2.2.2 Stetige Verteilungen
Stetige Gleichverteilung auf [a, b]
Bezeichnung: X ∼U[a, b].
Dichtefunktion: (a < b)
f(t) = ( 1
b−a :a≤t ≤b 0 : sonst Verteilungsfunktion:
F(t) =
0 :t < a
t−a
b−a :a ≤t≤b 1 :t > b Kenngr¨oßen:
Median(X) =EX = a+b
2 und VarX = (a−b)2 12 Eigenschaften: nichtinformative Verteilung
Anwendung:
• Grundlage f¨ur die Erzeugung von Zufallszahlen
• In allen Teilintervalle von [a, b], mit gleicher L¨ange, liegt die gleichverteilte Zu- fallsvariable mit derselben Wahrscheinlichkeit.
Beispiel: X ∼U[2,4]
Normalverteilung
Bezeichnung: X ∼N(µ, σ2).
Dichtefunktion: (σ >0)
f(t) = 1 σ√
2πe−12(t−µσ )2 Kenngr¨oßen:
Median(X) =EX =µ und VarX =σ2 Eigenschaften:
• Die Summe unabh¨angiger normalverteilter Zufallsgr¨oßen ist normalverteilt:
Xi ∼N(µi, σ2i) i= 1, . . . , n=⇒ Xn
i=1
Xi ∼N(µ, σ2) mitµ= Xn
i=1
µi, σ2 = Xn
i=1
σi2.
• Die standardisierte Summe unabh¨angiger, identisch verteilter Zufallsgr¨oßenX1, X2, . . . konvergiert in Verteilung gegen die Standardnormalverteilung (Zentraler Grenz- wertsatz).
Anwendungen:
• Die Normalverteilung eine wichtige N¨aherungsverteilung (Zentraler Grenzwert- satz).
• Zuf¨allige Messfehler sind oft (zumindest n¨aherungsweise) normalverteilt.
• Die zuf¨allige Abweichungen vom Sollmaß beim Fertigen von Werkst¨ucken ist oft (zumindest n¨aherungsweise) normalverteilt.
• Viele Verfahren der Statistik basieren auf dieser Verteilung.
Beispiele: X ∼N(µ, σ2)
−6 −4 −2 0 2 4 6
0.00.10.20.30.40.50.60.7
Dichtefunktionen
t
f(t)
µ =0, σ2=1 µ =0, σ2=3 µ = −2, σ2=1 µ = −2, σ2=0.4
−6 −4 −2 0 2 4 6
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
µ =0, σ2=1 µ =0, σ2=3 µ = −2, σ2=1 µ = −2, σ2=0.4
Standardnormalverteilung
Ist X normalverteilt mit Erwartungswert µund Varianz σ2 (X ∼N(µ, σ2)) dann ist Y = X−µ
σ standardnormalverteilt, d.h. normalverteilt mit Erwartungswert 0 und Varianz 1 (Y ∼N(0,1)).
Verteilungsfunktion: Die Verteilungsfunktion der Standardnormalverteilung wird mit Φ bezeichnet und ist vertafelt.
Logarithmische Normalverteilung
Bezeichnung: X ∼LogN(µ, σ2).
Dichtefunktion: (σ >0) f(t) =
( 1 σt√
2πe−12(lnt−µσ )2 :t >0
0 :t≤0
Kenngr¨oßen:
Median(X) = eµ, EX =eµ+σ22 und VarX =e2µ+σ2³
eσ2 −1´ Eigenschaften: lnX ∼N(µ, σ2).
Anwendungen:
• bei Zeitstudien und Lebendaueranalysen in ¨okonomoischen, technischen und biologischen Vorg¨angen;
• bei Untersuchungen in der analytischen Chemie, wie Konzentrations- und Reinheitspr¨ufungen;
• f¨ur zuf¨allige nichtnegative Materialparameter, z.B. Permeabilit¨aten;
• als Grenzverteilung f¨ur Produkte unabh¨angiger positiver Zufallsgr¨oßen (unter bestimmten Bedingungen).
