fachhochschule jena university of applied sciences...
TRANSCRIPT
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 1
Wiederholung Analysis
( ) ( )
( ) ( ) ( ) ( )
sei Stammfunktion zu F x f x
f x dx F x F x f x
→
′= ⇔ =∫Bestimmtes Integral
( ) ( ) ( )b
a
f x dx F b F a= −∫a b
f(x)
A=F(b)-F(a)
( ) 0 ( ) ( ) ist monoton wachsendx
f t F x f t dt−∞
≥ ⇒ = ∫
( ) ( ) lim ( ), falls der Grenzwert existiertx
af t dt F x F a
→−∞−∞
= −∫
Uneigentliche Integrale
( ) lim ( ) ( ), falls der Grenzwert existiertb
x
f t dt F b F x∞
→∞= −∫
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 2
Stetige Zufallsgrößen
Eine Zufallsgröße heißt stetig, wenn sie alle Werte eines Intervalls annehmen kann.
Stetige Zufallsgrößen beschreiben zum Beispiel: • Lebensdauer eines Bauelements • Wartezeiten auf eine Bedienung • Fehler bei Längenmessungen
Problem Ist X eine stetige Zufallsgröße, so gilt P(X = x) = 0 für jedes x, d.h. jeder Wert wird mit der Wahrscheinlichkeit 0 angenommen.
Eine stetige Verteilung ist also nicht über Punktwahrscheinlichkeiten P(X = x) beschreibbar. Ausweg Anstelle von P(X = x) werden alle Intervallwahrscheinlichkeiten P(X ≤ x) für die Charakterisierung der Verteilung betrachtet. Dadurch entsteht eine Verteilungsfunktion.
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 3
Verteilungsfunktion
Verteilungsfunktion der Zufallsgröße X:
( ) ( ),F x P X x x= ≤ ∈
0 ( ) 1( )
lim ( ) 0
lim ( ) 1
1. 2. ist monoton wachsend3.
4. x
x
F xF x
F x
F x→−∞
→+∞
≤ ≤
=
=
Eigenschaften der Verteilungsfunktion
0 0( ) ( )F x P X x= ≤
Interpretation F(x) gibt die Wahrscheinlichkeit an, dass X Werte im Intervall (-∞, x] annimmt.
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 4
Intervallwahrscheinlichkeiten
( ) ( )( ) ( ) ( )( ) 1 ( )
1. 2. 3.
P X b F bP a X b F b F aP a X F a
≤ =< ≤ = −< = −
Da bei stetigen Zufallsgrößen die Punktwahrscheinlichkeiten P(X = x) gleich Null sind, sind ‚<´ und ‚≤‘ bei der Berechnung der Intervallwahrscheinlichkeiten beliebig austauschbar.
Berechnung von Intervallwahrscheinlichkeiten
( ) ( ) ( )P a X b F b F a< ≤ = −
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 5
Stetige Zufallsgrößen
Die Intervallwahrscheinlichkeiten sind umso größer, je steiler der Anstieg von F(x) ist.
( )
( ) ( )
Das Anstiegsverhalten von wird über die erste Ableitung beschrieben:
F x
F x f x′ =
a‘ b‘
F(b‘)-F(a‘)
In Intervallen mit großen Werten steilem Anstieg von F(x), d.h. großen Werten von liegt X mit hoher Wahrscheinlichkeit, daher bezeichnet man als Dichte.
( ) ( )F x f x′ =( )f x
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 6
Dichte einer stetigen Zufallsgröße X mit der Verteilungsfunktion F
Dichte
( ) 0
( ) ( ) ( ) 1
0
4.'
1.
2.
