Kapitel 11 DIE NORMAL-VERTEILUNG

Ähnliche Dokumente
Tests statistischer Hypothesen

Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME

Kapitel 6 : Punkt und Intervallschätzer

Vl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5

Empirische Verteilungsfunktion

6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Klausur vom

n=0 f(x) = log(1 + x) = n=1

4 Schwankungsintervalle Schwankungsintervalle 4.2

Einführung in die Stochastik 10. Übungsblatt

Zentraler Grenzwert Satz

Wirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel

Die notwendigen Verteilungstabellen finden Sie z.b. hier:

Wirksamkeit, Effizienz

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft

Klausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen

Praktikum Vorbereitung Fertigungsmesstechnik Statistische Qualitätskontrolle

Tests für beliebige Zufallsvariable

Prof. Dr. Roland Füss Statistik II SS 2008

Kapitel 4: Stationäre Prozesse

Statistische Modelle und Parameterschätzung

Kapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen

X X Schätzen von Vertrauensintervallen Schwankungsintervall

Eingangsprüfung Stochastik,

Konvergenz von Folgen von Zufallsvariablen

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit

2 ISO/BIPM-Leitfaden Guide to the Expression of Uncertainty in Measurement, GUM (2008 überarbeitet, die deutsche Fassung ist [3])

Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten

Nachklausur - Analysis 1 - Lösungen

Statistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.

Lösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung

Anwendung für Mittelwerte

Resultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen

Ereignis Wahrscheinlichkeit P (A) A oder B P (A + B) A und B P (AB) B, wenna P (B A)

Parameterschätzung. Kapitel Schätzfunktionen

1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6

TESTEN VON HYPOTHESEN

Wahrscheinlichkeitstheorie und Statistik vom

Gliederung. Value-at-Risk

Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).

1 Wahrscheilichkeitsrechug 1.1 Elemete der Megelehre Morgasche Formel A \ B = A [ B A [ B = A \ B Kommutativgesetz A \ B = B \ A A [ B = B [ A Assozia

Übungen mit dem Applet erwartungstreu

Statistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik

4. Die Menge der Primzahlen. Bertrands Postulat

74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,

Übungen zur Vorlesung Funktionentheorie Sommersemester Musterlösung zu Blatt 11. c n (z a) n,

Zufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),

1 Randomisierte Bestimmung des Medians

5.3 Wachstum von Folgen

6. Übung - Differenzengleichungen

Kapitel 5: Schließende Statistik

Gesetz der großen Zahlen

Stochastisches Integral

von solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen

Wiederholung: Linearer Ausgleich 1. Linearer Ausgleich. Vorlesung April. Aufgabe Gegeben Naturgesetz

Maximum Likelihood Version 1.6

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5

Wahrscheinlichkeit & Statistik

7 Brownsche Bewegung (Version Januar 2012)

mit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1

15.4 Diskrete Zufallsvariablen

2 Differentialrechnung und Anwendungen

Zenraler Grenzwertsatz

Das kollektive Risikomodell. 12. Mai 2009

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39

4 Konvergenz von Folgen

Methode der kleinsten Quadrate

Stochastik für WiWi - Klausurvorbereitung

Konvergenz von Folgen reeller Zufallsvariablen

Reihen Arithmetische Reihen Geometrische Reihen. Datei Nr (Neu bearbeitet und erweitert) Juni Friedrich W. Buckel

3. Taylorformel und Taylorreihen

Pflichtlektüre: Kapitel 10 Grundlagen der Inferenzstatistik

Michael Buhlmann Mathematik > Analysis > Newtonverfahren

4. Reihen Definitionen

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß

Statistik I Februar 2005

Evaluation & Forschungsstrategien

Kapitel 9: Schätzungen

Diesen Grenzwert nennt man partielle Ableitung von f nach x i und

Diskrete Zufallsvariablen

Höhere Mathematik für die Fachrichtung Physik

Schätzen von Populationswerten

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie

GESETZE DER GROSSEN ZAHLEN

GESETZE DER GROSSEN ZAHLEN

Teil II Zählstatistik

Exponentialfunktionen und die e- Funktion. Bei den bisher betrachteten Funktionen traten Exponenten nur als Zahlen auf.

