Einführung
In der Wahrscheinlichkeitsrechnung und Statistik unterscheiden wir zwischen verschiedenen Arten von Verteilungen, die beschreiben, wie Wahrscheinlichkeiten auf verschiedene Ereignisse verteilt sind. Die zwei Hauptkategorien sind diskrete und stetige Verteilungen. In diesem Abschnitt konzentrieren wir uns auf stetige Verteilungen und deren grundlegende Eigenschaften sowie die Unterschiede zu diskreten Verteilungen.
Diskrete vs. Stetige Verteilungen
Eine diskrete Verteilung beschreibt eine Situation, in der die möglichen Ergebnisse eines Zufallsexperiments abzählbar sind. Das bedeutet, dass man die möglichen Ergebnisse auflisten kann, auch wenn es unendlich viele sind. Ein klassisches Beispiel für eine diskrete Verteilung ist das Würfeln mit einem fairen sechsseitigen Würfel. Die möglichen Ergebnisse sind 1, 2, 3, 4, 5 und 6. Weitere Beispiele sind die Anzahl der Treffer in einer Serie von Bernoulli-Versuchen oder die Anzahl der Kunden, die in einer Stunde einen Laden betreten.
Eine stetige Verteilung hingegen beschreibt Situationen, in denen die möglichen Ergebnisse ein Kontinuum bilden. Das bedeutet, dass zwischen jedem Paar von möglichen Ergebnissen unendlich viele weitere Ergebnisse liegen können. Ein klassisches Beispiel für eine stetige Verteilung ist die Körpergröße von Menschen. Zwischen jeder beliebigen Körpergröße und einer anderen gibt es unendlich viele mögliche Werte. Weitere Beispiele für stetige Verteilungen sind die Zeit, die ein Kunde im Laden verbringt, oder die Temperatur an einem bestimmten Tag.
Wichtige Konzepte
Wahrscheinlichkeitsdichtefunktion (PDF): Bei stetigen Verteilungen verwenden wir die Wahrscheinlichkeitsdichtefunktion (Probability Density Function, PDF), um die Wahrscheinlichkeitsverteilung zu beschreiben. Die PDF gibt an, wie dicht die Wahrscheinlichkeiten in einem bestimmten Intervall liegen. Ein wichtiger Unterschied zu diskreten Verteilungen ist, dass der Wert der PDF an einem bestimmten Punkt nicht direkt die Wahrscheinlichkeit dieses Punktes angibt. Stattdessen muss man das Integral der PDF über ein Intervall berechnen, um die Wahrscheinlichkeit zu erhalten, dass der Zufallswert in diesem Intervall liegt.
Integral: Ein Integral ist ein mathematisches Werkzeug, das verwendet wird, um die Fläche unter einer Kurve zu berechnen. Im Kontext der Wahrscheinlichkeitsdichtefunktion bedeutet dies, dass das Integral der PDF über ein bestimmtes Intervall die Wahrscheinlichkeit angibt, dass der Zufallswert in diesem Intervall liegt.
Kumulative Verteilungsfunktion (CDF): Die kumulative Verteilungsfunktion (Cumulative Distribution Function, CDF) gibt die Wahrscheinlichkeit an, dass ein Zufallswert kleiner oder gleich einem bestimmten Wert ist. Für stetige Verteilungen wird die CDF durch das Integral der PDF von minus unendlich bis zu diesem Wert berechnet. Die CDF ist eine nützliche Funktion, um die gesamte Wahrscheinlichkeitsverteilung eines stetigen Zufallswertes zu verstehen.
Eigenschaften stetiger Verteilungen: Stetige Verteilungen haben einige besondere Eigenschaften:
Beispiele stetiger Verteilungen
Normalverteilung: Eine der bekanntesten stetigen Verteilungen ist die Normalverteilung, auch Gauß-Verteilung genannt. Sie hat die charakteristische Glockenform und wird durch den Mittelwert (μ) und die Standardabweichung (σ) beschrieben. Die Normalverteilung ist in vielen Bereichen der Wissenschaft und Technik von großer Bedeutung, da viele natürliche und menschengemachte Phänomene normalverteilt sind.
Exponentialverteilung: Diese Verteilung wird oft verwendet, um die Zeit zwischen zwei unabhängigen Ereignissen zu modellieren, die mit einer konstanten durchschnittlichen Rate auftreten, wie z.B. die Zeit zwischen Anrufen bei einem Callcenter.
Zusammenfassung
Stetige Verteilungen unterscheiden sich grundlegend von diskreten Verteilungen durch die Art und Weise, wie Wahrscheinlichkeiten verteilt sind. Während diskrete Verteilungen abzählbare Ergebnisse haben, bilden die möglichen Ergebnisse bei stetigen Verteilungen ein Kontinuum. Wichtige Konzepte bei stetigen Verteilungen sind die Wahrscheinlichkeitsdichtefunktion (PDF), das Integral und die kumulative Verteilungsfunktion (CDF). Durch das Verständnis dieser Konzepte können wir die Verhaltensweisen und Eigenschaften von stetigen Zufallsvariablen analysieren und anwenden.