Beispiel: X ∼LogN(0, σ2)
0 1 2 3 4 5
0.00.51.01.52.02.53.0
Dichtefunktionen
t
f(t)
σ =3 σ =1.5 σ =1 σ =0.5 σ =0.25 σ =0.125
0 1 2 3 4 5
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
σ =3 σ =1.5 σ =1 σ =0.5 σ =0.25 σ =0.125
Exponentialverteilung
Bezeichnung: X ∼Exp(λ).
Dichtefunktion: (λ >0)
f(t) =
(λ·e−λt :t≥0 0 :t <0 Verteilungsfunktion:
F(t) = (
1−e−λt :t ≥0 0 :t <0 Kenngr¨oßen:
Median(X) = ln 2
λ , EX = 1
λ und VarX = 1
λ2 Eigenschaften: Verteilung
”ohne Ged¨achtnis“, d.h
P(X ≥x+t|X ≥x) = P(X ≥t) (Markov–Eigenschaft) Die Summe unabh¨angiger und identisch exponentialverteilter Zufallsgr¨oßen ist Gammaverteilt.
Anwendungen:
• Der Abstand zwischen zwei Ereignissen eines homogenen Poisson-Prozesses mit Intensit¨atλist exponentialverteilt mit Parameterλ. F¨ur diesen homogenen Poisson- Prozess ist die Anzahl der Ereignisse im Intervall [0, t] poissonverteilt mit Para- meter λ · t (Nt ∼ Poi(λ · t)). Weiter sind, gegeben Nt = n, die Punkte des homogenen Poisson-Prozesses gleichverteilt auf [0, t].
• Anwendung findet die Exponentialverteilung als Lebensdauerverteilung (ohne Alterung), in der Zuverl¨assigkeitstheorie und in der Bedienungstheorie.
Beispiele: X ∼Exp(λ)
0 1 2 3 4 5 6
0.00.10.20.30.40.50.6
Dichtefunktionen
t
f(t)
λ =0.25 λ =0.5 λ =0.75 λ =2
0 1 2 3 4 5 6
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
λ =0.25 λ =0.5 λ =0.75 λ =2
Gammaverteilung
Bezeichnung: X ∼Gam(p, λ).
Parameter: λ >0 : Skalenparameter p > 0 : Formparameter Dichtefunktion:
f(t) = ( λp
Γ(p)tp−1exp (−λt) :t >0
0 :t ≤0
Mit Γ der Gammafunktion:
Γ(p) = Z ∞
0
exp(−t)tp−1dt p >0 (damit ist Γ(1) = 1 und Γ(n) = (n−1)! f¨ur n∈N).
Momente:
EX = p
λ und VarX = p
λ2 Eigenschaften:
• X1 ∼Gam(p1, λ),X2 ∼Gam(p2, λ), unabh¨angig
=⇒X1+X2 ∼Gam(p1+p2, λ)
• Xi ∼Exp(λ), i= 1, . . . , n,unabh¨angig
=⇒ Xn
i=1
Xi ∼Gam(n, λ) Spezialfall: Erlangverteilung fallsp=n∈N.
Anwendung: Lebensdauerverteilung.
Beispiele: X ∼Gam(p, λ)
0 1 2 3 4 5
0.00.20.40.60.81.0
Dichtefunktionen
t
f(t)
p=0.5, λ =1 p=0.5, λ =2 p=1, λ =1 p=1, λ =2 p=2, λ =1 p=2, λ =2
0 1 2 3 4 5
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
p=0.5, λ =1 p=0.5, λ =2 p=1, λ =1 p=1, λ =2 p=2, λ =1 p=2, λ =2
Weibull-Verteilung
Bezeichnung: X ∼Wei(α, β, m).
Parameter: α : Verschiebungsparameter (Lageparameter)
β >0 : Skalenparameter und m >0 : Formparameter
Bemerkung: Ist α= 0, so spricht man von der 2-parametrigen Weibullverteilung.