3. In Intervallen mit Dichte liegen (quasi) keine Realisierungen von
In Intervallen mit hoher Dichte liegenviele' Werte der Zufallsgröße
( liegt do
f x
f x dx F F
X
X
+∞
−∞
≥
= ∞ − −∞ =
=∫
rt mit hoher Wahrscheinlichkeit)
Berechnung der Verteilungsfunktion aus der Dichte
( ) ( )x
F x f t dt−∞
= ∫
( ) ( )F x f x′ =( )f x
Eigenschaften der Dichte
5.1
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 7
Dichte
( , 0)Dichte ist Grenzfall des Histogramms Klassenbreiten →∞ →
-3,00 -2,00 -1,00 0,00 1,00 2,00
r400
10
20
30
40
50
Cou
nt
-2,00 -1,00 0,00 1,00 2,00
r200
0
10
20
30
Cou
nt
-2,00 -1,00 0,00 1,00 2,00
r100
0
5
10
15
Cou
nt
Histogramme von 100, 200 bzw. 400 (normalverteilten) Zufallszahlen mit steigender Klassenanzahl bei fallender Klassenbreite und Dichte der Verteilung
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 8
Dichte
Da bei stetigen Zufallsgrößen die Punktwahrscheinlichkeiten P(X = x) alle gleich Null sind, sind ‚<´ und ‚≤‘ bei der Berechnung der Intervallwahrscheinlichkeiten beliebig austauschbar.
Berechnung von Intervallwahrscheinlichkeiten mit der Dichte
( ) ( )a
P X a f x dx−∞
≤ = ∫
a
( )P X a≤
a b
( )P a X b< ≤
( ) ( )b
aP a X b f x dx< ≤ = ∫
( ) ( )b
P X b f x dx∞
> = ∫
b
( )P X b>
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 9
Kenngrößen stetiger Verteilungen
X sei eine stetige Zufallsgröße mit der Dichte f(x):
Erwartungswert E ( )X x f x dx= ⋅∫
Varianz 2
2 2
Var ( E ) ( )
( ) (E )
X x X f x dx
x f x dx X
= −
= −
∫∫
Standardabweichung (Streuung)
Vars X= +
Variationskoeffizient (nur bei X >= 0) svEX
=
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 10
Kenngrößen stetiger Verteilungen
Formeln bei stetigen und diskreten Zufallsgrößen sind analog • Dichte f(x) entspricht der Wahrscheinlichkeitsfunktion pk=P(X=xk) • Integral entspricht dem Summenzeichen
stetige Zufallsgröße
Erwartungswert E ( )X x f x dx= ⋅∫
Varianz 2Var ( E ) ( )X x X f x dx= −∫
( )k kk
EX x P X x= =∑
2Var ( ) ( )k kk
X x EX P X x= − =∑
diskrete Zufallsgröße
Vergleich der Formelstrukturen
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 11
Kenngrößen stetiger Verteilungen
α uα
uα heißt α - Quantil der Verteilung von X, wenn ( ) , 0 1P X uα< = α < α <
( ) ( )u
P X u f x dxα
α −∞< = α ⇔ = α∫
Zusammenhang zu Dichte Zusammenhang zu Verteilungsfunktion
( ) ( )P X u F uα αα = < =
α uα
Folgerungen
links von uα liegen α · 100% der Werte von X Ist die Verteilungsfunktion streng monoton, existiert ihre Umkehrfunktion, und es gilt: 1( )u F −
α = α
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 12
Spezielle stetige Verteilungen
Wichtige Verteilungen für Modellierung (Auswahl):
Gleichverteilung Gl[a,b] Weibullverteilung W2(b,T)
Exponentialverteilung exp(λ) Erlangverteilung Erlang(λ,n)
Normalverteilung N(µ, σ2) Gammaverteilung Γ 2(a,n)
2χ
Wichtige Testverteilungen in schließender Statistik:
T – Verteilung tn
- Verteilung χ2n
F – Verteilung Fm,n
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 13
Spezielle stetige Verteilungen
Gleichverteilung auf Intervall
[ ],a b
Dichte [ ]1 ,( )0 sonst
x a bf x b a ∈= −
0
( )
1
x ax aF x a x bb a
x b
≤ −
= < ≤ −>
Erwartungswert Varianz 2
a bEX +=
2( )12
b aVarX −=
Modell
Außerhalb des Intervalls liegen keine Werte von X. Die Wahrscheinlichkeit, dass X Werte in einem Teilintervall von annimmt, ist nur abhängig von der Intervalllänge, aber nicht von der Lage des Teilintervalls. Bezeichnung: X ~ Gl[a,b]
[ ],a b[ ],a b
a b
a b
5.2
Verteilungsfunktion
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 14
Normalverteilung
Normalverteilung N(µ, σ2)
Anwendungen
1. Verteilung zufälliger Messfehler
2. Verteilung der Summe von vielen unabhängigen Zufallsgrößen
3. Verteilung des Mittelwertes von unabhängigen Zufallsgrößen
⇒ Bedeutung in der Statistik 1
1 30 für in guter Näherungn
ii
X X nn =
= ≥∑
Normalverteilung ist am besten untersuchte stetige Verteilung in Statistik!
