Statistik für Naturwissenschaftler

Transkript

1 Hans Walser Statistik für Naturwissenschaftler k Binomialverteilung Normalverteilung 6 Normalverteilung Lernumgebung

2 Hans Walser: 6 Normalverteilung Inhalt 1 Manipulation an Funktionen Große Zahlen n Münzenwurf Boys Münzenwurf Vergleich dreier Versuche Produktionsprozess Der 95%-Mann For fans only: Der zentrale Grenzwertsatz von de Moivre... 9 last modified: 25. Juli 2011

3 Hans Walser: 6 Normalverteilung 1 1 Manipulation an Funktionen Wie verhalten sich jeweils die beiden Funktionsgraphen? a) f( x) und g( x) = f( x 1) b) f( x) und g( x) = f( x) 1 c) f( x) und g( x) = f( x+1) 1 d) f( x) und g( x) = f( x+1)+1 e) f( x) und g( x) = 3f( x) f) f( x) und g( x) = f ( 3x) g) f( x) und g( x) = 3f ( 3x) h) f( x) und g( x) = 1 4 f( x) i) f( x) und g( x) = f x ( 4 ) ( ) j) f( x) und g( x) = 1 4 f x 4 Ergebnis a) 1 b) 1 c) 1, 1 d) 1, 1 e) Strecken in y-richtung, Faktor 3 f) Schrumpfen in x-richtung, Faktor 1 3 g) Strecken in y-richtung, Faktor 3, Schrumpfen in x-richtung, Faktor 1 3 h) Schrumpfen in y-richtung, Faktor 1 4 i) Strecken in x-richtung, Faktor 4 j) Strecken in x-richtung, Faktor 4, Schrumpfen in y-richtung, Faktor Große Zahlen n Ein Laplace Würfel wird n mal geworfen. Ein Erfolg ist das Werfen einer Fünf. Bestimmen Sie je für n = 60 und für n = 240: a) Mit welcher Wahrscheinlichkeit trifft man exakt den Mittelwert? P n ( k = µ )=? b) Mit welcher Wahrscheinlichkeit kommt man in eine 10%-Umgebung des Mittelwertes? P n 0.9µ k 1.1µ ( ) =? Kommentar zu den Resultaten?

4 Hans Walser: 6 Normalverteilung 2 Ergebnis n = 60 a) b) n = 240 a) b) Kommentar: Gegenläufige Wahrscheinlichkeiten. 3 Münzenwurf a) Mit welcher Wahrscheinlichkeit erhalten wir beim Wurf von 20 Laplace-Münzen aa) genau 12 Mal Kopf? ab) zwischen 11 und 13 Mal Kopf? b) Mit welcher Wahrscheinlichkeit erhalten wir beim Wurf von 40 Laplace-Münzen ba) genau 24 Mal Kopf? bb) zwischen 22 und 26 Mal Kopf? c) Mit welcher Wahrscheinlichkeit erhalten wir beim Wurf von 80 Laplace-Münzen ca) genau 48 Mal Kopf? cb) zwischen 44 und 52 Mal Kopf? Bearbeitung a) Binomialverteilung (Werte aus der Tabelle) aa) 20 P 20 ( 12)= 12 ( )( 1 2 ) 12 1 ( )

5 Hans Walser: 6 Normalverteilung 3 ab) 13 ( )( 1 2 ) k 1 ( ) 20 k P 20 ( 11 k 13)= 20 k = = k= k Histogramm b) Binomialverteilung muss durch Normalverteilung approximiert werden. Es ist: ba) µ = np = 20 = 10 Direkte Berechnung: P 40 ( 24 1 ) e ( 10 ) Berechnung mit Normalverteilungstabelle (linear interpoliert): u b = b+ 1 2 µ = = ( 1.423)= u a = a 1 2 µ = = ( 1.107)= P 40 ( 22) ( 1.423) ( 1.107)= =