Dichtefunktion:
f(t) =
m β
³t−α β
´m−1 exp
³
−(t−αβ )m
´
:t > α
0 :t≤α
Verteilungsfunktion:
F(t) =
(1−exp
³
−(t−αβ )m
´
:t > α
0 :t≤α
Kenngr¨oßen:
Median(X) =α+β·(ln 2)m1 und EX =α+β·Γ µ
1 + 1 m
¶
VarX = Ã
Γ µ
1 + 2 m
¶
− µ
Γ µ
1 + 1 m
¶¶2!
β2 mit Γ der Gammafunktion.
Anwendung: In der mechanischen Verfahrenstechnik findet die Weibull-Verteilung Anwendung als eine spezielle Partikelgr¨oßenverteilung. Hier wird sie auch als RRSB- Verteilung (nach Rosin, Rammler, Sperling und Bennet) bezeichnet. Eine Weibullver- teilung kann als Grenzverteilung f¨ur das Minimum einer großen Zahl von unabh¨angigen Zufallsgr¨oßen auftreten (Verteilung des schw¨achsten Kettengliedes), deshalb sind Lebensdauern von Sytemen oft weibullverteilt.
Beispiele: X ∼Wei(0,1, m)
0.0 0.5 1.0 1.5 2.0 2.5
0.00.51.01.52.02.5
Dichtefunktionen
t
f(t)
m=0.5 m=1 m=1.5 m=5
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
m=0.5 m=1 m=1.5 m=5
Fr´echet-Verteilung
Bezeichnung: X ∼Fre(α, β, m).
Parameter: α : Verschiebungsparameter (Lageparameter) β >0 : Skalenparameter
m >0 : Formparameter Dichtefunktion:
f(t) =
m β
³t−α β
´−(m+1) exp
³
−(t−αβ )−m
´
:t > α
0 :t≤α
Verteilungsfunktion:
F(t) = (exp
³
−(t−αβ )−m
´
:t > α
0 :t≤α
Kenngr¨oßen: (mit Γ der Gammafunktion) Median(X) = α+β·
µ 1 ln 2
¶1
m
und EX =
(α+β·Γ¡
1− m1¢
:m >1
∞ : sonst
VarX =
(³Γ¡
1−m2¢
−¡ Γ¡
1−m1¢¢2´
β2 :m >2
∞ : sonst
Anwendung: Als eine Extremwertverteilung ist sie eine wichtige Verteilung zur Be- stimmung von Risiken in der Finanzstatistik.
Beispiele: X ∼Fre(0, β, m)
0 1 2 3 4 5
0.00.20.40.60.81.01.2
Dichtefunktionen
t
f(t)
β =1, m=1 β =1, m=2 β =1, m=3 β =2, m=1 β =2, m=2 β =2, m=3
0 1 2 3 4 5
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
β =1, m=1 β =1, m=2 β =1, m=3 β =2, m=1 β =2, m=2 β =2, m=3
Gumbel-Verteilung
Bezeichnung: X ∼Gum(α, β).
Parameter: α : Verschiebungsparameter (Lageparameter) β >0 : Skalenparameter
Dichtefunktion:
f(t) = 1
βe−t−αβ e−e−
t−α β
Verteilungsfunktion:
F(t) =e−e−
t−α β
Kenngr¨oßen:
EX =α+βγ mit γ ≈0,5772 der Euler-Mascheroni-Konstante.
Median(X) = α−βln(ln(2)) und VarX = β2π2 6 Anwendung: Als eine Extremwertverteilung z.B. in:
- der Wasserwirtschaft (f¨ur extreme Ereignisse wie Hochwasser und Trockenzeiten), - der Verkehrsplanung,
- der Meteorologie, - der Hydrologie.
Beispiele: X ∼Gum(α, β)
−2 −1 0 1 2 3 4
0.00.10.20.30.40.50.6
Dichtefunktionen
t
f(t)
α =0, β =0.7 α =0, β =1 α =0, β =2 α =1.5, β =1
−2 −1 0 1 2 3 4
0.00.20.40.60.81.0
Verteilungsfunktionen
t
F(t)
α =0, β =0.7 α =0, β =1 α =0, β =2 α =1.5, β =1