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 15
Normalverteilung N(µ, σ2) ( )2
222
1( )2
Gaußsche Glockenkurve x
f x e−µ
−σ=
πσDichte :
2, 0Parameter µ∈ σ >
Kurvendiskussion:
- Maximum in μ
- symmetrisch zu μ
- Wendepunkte in μ ± σ
µ −σ µ µ + σ
Normalverteilung
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 16
Normalverteilung N(µ, σ2)
Form der Dichte in Abhängigkeit von den Parametern
1. Die Werte der Zufallsgröße X sind um μ konzentriert 2. Je größer der Abstand von μ, desto seltener liegen die Werte 3. Je kleiner σ , desto enger ist die Kurve
Bedeutung der Parameter
Erwartungswert: E X = μ Varianz: Var X = σ²
Normalverteilung
-5 -4 -3 -2 -1 0 1 2 3 4 50
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
N(0,1)N(0,4)N(1,1)
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 17
( )222
) 2
1( )2
2( ,Verteilungsfunktion
tx
x e dt−µ
−σ
µ σ−∞
φ =πσ
∫
Berechnung von Wahrscheinlichkeiten ‚zu Fuß’ nicht möglich Es gibt keine Stammfunktion für das Integral, nur tabellierte Werte.
2
2( )
22
1( )2
xb
aP a X b e dx
−µσ< ≤ =
πσ∫
Tabellen existieren nur für den Spezialfall der Standardnormalverteilung, für Parameter ist Transformation erforderlich. 20, 1µ ≠ σ ≠
Spezialfall Standardnormalverteilung 0 1) ( ) ( )( , x xφ = φ
20, 1µ = σ =
Normalverteilung
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 18
Transformation in Standardnormalverteilung
Da die Standardnormalverteilung symmetrisch zu Null ist, existieren Tabellen nur für x ≥ 0. Für x < 0 erfolgt eine Umrechnung nach folgender Beziehung:
( ) 1 ( )x xΦ − = −Φ
X sei eine normalverteilte Zufallsgröße, X ~ N(μ, σ2), dann gilt:
(0,1)XZ N−µ=
σ
Beispiel X~ N(2, 9), dann ist μ = 2, σ = 3
(2,9) (0,1)1 2(1)
3− Φ = Φ
(0,1)13
= Φ −
( )(0,1)1 0.33= −Φ 1 0.6293 0.3707= − =
Normalverteilung
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 19
0.6293=( )(0,1) 0.33Φ
0,00 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,00 ,5000 ,5040 ,5080 ,5120 ,5160 ,5199 ,5239 ,5279 ,5319 ,5359
0,10 ,5398 ,5438 ,5478 ,5517 ,5557 ,5596 ,5636 ,5675 ,5714 ,5753
0,20 ,5793 ,5832 ,5871 ,5910 ,5948 ,5987 ,6026 ,6064 ,6103 ,6141
0,30 ,6179 ,6217 ,6255 ,6293 ,6331 ,6368 ,6406 ,6443 ,6480 ,6517
0,40 ,6554 ,6591 ,6628 ,6664 ,6700 ,6736 ,6772 ,6808 ,6844 ,6879
0,50 ,6915 ,6950 ,6985 ,7019 ,7054 ,7088 ,7123 ,7157 ,7190 ,7224
0,60 ,7257 ,7291 ,7324 ,7357 ,7389 ,7422 ,7454 ,7486 ,7517 ,7549
0,70 ,7580 ,7611 ,7642 ,7673 ,7704 ,7734 ,7764 ,7794 ,7823 ,7852
0,80 ,7881 ,7910 ,7939 ,7967 ,7995 ,8023 ,8051 ,8078 ,8106 ,8133
0,30
0,03
,6293
Standardnormalverteilung: Tabellierte Verteilungsfunktion
Auf den Rändern steht das Argument mit maximal 2 Dezimalstellen, im Inneren der entsprechende Funktionswert.
