht.
- Abfallverhalten der Dichte: Die Dichte fällt exponentiell zu den Rändern hin ab, ähnlich wie bei der Exponentialverteilung.
- Symmetrie und quadratische Gewichtung: Die Dichtefunktion ist symmetrisch um den Mittelwert $\mu$. Die Abweichungen vom Mittelwert werden quadratisch gewichtet, was zu der charakteristischen Glockenform führt.
Die Drei-Sigma-Regel der Normalverteilung
Eine besonders nützliche Eigenschaft der Normalverteilung ist die Drei-Sigma-Regel (auch 68-95-99.7-Regel genannt). Sie besagt, dass ungefähr:
- 68,27% der Werte innerhalb einer Standardabweichung ($\mu \pm \sigma$) vom Mittelwert liegen.
- 95,45% der Werte innerhalb von zwei Standardabweichungen ($\mu \pm 2\sigma$) vom Mittelwert liegen.
- 99,73% der Werte innerhalb von drei Standardabweichungen ($\mu \pm 3\sigma$) vom Mittelwert liegen.
Diese Regel ist entscheidend für die Interpretation von Daten und die Festlegung von Konfidenzintervallen in vielen Bereichen.
Häufig gestellte Fragen zu stetigen Verteilungen
Was ist der Hauptunterschied zwischen diskreten und stetigen Verteilungen?
Der Hauptunterschied liegt im Wertebereich der Zufallsvariablen. Diskrete Verteilungen haben einen abzählbaren Wertebereich (z.B. ganze Zahlen), während stetige Verteilungen einen überabzählbaren Wertebereich haben (z.B. reelle Zahlen in einem Intervall). Bei stetigen Verteilungen sind Wahrscheinlichkeiten für einzelne Punkte null; man betrachtet Intervalle.
Wann verwende ich welche stetige Verteilung?
- Stetige Gleichverteilung: Wenn alle Werte in einem Intervall die gleiche Wahrscheinlichkeit haben (z.B. Wartezeit auf ein unregelmäßiges Ereignis).
- Exponentialverteilung: Für Wartezeiten oder Lebensdauern von Ereignissen, die zufällig und ohne Gedächtnis eintreten (z.B. Zeit bis zum nächsten Anruf, Lebensdauer eines elektronischen Bauteils).
- Normalverteilung: Wenn viele kleine, unabhängige Faktoren eine Variable beeinflussen; für natürliche Phänomene, Messfehler, oder Summen vieler Zufallsvariablen (z.B. Körpergröße, Messergebnisse, Intelligenzquotient).
Kann die Binomialverteilung stetig werden?
Für große $n$ kann die diskrete Binomialverteilung durch die stetige Normalverteilung angenähert werden. Dies ist ein wichtiger Aspekt des Zentralen Grenzwertsatzes. Wenn die Anzahl der Versuche $n$ groß ist und die Erfolgswahrscheinlichkeit $p$ nicht zu extrem ist (also nicht zu nah an 0 oder 1), kann die Normalverteilung eine gute Approximation für die Binomialverteilung sein. Weitere Details dazu findest du auf Wikipedia.