Übungsfragen, Quiz und Schritt-für-Schritt-Lektion zu Diskrete und stetige Verteilungen I - verbessere deine Mathefähigkeiten mit gezielten Fragen und klaren Erklärungen.
Übungsquiz zu diskreten und stetigen Verteilungen I mit interaktiver Schritt-für-Schritt-Lektion
Nutze das Quiz am Seitenanfang, um die Kernideen von diskreten und stetigen Wahrscheinlichkeitsverteilungen zu üben. Dieses Thema konzentriert sich auf die wichtigsten Grundlagen, die du für Statistik und Wahrscheinlichkeit brauchst: Zufallsvariablen und die Sprache von Verteilungen, diskrete vs. stetige Verteilungen, Wahrscheinlichkeitsfunktionen (PMF), Dichtefunktionen (PDF) und die Verteilungsfunktion (CDF), die Binomialverteilung \(\mathrm{Bin}(n,p)\) mit der Binomialformel \(\binom{n}{k}p^k(1-p)^{n-k}\), schnelle Wahrscheinlichkeitstechniken wie die Komplementregel, Formeln für Erwartungswert und Varianz wie \(\mathbb{E}[X]=np\) und \(\mathrm{Var}(X)=np(1-p)\), die stetige Gleichverteilung \(\mathrm{Uniform}[a,b]\) mit Intervallwahrscheinlichkeiten und die Normalverteilung \(\mathcal{N}(\mu,\sigma^2)\) einschließlich Symmetrie, Bedeutung der Fläche unter der Kurve und z-Scores \(z=\dfrac{x-\mu}{\sigma}\). Wenn du eine Auffrischung möchtest, klicke auf Lektion starten, um eine Schritt-für-Schritt-Anleitung mit durchgerechneten Beispielen und kurzen Kontrollfragen zu öffnen.
So funktioniert diese Übung zu Verteilungen
1. Bearbeite das Quiz: Beantworte am Seitenanfang die Fragen zu diskreten und stetigen Verteilungen.
2. Öffne die Lektion (optional): Wiederhole PMF/PDF/CDF, Binomialwahrscheinlichkeiten, Intervallwahrscheinlichkeiten bei Gleichverteilungen und Symmetrie der Normalverteilung mit klaren Beispielen.
3. Versuche es erneut: Gehe zurück zum Quiz und wende die Verteilungsregeln sofort an.
Was du in der Lektion Diskrete & stetige Verteilungen I lernst
Zufallsvariablen & Verteilungsfunktionen
Diskrete vs. stetige Zufallsvariablen (Ergebnisse zählen vs. auf einem Intervall messen)
PMF vs. PDF, warum \(\sum p(x)=1\) und \(\int f(x)\,dx=1\), und warum \(P(X=c)=0\) für stetiges \(X\) gilt
CDF \(F(x)=P(X\le x)\) und wie sie Wahrscheinlichkeiten bündelt
Diskrete Verteilungen: Bernoulli & binomial
Binomialbedingungen: festes \(n\), unabhängige Versuche, zwei Ergebnisse, konstantes \(p\)
Symmetrie um \(\mu\): \(P(X<\mu)=P(X>\mu)=\tfrac12\) und \(P(X=\mu)=0\)
Fläche unter der Kurve ist Wahrscheinlichkeit; die Gesamtfläche ist \(1\)
Standardisierung: \(Z=\dfrac{X-\mu}{\sigma}\), um die Standardnormalverteilung \(Z\sim\mathcal{N}(0,1)\) zu nutzen
Zurück zum Quiz
Wenn du bereit bist, kehre zum Quiz am Seitenanfang zurück und übe weiter diskrete und stetige Verteilungen.
⭐⭐⭐⭐⭐
🎲
Diskrete & stetige Verteilungen
Schritt-für-Schritt-Anleitung
Tippen zum Öffnen ->
Laden...
Lektion Diskrete & stetige Verteilungen I
1 / 8
Lektionsüberblick
Diskrete & stetige Verteilungen I
Ziel: Baue ein klares Verständnis von diskreten und stetigen Wahrscheinlichkeitsverteilungen auf, damit du Zufallsvariablen klassifizieren, die Sprache von PMF, PDF und CDF korrekt nutzen, Wahrscheinlichkeiten für Binomialverteilungen und stetige Gleichverteilungen berechnen und die Normalverteilung mithilfe von Symmetrie und z-Scores interpretieren kannst.
Erfolgskriterien
Unterscheide diskrete und stetige Zufallsvariablen.
Nutze eine PMF \(p(x)=P(X=x)\) für diskrete Verteilungen und wisse, dass \(\sum p(x)=1\).