Schätzen von Populationswerten

10. Übungsblatt zur Einführung in die Stochastik

Es werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.

Forschungsstatistik I

Übungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx

Testen statistischer Hypothesen

Wahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript

Konfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt

Transkript:

Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49

. De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret verteilte Zufallsvariable betrachtet. Bei physikalische Messuge, wie.b. Läge, Gewicht, usw., mußma aber kotiuierlich verteilte Zufallsvariable X ulasse, dere Wertebereich R oder Itervalle i R sid. Demetspreched ist der Wahrscheilichkeitsraum sehr kompliiert. Im Allgemeie ist ma aber ur a der Wahrscheilichkeit P vo Ereigisse der Gestalt f! j X(!) Ig, wobei I ei Itervall i R ist, iteressiert,.b. oder P (a 6 X 6 b) := P (f! j a 6 X(!) 6 bg) P (X 6 b) := P (f! j X(!) 6 bg) für a; b R, ud dau geügt es, die Verteilug vo X u kee. Die wichtigste Verteilug bei kotiuierlich verteilte Zufallsvariable X ist die Normalverteilug. DEFINITION Die Fuktio : R! R : 7! () de iert durch () := p Z e t heißt Stadard-Normal-Verteilug. Die Fuktio ' : R! R de iert durch ' (t) := p e t et ma die Dichtefuktio vo. dt BEMERKUNG () ist icht durch eie eifache Formel, soder i Tabelle gegebe. Da ach Beispiel 7.6.4 Z p e t dt = ; folgt mit der Zerlegugsregel Demach wird ur () für > 0 tabelliert : ( ) = () für alle R. 50 DIE NORMAL-VERTEILUNG Prof. Dr. C. Porteier

De itio der Normal-Verteilug. () () () () () 0 :5 : :5796 :4 :6554 :6 :7575 :8 :7884 :0 :50399 : :5837 :4 :659 :6 :7907 :8 :7903 :0 :50798 : :58706 :4 :6676 :6 :7337 :8 :79389 :03 :597 :3 :59095 :43 :6664 :63 :73565 :83 :79673 :04 :5595 :4 :59483 :44 :67003 :64 :7389 :84 :79955 :05 :5994 :5 :5987 :45 :67364 :65 :745 :85 :8034 :06 :539 :6 :6057 :46 :6774 :66 :74537 :86 :805 :07 :579 :7 :6064 :47 :6808 :67 :74857 :87 :80785 :08 :5388 :8 :606 :48 :68439 :68 :7575 :88 :8057 :09 :53586 :9 :6409 :49 :68793 :69 :7549 :89 :837 : :53983 :3 :679 :5 :6946 :7 :75804 :9 :8594 : :5438 :3 :67 :5 :69497 :7 :765 :9 :8859 : :54776 :3 :655 :5 :69847 :7 :7644 :9 :8 :3 :557 :33 :693 :53 :7094 :73 :7673 :93 :838 :4 :55567 :34 :63307 :54 :7054 :74 :77035 :94 :8639 :5 :5596 :35 :63683 :55 :70884 :75 :77337 :95 :8894 :6 :56356 :36 :64058 :56 :76 :76 :77637 :96 :8347 :7 :56749 :37 :6443 :57 :7566 :77 :77935 :97 :83398 :8 :574 :38 :64803 :58 :7904 :78 :783 :98 :83646 :9 :57535 :39 :6573 :59 :74 :79 :7854 :99 :8389 () () () () () :0 :8434 : :88493 :4 :994 :6 :945 :8 :96407 :0 :84375 : :88686 :4 :9073 :6 :9463 :8 :96485 :0 :8464 : :88877 :4 :9 :6 :94738 :8 :9656 :03 :84849 :3 :89065 :43 :9364 :63 :94845 :83 :96638 :04 :85083 :4 :895 :44 :9507 :64 :9495 :84 :967 :05 :8534 :5 :89435 :45 :9647 :65 :95053 :85 :96784 :06 :85543 :6 :8967 :46 :9785 :66 :9554 :86 :96856 :07 :85769 :7 :89796 :47 :99 :67 :9554 :87 :9696 :08 :85993 :8 :89973 :48 :93056 :68 :9535 :88 :96995 :09 :864 :9 :9047 :49 :9389 :69 :95449 :89 :9706 : :86433 :3 :903 :5 :9339 :7 :95543 :9 :978 : :8665 :3 :9049 :5 :93448 :7 :95637 :9 :9793 : :86864 :3 :90658 :5 :93574 :7 :9578 :9 :9757 :3 :87076 :33 :9084 :53 :93699 :73 :9588 :93 :973 :4 :8786 :34 :90988 :54 :938 :74 :95907 :94 :9738 :5 :87493 :35 :949 :55 :93943 :75 :95994 :95 :9744 :6 :87698 :36 :9309 :56 :9406 :76 :9608 :96 :975 :7 :879 :37 :9466 :57 :9479 :77 :9664 :97 :97558 :8 :88 :38 :96 :58 :9495 :78 :9646 :98 :9765 :9 :8898 :39 :9774 :59 :94408 :79 :9637 :99 :9767 Prof. Dr. C. Porteier DIE NORMAL-VERTEILUNG 5