Ablesebeispiel
Normalverteilung
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 20
Berechnung von Intervallwahrscheinlichkeiten für
( )
( ) 1
( )
b aP a X b
aP a X
bP X b
−µ −µ < ≤ = Φ −Φ σ σ −µ < = −Φ σ
−µ ≤ = Φ σ
5.3
Normalverteilung
2~ ( , )X N µ σ
k- σ- Regel für normalverteilte Zufallsgrößen
( ) 0.6826( 2 2 ) 0.9544( 3 3 ) 0.9973
P XP XP X
µ −σ < < µ + σ =µ − σ < < µ + σ =µ − σ < < µ + σ =
1,2,3k =für
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 21
Additionssatz
Additionssatz für unabhängige, normalverteilte Zufallsgrößen
( ) ( )( )
2 21 1 2 2
2 21 2 1 2
~ , , ~ , ,
~ , .
Sei dann ist normalverteilt,
und es gilt
X N Y N X Y
X Y N
µ σ µ σ +
+ µ +µ σ + σ
Folgerung
seien unabhängig, identisch verteilt nach
Dann gilt 1,..., nX X 2( , )N µ σ
2
1
1 ~ ( , / )n
ii
X X N nn =
= µ σ∑ 5.4
Die Verteilung der Summe von Zufallsgrößen nennt man Faltung. Eine explizite Berechnung von Faltungen ist oft elementar schwierig. Der Additionssatz besagt, dass eine Faltung von unabhängigen Normalverteilungen wieder eine NV ergibt.
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 22
Die Symmetrie der Dichte bewirkt folgende Symmetrie der Quantile
1z zα −α= −
Die Quantile der Normalverteilung erhält man aus der Verteilungstabelle, indem man α im Inneren der Tabelle als Funktionswert sucht. Das dazugehörige Argument auf dem Rand ist dann das Quantil der Ordnung α.
zα 1z −α
αα
Spezielle Quantile
0.95
0.975
0.99
1.641.962.33
zzz
===
Quantile der Standardnormalverteilung
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 23
Exponentialverteilung
Exponentialverteilung mit Parameter λ Modell
Lebensdauerverteilung mit ‚Nichtalterungseigenschaft‘ 1/λ ist das mittlere Alter einer so verteilten Größe, λ > 0 Bezeichnung: X ~ Exp(λ)
Erwartungswert Varianz 1EX =λ 2
1VarX =λ
0 0( )0x
xf xe x−λ
≤= λ >
0 0( )1 0x
xF xe x−λ
≤= − >
Dichte
1000 2000 3000 4000 5000
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
x
yF(x)
5.5
Verteilungsfunktion
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 24
Exponentialverteilung
Nichtalterungseigenschaft der Exponentialverteilung
( / ) ( ) 0, 0 für alle P X t h X t P X h t h≥ + ≥ = ≥ ≥ ≥
Interpretation Fällt ein Teil mit exponentiell verteilter Lebensdauer im Intervall (0,t) nicht aus, dann ist Wahrscheinlichkeit, noch länger als h Zeiteinheiten zu leben so groß wie die Wahrscheinlichkeit, als neues Teil (startend in 0) länger als h zu leben.