6 Hans Walser: 6 Normalverteilung 4 bb) Berechung mit Normalverteilungstabelle (linear interpoliert): u b = b+ 1 2 µ = = ( 2.055)= u a = a 1 2 µ = = ( 0.474)= P 40 ( 22 k 26) ( 2.055) ( 0.474)= = k Glockenkurve mit Integral c) Binomialverteilung muss durch Normalverteilung approximiert werden. Es ist: ca) µ = np = 40 = 20 Direkte Berechnung: P 80 ( 48 1 ) e ( 20 ) Berechnung mit Normalverteilungstabelle (linear interpoliert): u b = b+ 1 2 µ = = ( 1.901)= u a = a 1 2 µ = = ( 1.677)= P 80 ( 48) ( 1.901) ( 1.677)= =

7 Hans Walser: 6 Normalverteilung 5 cb) Berechung mit Normalverteilungstabelle: u b = b+ 1 2 µ = = ( 2.795)= u a = a 1 2 µ = = ( 0.783)= P 80 ( 44 k 52) ( 2.795) ( 0.783)= = Die Wahrscheinlichkeit, genau in die Mitte zu kommen, nimmt mit wachsendem n ab. Die Wahrscheinlichkeit, in eine 10%-Umgebung der Mitte zu kommen, nimmt mit wachsendem n zu. Dasselbe mit MuPAD: a) Binomialverteilung aa) n:=20: p:=1/2: k:=12: q:=1-p: P:=float(binomial(n, k)*p^k*q^(n-k)): print(unquoted, "P(".n.",".k.") = ".P); ab) P(20,12) = n:=20: p:=1/2: a:=11: b:=13: t := time(): q:=1-p: P:=sum(float(binomial(n, k)*p^k*q^(n-k)), k=a..b): zeit:=(time() - t): print(unquoted, "P(".n.",".a." <= k <= ".b.") = ".P); print(unquoted,"zeitaufwand = ".zeit." Millisekunden"); P(20,11 <= k <= 13) = Zeitaufwand = 14 Millisekunden b) MuPAD schafft es auch exakt mit der Binomialverteilung: ba) P(40,24) = bb) P(40,22 <= k <= 26) = Zeitaufwand = 15 Millisekunden Wir können aber auch die Normalverteilung anwenden: ba) Dabei können wir direkt arbeiten: n:=40: p:=1/2: k:=24: q:=1-p:

8 Hans Walser: 6 Normalverteilung 6 mu:=n*p: sigma:=sqrt(n*p*q): P:=float(1/(sigma*sqrt(2*PI))*exp(-1/2*((kmu)/sigma)^2)): print(unquoted, "P(".n.",".k.") = ".P); P(40,24) = Wir können aber auch mit einem Integral arbeiten: n:=40: p:=0.5: a:=24: b:=24: q:=1-p: mu:=n*p: sigma:=sqrt(n*p*q): phi:=k->1/(sigma*sqrt(2*pi))*exp(-1/2*((kmu)/sigma)^2): P:=int(phi(k), k=a-1/2..b+1/2): print(unquoted, "P(".n.",".a." <= k <= ".b.") = ".P); bb) P(40,24 <= k <= 24) = n:=40: p:=0.5: a:=22: b:=26: q:=1-p: mu:=n*p: sigma:=sqrt(n*p*q): phi:=k->1/(sigma*sqrt(2*pi))*exp(-1/2*((kmu)/sigma)^2): P:=int(phi(k), k=a-1/2..b+1/2): print(unquoted, "P(".n.",".a." <= k <= ".b.") = ".P); P(40,22 <= k <= 26) = c) MuPAD schafft es auch exakt mit der Binomialverteilung: ca) P(80,48) = cb) P(80,44 <= k <= 52) = Zeitaufwand = 18 Millisekunden Wir können aber auch die Normalverteilung anwenden: ca) Direkt: P(80,48) = Mit Integral: P(80,48 <= k <= 48) = cb) P(80,44 <= k <= 52) =