. De itio der Normal-Verteilug () () () () () :0 :9775 : :986 :4 :998 :6 :99534 :8 :99744 :0 :97778 : :98645 :4 :990 :6 :99547 :8 :9975 :0 :9783 : :98679 :4 :994 :6 :9956 :8 :9976 :03 :9788 :3 :9873 :43 :9945 :63 :99573 :83 :99767 :04 :9793 :4 :98745 :44 :9966 :64 :99585 :84 :99774 :05 :9798 :5 :98778 :45 :9986 :65 :99598 :85 :9978 :06 :9803 :6 :98809 :46 :99305 :66 :99609 :86 :99788 :07 :98077 :7 :9884 :47 :9934 :67 :996 :87 :99795 :08 :984 :8 :9887 :48 :99343 :68 :9963 :88 :9980 :09 :9869 :9 :98899 :49 :9936 :69 :99643 :89 :99807 : :984 :3 :9898 :5 :99379 :7 :99653 :9 :9983 : :9857 :3 :98956 :5 :99396 :7 :99664 :9 :9989 : :983 :3 :98983 :5 :9943 :7 :99674 :9 :9985 :3 :9834 :33 :990 :53 :9943 :73 :99683 :93 :9983 :4 :9838 :34 :99036 :54 :99446 :74 :99693 :94 :99836 :5 :984 :35 :9906 :55 :9946 :75 :9970 :95 :9984 :6 :9846 :36 :99086 :56 :99477 :76 :997 :96 :99846 :7 :985 :37 :99 :57 :9949 :77 :997 :97 :9985 :8 :98537 :38 :9934 :58 :99506 :78 :9978 :98 :99856 :9 :98574 :39 :9958 :59 :995 :79 :99736 :99 :9986 () () () () () 3:0 :99865 3: :9993 3:4 :99966 3:6 :99984 3:8 :99993 3:0 :99869 3: :99934 3:4 :99968 3:6 :99985 3:8 :99993 3:0 :99874 3: :99936 3:4 :99969 3:6 :99985 3:8 :99993 3:03 :99878 3:3 :99938 3:43 :9997 3:63 :99986 3:83 :99994 3:04 :9988 3:4 :9994 3:44 :9997 3:64 :99986 3:84 :99994 3:05 :99886 3:5 :9994 3:45 :9997 3:65 :99987 3:85 :99994 3:06 :99889 3:6 :99944 3:46 :99973 3:66 :99987 3:86 :99994 3:07 :99893 3:7 :99946 3:47 :99974 3:67 :99988 3:87 :99995 3:08 :99896 3:8 :99948 3:48 :99975 3:68 :99988 3:88 :99995 3:09 :999 3:9 :9995 3:49 :99976 3:69 :99989 3:89 :99995 3: :99903 3:3 :9995 3:5 :99977 3:7 :99989 3:9 :99995 3: :99906 3:3 :99953 3:5 :99978 3:7 :9999 3:9 :99995 3: :999 3:3 :99955 3:5 :99978 3:7 :9999 3:9 :99996 3:3 :9993 3:33 :99957 3:53 :99979 3:73 :9999 3:93 :99996 3:4 :9996 3:34 :99958 3:54 :9998 3:74 :9999 3:94 :99996 3:5 :9998 3:35 :9996 3:55 :9998 3:75 :9999 3:95 :99996 3:6 :999 3:36 :9996 3:56 :9998 3:76 :9999 3:96 :99996 3:7 :9994 3:37 :9996 3:57 :9998 3:77 :9999 3:97 :99996 3:8 :9996 3:38 :99964 3:58 :99983 3:78 :9999 3:98 :99997 3:9 :9999 3:39 :99965 3:59 :99983 3:79 :9999 3:99 :99997 5 DIE NORMAL-VERTEILUNG Prof. Dr. C. Porteier