Satz Das Minimum ist exponentialverteilt mit dem Parameter
Seien unabhängige, exponentialverteilte Zufallsgrößen mit den Parametern
Verteilung des Minimums von Exponentialverteilungen
1 2, ,..., nX X X1,..., nλ λ
1 2min( , ,..., )nX X X1
n
kk=λ∑
5.6
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 25
Die Summe heißt erlangverteilt der Ordnung n mit Parameter X ~ Erl(n,λ) (Faltung n unabhängiger exponentialverteilter ZG mit gleichem λ)
Seien unabhängige, exponentialverteilte Zufallsgrößen mit dem gleichen Parameter
Erlangverteilung
Modell Verteilung der Summe von Exponentialverteilungen
Erwartungswert
1 2, ,..., nX X X
nEX =λ
2nVarX =λ
λ
1 2 ... nX X X X= + + + λ
1
0
( )( )!
kn
k
xF x ek
−−λ
=
λ= ∑
Varianz
Verteilungsfunktion
Dichte 1( )( )
( 1)!
nxxf x e
n
−−λλ
= λ−
Fachhochschule JenaUniversity of Applied Sciences Jena
Ausfallrate gibt an, mit welcher Chance ein Element im nächsten (beliebig kleinen) Zeitraum ausfallen wird, wenn es bis zum Zeitpunkt t überlebt hat.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 26
Exponentialverteilung
Anwendung in der Zuverlässigkeitstheorie T sei die zufällige Lebensdauer eines Bauelements, dann ist ihre Verteilung die Ausfallwahrscheinlichkeit
( ) ( ), 0P T t F t t< = >
R sei die (zufällige) Überlebensfunktion/Zuverlässigkeitsfunktion des Bauelements, ( ) ( ) 1 ( ), 0R t P T t F t t= ≥ = − ≥
Mittlere Lebensdauer
0
( )ET t f t dt∞
= ⋅∫0
( ) ,es gilt falls ET R t dt ET∞
= < ∞∫
Ausfallrate (Hazardfunktion) ( ) ( ) / ( )h t f t R t= 0
( )
( )es gilt
t
h x dx
R t e−∫
=
5.7
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 27
Weibullverteilung
Weibullverteilung mit den Parametern b und T
Dichte
( ) 1 , 0bx
TF x e x − = − ≥
Modell Lebensdauerverteilung mit zeitabhängiger Ausfallrate (Alterung modellierbar) Bezeichnung: X ~ Wei(b,T), b > 0, T > 0
1
( )bxb
Tb xf x eT T
− − =
Verteilungsfunktion
Bedeutung der Parameter T > 0: charakteristische Lebensdauer, das entspricht der Zeit, in der 63.2% aller Objekte ausgefallen sind b > 0: Ausfallsteilheit, in der Praxis meist 0.25 < b < 5 ab b = 3.5 Ähnlichkeit mit NV b = 1: Exponentialverteilung mit λ=1/T
Dichten für verschiedene b
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 28
Alternative Darstellung mit
Weibullverteilung
Erwartungswert
( ) 1 , 0xF x e xβ−α= − ≥
1( ) xf x x eββ− −α= αβ
Varianz
1bT
β β = α =
und
1 1EX Tb
= Γ +
22 2 11 1VarX T
b b = Γ + − Γ +
wobei die Gamma-Funktion definiert ist durch 1
0
( ) ya e y dy∞
− α−Γ = ∫
1/ 1 1EX − β = α Γ + β
22/ 2 11 1VarX − β
= α Γ + − Γ + β β
( ) 1 , 0bx
TF x e x − = − ≥Verteilungsfunktion
Dichte 1
( )bxb
Tb xf x eT T
− − =
Ausfallrate 11( )b
bx b xT
− λ = ⋅
1( )x xβ−λ = αβ ⋅
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 29
Die Gamma-Funktion ist eine ‚Fortsetzung‘ von auf die reellen Zahlen mit Ausnahme der negativen ganzen Zahlen und Null durch
Gamma-Funktion
5.8
1
0
( ) ya e y dy∞
− α−Γ = ∫
Eigenschaften der Gamma-Funktion (1) 1Γ =
( ) ( 1) ( 1)Γ α = α − Γ α −( ) ( 1)!n nΓ = −
1 1 3 5 ... (2 1)2 2n
nn ⋅ ⋅ ⋅ ⋅ − Γ + = π
( ) ( 1)!f n n= −
Spezielle Funktionswerte erhält man aus folgenden Eigenschaften:
(1/ 2)Γ = π
Bsp. (3 / 2) (1 1/ 2)2π
Γ =Γ + =
0 1 2 3 4 50
2
4
6
8
10
12
x
y
weitere Funktionswerte sind tabelliert bzw. mit MATLAB berechenbar
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 30
Weibullverteilung
Anwendung:
Modellierung der Ausfallwahrscheinlichkeit/Lebensdauer von Systemen bei nicht konstanter Ausfallrate
Ausfallwahrscheinlichkeit: ( ) ( ) 1bt
TW X t F t e − ≤ = = −
Zuverlässigkeit: ( ) 1 ( )bt
TR t F t e − = − =
Ausfallrate: 1( )( )
( )
bf t b th tR t T T
− = =
Ausfallrate gibt an, mit welcher Chance ein Element im nächsten (beliebig kleinen) Zeitraum ausfallen wird, wenn es bis zum Zeitpunkt t überlebt hat.