9 Hans Walser: 6 Normalverteilung 7 4 Boys The Mitcham Public Health Department found an unexpected boom in boy birth during May. There were 60 boys and 40 girls born during the month. Die Wahrscheinlichkeit für eine Knabengeburt sei p = 0.5. Ist die vorstehende Meldung eine echte Sensation? Berechnen Sie die Wahrscheinlichkeit, dass die beobachtete Anzahl Knabengeburten um so viel oder mehr wie in der Zeitungsnotiz von der erwarteten Anzahl abweicht. Ergebnis Wir testen zweiseitig, mit 1 2 -Korrektur µ = σ = 5 Normalverteilung n = 100, p = q = 0.5, µ = np = 50, = npq = 5 u = 59.5 µ = 1.9, 1.9 ( ) = Tabelle , P = 21 u ( ( )) = = 5.74% 5 Münzenwurf Wie groß ist die Wahrscheinlichkeit, bei 4040 Münzenwürfen 2048 oder noch mehr Köpfe zu erhalten, wenn man annimmt, dass Kopf und Zahl gleichwahrscheinlich sind? Ergebnis n = 4040, p = 1 2, q = 1 2 µ = np = 2020 = npq = u = 28 = ( u)= P = 1 ( u)= = 18.94%

10 Hans Walser: 6 Normalverteilung 8 6 Vergleich dreier Versuche Münzenwurf mit guter Münze. Was hat die größte Wahrscheinlichkeit: a) Bei 10 Würfen mehr als acht Mal Kopf zu werfen? b) Bei 100 Würfen mehr als 80 Mal Kopf zu werfen? c) Bei 1000 Würfen mehr als 800 Mal Kopf zu werfen? Bearbeitung 10 a) P = ( 9 ) ( 10 ) = 1 ( ) = b) Anwendung der Normalverteilung: µ = 50 = 5 Wir sind außerhalb des 6 -Bereiches. Also P = 0. c) P = 0. 7 Produktionsprozess a) Auf einer Maschine werden Unterlagsscheiben hergestellt. Untersuchungen während einer längeren Zeit haben ergeben, dass die Dicke einer solchen Unterlagsscheibe normalverteilt ist mit µ = 2.5 mm und = 0.05 mm. Welches ist die Wahrscheinlichkeit, dass die Dicke einer solchen Unterlagsscheibe zwischen 2.43 mm und 2.57 mm liegt? b) Welche Genauigkeit kann für die Dicke einer solchen Unterlagsscheibe mit einer Wahrscheinlichkeit von 95% garantiert werden? Ergebnis a) b) P( x 2.598)= Der 95%-Mann Die Deutsche Bahn operiert für die Planung ihrer ergonomisch ausgereiften Sitzen mit dem 95%-Mann: Er ist 1.84m groß, nur 5% der Männer sind größer. Angenommen, der 99%-Mann ist 1.87m groß. Wie groß ist dann der Durchschnittsmann? Bearbeitung Wir setzen Normalverteilung voraus. Der Tabelle entnehmen wir: ( ) = 0.95 = 95% und ( 2.326) = 0.99 = 99%. Damit gilt: µ =1.84 µ =1.87 Daraus ergibt sich = und µ =1.77. Der 50%-Mann ist also 1.77m groß.

11 Hans Walser: 6 Normalverteilung 9 9 For fans only: Der zentrale Grenzwertsatz von de Moivre Der Satz besagt: lim ( 2k k k )2 2k k = 1 Das kann umgeformt werden zu: lim k k 2 4k 2k ( k ) = 2 Bearbeitung Es sei f( k)= 24k. Wir erhalten die Tabelle: 2 2k k( k ) f( k) k Hintergrund Wir approximieren die Binomialverteilung mit n = 2k und p = 1 2 durch die Normalverteilung. Dabei ist µ = np = 2k 1 2 erhalten: 2k P 2k ( k)= k ( ) k = 2 2k 2k 1 ( k ) ( )( 1 2 ) k = k und = np ( 1 p ) = k 2. Wir 1 ( k µ ) 2 2 e 2 2 = 1 e 1 2 k 2 2 Somit ist: 2 2k ( 2k k ) 1 k Für k wird die Approximation immer besser. Daher der Limes: lim ( 2k k )2 2k k = 1 k ( k k) 2 2 = 1 k