De itio der Normal-Verteilug. 0.8 0.6 0.4 0. 4 0 4 ' : t 7! p e t ud : 7! p R e t dt DEFINITION Eie Zufallsvariable X heißt ormalverteilt mit Erwartugswert ud Varia, ma schreibt da we gilt. X ist N (; ) -verteilt, b P (X 6 b) = N (; ) (b) := für alle b R BEMERKUNG Ist X N (; )-verteilt, so gilt P (X 6 b) = P (X < b) = P (X > b) = P (X > b) ud P (a 6 X 6 b) = P (X 6 b) P (X 6 a). Isbesodere gilt P r 6 X 6 + r = P r = X 6 + r P r r = X 6. r = BEISPIEL Bei eiem Präparat sei das Gewicht X des Wirksto es i de Tablette N (; )- verteilt mit = 80 mg ud = mg. Wie großist die Wahrscheilichkeit, daßbei eier Tablette die Mege a Wirksto um Prof. Dr. C. Porteier DIE NORMAL-VERTEILUNG 53

. De itio der Normal-Verteilug höchstes 5% vo abweicht? Es ist 0:05 P 0:05 6 X 6 + 0:05 = = () = = 0:9775 = 0:955 = 95:5% mit Hilfe der Tabelle. Wie großist die Stadard-Abweichug u wähle, damit midestes 99% der Tablette höchstes 5% Abweichug vo habe? Nach obiger Rechug mußgelte 0:05 > 0:99, d.h. 4 > :99 = 0:995. Nach der Tabelle ist dies gerade erfüllt, we 4 > :58 gilt, also folgt 6 4 :58 = :55. 54 DIE NORMAL-VERTEILUNG Prof. Dr. C. Porteier

Berechug der Normal-Verteilug.. Berechug der Normal-Verteilug Ist X eie N(; )-verteilte Zufallsvariable, so gilt b P (X 6 b) = = p = Z b p e Z b (t ) dt = Z b t ' e t dt = dt ach der Verschiebugs- ud Streckugsregel. Die N (; )-Verteilug b 7! b die Dichte t 7! ' t. hat also 0.8 0.6 0.4 0. 0 4 6 8 t 7! '(t ) = p e (t ), t 7! '( (t 5)) = p e (t 5) Die Wedepukte dieser Dichte liege bei, d.h. ud 5 0:5. ANWENDUNG Zu eier Zufallsvariable X ist eie Meßreihe x ; x ; ; x gegebe, ud ma vermutet, daßsie ormalverteilt ist. (a) Zuerst werde ud mit Hilfe dieser Meßdate geschätt : := X x j ud := X (x j ). j= (b) Da utersucht ma graphisch, ob eie Normal-Verteilug vorliegt. Ma uterteilt das Messitervall [a; b] (mit x j [a; b] für alle j ) i m Teilitervalle I ; I ; ; I m der gleiche Läge L, wobei m <, am beste so, daßm ' p. Ma de iert da eie Treppefuktio ~' j= Prof. Dr. C. Porteier DIE NORMAL-VERTEILUNG 55