b > 1: Ausfallrate steigt mit t (Verschleißausfälle)
b < 1: Ausfallrate ist monoton fallend (Frühausfälle, dann Stabilität)
b = 1: konstante Ausfallrate (Exponentialverteilung)
( )tλ
( )tλ1( )tT
λ =
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 31
Stetige Verteilung
Die Werte ihrer Quantile sind für verschiedene Freiheitsgrade und Quantilordnungen α tabelliert. Für ein Quantil der Ordnung α jeder der Verteilungsfunktionen F gilt
Viele Computerprogramme enthalten die Werte der inversen Verteilungsfunktionen.
au1( ) ( )a aF u u F −= α ↔ = α
Wichtige Verteilungen der schließenden Statistik
- Verteilung mit n Freiheitsgraden: 2χ
t - Verteilung mit n Freiheitsgraden:
F – Verteilung mit (n, m) Freiheitsgraden:
Standardnormalverteilung
Die Freiheitsgrade berechnet man aus dem jeweiligen Stichprobenumfang.
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 32
Stetige Verteilung
- Verteilung mit n Freiheitsgraden: 2χ 2 2 21 ...~ (0,1),
mit unabhängig
n n
i
Z ZZ N
χ = + +
Die -Verteilungen sind nicht symmetrisch!
Daher hat man auch keine Symmetrie in den Quantilen, können nicht ineinander umgerechnet werden.
2χ
2 2, ,1 und n nα −αχ χ
Ab n > 30 können die Quantile mit denen der NV genähert werden,
2 2,
1 ( 2 1)2n z nα αχ ≈ + −
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 33
Stetige Verteilung
2
2
/ /~ (0,1),mit
chi-quadrat-verteilt mit FG, unabh. von
n n
n
T Z nZ N
n Z
= χ
χ
t - Verteilung mit n Freiheitsgraden:
Mit wachsendem n nähert sich die t-Verteilung der NV, ab n = 30 kann sie durch die der NV in guter Näherung ersetzt werden.
Die t-Verteilung besitzt die gleiche Symmetrieeigenschaft wie die NV, folglich ist 1 at t−α = −
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 34
Stetige Verteilung
2 2,
2 2
( / ) /( / )
,mit chi-quadrat-verteiltmit bzw. Freiheitsgraden,unabhängig
n m n m
n m
F n m
n m
= χ χ
χ χ
F – Verteilung mit (n, m) FG:
Für die Quantile gilt folgende Beziehung
. ., ,1
1m n a
n m
ff −α
=
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. ‹Nr.›
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 36
Grenzwertsätze
Spezialfall: Grenzwertsatz von Moivre-Laplace
Damit lässt sich die Binomialverteilung Bin(n,p) durch eine Normalverteilung mit
approximieren. Es gilt für X ~ Bin(n,p) 2, (1 )np np pµ = σ = −
( )(1 )
x npP X xnp p
−≤ ≈ Φ
−
Approximation mit Stetigkeitskorrektur 0.5 0.5( )(1 ) (1 )
x np x npP X xnp p np p
+ − − −= ≈ Φ −Φ
− − 5.9,
~ ( , ) ,(1 )n
X npX n p Znp p
−=
−Sei Bin dann nähert sich die Verteilung von für
9 0.5 5(1 )
n p n pp p
> ≈ ⋅ >−
(Faustregel: , bei auch )
n →∞ der Standardnormalverteilung.