. Berechug der Normal-Verteilug durch ~' = L k auf I l falls k der Meßwerte x ; : : : ; x i I l liege. Die Normierug ist gerade so gewählt, dass das Itegral über ~', ebeso wie das über ' x, de Wert hat. Ist ~' eie gute Approximatio vo ' x, wobei ud wie i (a) bestimmt sid, so geht ma davo aus, daßx ormalverteilt ist. BEMERKUNG Eie aturwisseschaftliche Zufallsvariable X (.B. das Geburtsgewicht) sett sich aus viele Faktore X j usamme (.B. geetische Faktore, Erährug der Mutter,...). Es gilt der Zetrale Grewertsat : HAUPTSATZ Ist X = X + X +, ud sid alle X j klei gege X ud paarweise uabhägig, so ist X ormal verteilt. Dies erklärt das häu ge Auftrete vo Normal-Verteiluge bei aturwisseschaftliche Experimete. Eie typische Situatio wird auch durch Sat.3 beschriebe. BEISPIEL Gewicht der Gesamtbevölkerug : Es ist icht ormalverteilt. Z.B. sid Alter ud Geschlecht icht kleie Ei ußgröße. 56 DIE NORMAL-VERTEILUNG Prof. Dr. C. Porteier

Normal- ud Biomial-Verteilug.3.3 Normal- ud Biomial-Verteilug Ei typisches Problem der Statistik ist die Schätug vo Wahrscheilichkeite. Wir diskutiere dies am Beispiel der Biomial-Verteilug. Ausgagspukt ist der folgede SATZ Ist X eie biomialverteilte Zufallsvariable mit Erwartugswert = p ud Varia = p q, ud ist, (i.a. geügt > 3 ), so ist X aäherd N (; )-verteilt, d.h es gilt kx k P (X 6 k) = p j q j '. j Isbesodere gilt P p j=0 6 X 6 p + ' = () =: (). Die lette Aussage folgt Bemerkug... DEFINITION Die Zahl () := () wird als Ko deahl beeichet. BEMERKUNG Aus der Tabelle für liest ma die folgede, häu g beutte Werte für (), ud damit Näherugswerte für P p 6 X 6 p + ab : :96 :58 :97 3:9 () 0:683 0:95 0:99 0:997 0:999 Frage Ma möchte die Zahl p [0; ], die praktisch icht bekat ist, mit Hilfe eier Stichprobe! schäte. Ma wählt als Schätwert für p. bp := X (!) Für die Stichprobe! gilt also mit Wahrscheilichkeit () p 6 X (!) 6 p +, d.h. p 6 bp 6 p + oder ud mit = p ( p) auch (p bp) [ p ( 6 = Es folgt p p bp + bp 6 p ( 6 p bp 6, p)] = p) = p p, p ( p). () Prof. Dr. C. Porteier DIE NORMAL-VERTEILUNG 57