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 37
Grenzwertsätze
Schwaches Gesetz der großen Zahlen
Sei eine Folge unabhängiger, identisch verteilter Zufallsgrößen mit
Tschebyscheffsche Ungleichung
2( ) , 0VarYP Y EY− ≥ ε ≤ ε >ε
Folgerung 2
21 8( 3 ) , ( 3 )
9 9 9folglich P Y EY P Y EYσ
− ≥ σ ≤ = − < σ ≥σ
1,2,...( )n nX =
2,n nEX VarX= µ = σ
Dann gilt für alle 0ε >
1
1lim 0N
N nn
P XN→∞
=
−µ ≥ ε =
∑
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 38
Grenzwertsätze
Konvergenz der relativen Häufigkeiten eines Ereignisses gegen seine Wahrscheinlichkeit Serie von N unabhängigen, zufälligen Versuchen zur Beobachtung des Ereignisses A
Folgerung
( )1
1lim lim ( ) 0N
N n N Nn
P X P f A pN→∞ →∞
=
−µ ≥ ε = − ≥ ε =
∑
1 falls A im -ten Versuch eintritt0 sonstn
nX
=
Dann ist ( 1) , ( 0) 1 ,n n nP X p P X p EX p= = = = − =
Nach dem schwachen Gesetz der großen Zahlen gilt für die relative Häufigkeit
1
1( )N
N nn
f A XN =
= ∑
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 39
Vektoren stetiger Zufallsgrößen
X = [X1, X2 ] sei Vektor stetiger Zufallsgröße über der gleichen Grundmenge Ω
Gemeinsame Verteilungsfunktion 1 2 1 1 2 2 1 2( , ) ( ), ,XF x x P X x X x x x= ≤ ∩ ≤ ∈
Randverteilungen der Komponenten
1 2 2 12 1( ) lim ( , ), ( ) lim ( , )X x X X x XF x F x x F x F x x→∞ →∞= =
Die Komponenten X1, X2 sind unabhängig, wenn
1 21 2 1 2 1 2( , ) ( ) ( ), ,X X XF x x F x F x x x= ⋅ ∈
Der Vektor heißt stetig verteilt mit der gemeinsamen Dichte , wenn 1 2( , )Xf x x1 2
1 2 1 2 2 1( , ) ( , )x x
X XF x x f d d−∞ −∞
= ξ ξ ξ ξ∫ ∫Bei Unabhängigkeit ist diese Dichte gleich dem Produkt der Randdichten
1 21 2 1 2( , ) ( ) ( )X X Xf x x f x f x= ⋅
'( ) ( )i iX Xf x F x=
Fachhochschule JenaUniversity of Applied Sciences Jena
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Stet. Vert. 40
Vektoren stetiger Zufallsgrößen
X1, X2 seien stetige Zufallsgröße mit der gemeinsamen Dichte fX Kovarianz
1 2 1 1 2 2
1 1 2 2 1 2 2 1
( , ) ( )( )
( )( ) ( , )X
Cov X X E X EX X EX
x EX x EX f x x dx dx∞ ∞
−∞ −∞
= − −
= − −∫ ∫Korrelation
1 2
1 2
( , )Cov X XVarX VarX
ρ =⋅
Mit -1 ≤ ρ ≤ 1 ist die Korrelation ein Maß für die lineare Abhängigkeit, wobei ρ = 0 für lineare Unabhängigkeit steht.
Faltung von X1, X2 : Verteilung der Summe Z = X1 + X2 Dichte der Faltung bei zusätzlicher Voraussetzung der Unabhängigkeit von X1, X2
1 2 1 2( ) ( ) ( ) ( )Z X X X Xf z f z f x f z x dx
+∞
∗−∞
= = −∫