.3 Normal- ud Biomial-Verteilug also f (p) := + p bp + p + bp 6 0. Somit gilt f (p) 6 0 mit Wahrscheilichkeit (). Die wei Nullstelle des Polyoms f werde mit p beeichet : 0 s p = @bp + + bp + 4 + bp A. Weiterhi ist ud f (0) = bp > 0 ud f () = f (bp) = + bp + bp + + bp = ( bp) > 0 bp + bp + bp = bp bp = bp (bp ) < 0, da die Werte 0 ud für bp uwahrscheilich sid. Damit habe wir geeigt, daß 0 < p < p + < gilt. Da f (p) 6 0 u p [p ; p + ] äquivalet ist, folgt die erste Behauptug im folgede KOROLLAR de Schätwert vo p. (i) sowie (ii) Seie X eie b ;p -verteilte Zufallsvariable mit,! eie Stichprobe ud bp := X (!) Mit Wahrscheilichkeit () gilt (äherugsweise): p bp p [p ; p + ], p ; bp + p Ist 0 < p 0 6 ud besitt ma die Voriformatio p 6 p 0 über p, so gilt p bp p p p 0 ( p 0 ); bp + p p p 0 ( p 0 ) mit Wahrscheilichkeit (). Für die weite Aussage i (i) folgt aus () ud achstehedes Lemma, daßmit Wahrscheilichkeit () gilt. also jp bpj 6 p, d.h. p 6 p (p bp) 6 p ( p) 6 4, h bp bp 6 p oder p i p ; bp + p. 58 DIE NORMAL-VERTEILUNG Prof. Dr. C. Porteier

Normal- ud Biomial-Verteilug.3 Gilt p 6 p 0 6, so folgt (p bp) 6 p ( p) 6 p 0 ( p 0 ), mit Wahrscheilichkeit (), woraus die Behauptug sich wie im erste Teil ergibt. LEMMA Für das Polyom x 7! x ( x) : R! R 0.4 0. 0. 0.4 gilt x 7! x ( x) 0 6 x ( x) 6 4 für alle x [0; ]. I der Tat ist 0 6 x ( x) = x x = 4 x 6 4 für alle x [0; ]. BEMERKUNG Die weite Aussage ist eifacher ud ugeauer, d.h. das Itervall ist größer, dagege aber sicherer! DEFINITION Ei Itervall [a; b] [0; ], so daßgilt p [a; b] mit Wahrscheilichkeit (), heißt Ko deitervall um Ko deiveau (). BEISPIEL ei. Ierhalb eier Populatio tritt eie allergische Reaktio auf eie Chemikalie Prof. Dr. C. Porteier DIE NORMAL-VERTEILUNG 59

.3 Normal- ud Biomial-Verteilug Vo 00 ufällig ausgewählte Persoe reagiere allergisch, es ist also X (!) = ud bp = 00 = 0:055. Zur Ko deahl = 0:95, also = :96, erhält ma das Polyom (gerudet) f (p) = p 0:3 p + 0:003 6 0. 0.0 0.005 0 0. 0. p 7! p 0:3 p + 0:003 Das gesuchte Ko deitervall ergibt sich aus de Nullstelle p vo f : s 0:3 p = 0:3 0:003, ud damit p = 0:03 ud p + = 0:. Mit 95% Sicherheit liegt also die Wahrscheiichkeit p für eie allergische Reaktio wische 0:03 ud 0:. BEISPIEL Ma möchte die Schätug vo p aus dem Beispiel durch eie Vergrößerug der Stichprobe verbesser. Um 00 % Sicherheit u bekomme, müsste ma fast alle Persoe utersuche, ma wählt deshalb wieder eie Ko deahl <. Wir beute weiter de Wert aus dem Beispiel, also = 0:95 ud = :96, ud suche ei so, daßmit Wahrscheilichkeit der Wert vo p im Ko deitervall [bp ; bp + ] liegt, wobei.b. = 0:0 sei. Der Schätwert bp sei wieder durch X(!) = = 0:055 gegebe. 00 Mit Hilfe des Korollars geügt es so u wähle, daß p 6 gilt, d.h. > 4 = :96 4 0:0 = 40. 60 DIE NORMAL-VERTEILUNG Prof. Dr. C. Porteier

Normal- ud Biomial-Verteilug.3 BEMERKUNG 3 Besitt ma Voriformatioe über p,.b. wird ma ach Beispiel p 6 0: aehme köe, so geügt es so u wähle, daß p p 0: ( 0:) 6 = 0:0, oder d.h. = 865 u ehme. > :96 0:09 = 864:36, 0:0 Prof. Dr. C. Porteier DIE NORMAL-VERTEILUNG 6