Nutze eine PDF \(f(x)\) für stetige Verteilungen und wisse, dass \(\int_{-\infty}^{\infty} f(x)\,dx=1\).
Erkläre, warum für stetiges \(X\) gilt: \(P(X=c)=0\) für jeden einzelnen Wert \(c\).
Nutze die CDF \(F(x)=P(X\le x)\), um Wahrscheinlichkeiten zu bündeln.
Erkenne binomiale Situationen und wende \(X\sim\mathrm{Bin}(n,p)\) an.
Nutze die Binomialformel \(P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}\).
Berechne Gleichverteilungs-Wahrscheinlichkeiten und Momente: \(P(c\le X\le d)=\dfrac{d-c}{b-a}\), \(\mathrm{Var}(X)=\dfrac{(b-a)^2}{12}\).
Nutze die Symmetrie der Normalverteilung: \(P(X<\mu)=P(X>\mu)=\tfrac12\), und standardisiere mit \(Z=\dfrac{X-\mu}{\sigma}\).
Wichtige Begriffe
Zufallsvariable: eine numerische Variable, deren Wert vom Zufall abhängt.
Diskret: nimmt abzählbare Werte an (wie \(0,1,2,\dots\)).
Stetig: nimmt Werte auf einem Intervall an (wie Zeiten, Längen, Gewichte).
PMF: \(p(x)=P(X=x)\) für diskretes \(X\).
PDF: \(f(x)\ge 0\) für stetiges \(X\); Wahrscheinlichkeiten kommen von Flächen.
CDF: \(F(x)=P(X\le x)\).
Erwartungswert: \(\mathbb{E}[X]\), der langfristige Durchschnitt.
Varianz: \(\mathrm{Var}(X)\), die Streuung um den Mittelwert; \(\sigma=\sqrt{\mathrm{Var}(X)}\).
Binomialverteilung: zählt Erfolge in \(n\) unabhängigen Versuchen mit Erfolgswahrscheinlichkeit \(p\).
Normalverteilung: glockenförmige Verteilung \(\mathcal{N}(\mu,\sigma^2)\); nutze z-Scores zum Standardisieren.
Schneller VorabKontrolle
VorabKontrolle 1: Welche Zufallsvariable ist stetig?
Hinweis: Stetige Variablen können jeden Wert auf einem Intervall annehmen (einschließlich Dezimalzahlen).
VorabKontrolle 2: Was ist für eine standardnormalverteilte Zufallsvariable \(Z\) der Wert von \(P(Z<0)\)?
Hinweis: Die Standardnormalverteilung ist symmetrisch um \(0\).
Grundlagen von Verteilungen
Zufallsvariablen, PMF vs. PDF und die CDF
Lernziel: Wisse, wann du summierst (diskret) und wann du integrierst (stetig), und interpretiere Wahrscheinlichkeiten als Flächen unter einer Kurve.
Kernidee
Eine diskrete Zufallsvariable hat eine Wahrscheinlichkeitsfunktion (PMF) \(p(x)=P(X=x)\), und die Wahrscheinlichkeiten addieren sich zu: \[\sum_x p(x)=1.\] Eine stetige Zufallsvariable hat eine Dichtefunktion (PDF) \(f(x)\ge 0\), und die Gesamtfläche ist \(1\): \[\int_{-\infty}^{\infty} f(x)\,dx = 1.\] Für stetiges \(X\) kommt Wahrscheinlichkeit von Fläche: \[P(a\le X\le b)=\int_a^b f(x)\,dx,\] und jeder einzelne Punkt hat Wahrscheinlichkeit \(0\): \(P(X=c)=0\).
Die kumulative Verteilungsfunktion (CDF) funktioniert in beiden Fällen: \[F(x)=P(X\le x).\]
Ausgearbeitetes Beispiel
Beispiel: Wie groß ist bei einer stetigen Gleichverteilung von \(0\) bis \(12\) die Wahrscheinlichkeit, dass ein zufällig gewählter Wert zwischen \(4\) und \(8\) liegt?
Wenn \(X\sim\mathrm{Uniform}[0,12]\), dann sind Wahrscheinlichkeiten proportional zur Intervalllänge: \[P(4\le X\le 8)=\frac{8-4}{12-0}=\frac{4}{12}=\frac{1}{3}.\]
Übe selbst
Aufgabe 1: Wie groß ist in einer Normalverteilung die Wahrscheinlichkeit, dass die Variable genau gleich dem Mittelwert ist?
Hinweis: Eine Normalverteilung ist stetig, daher hat jeder einzelne Punkt Wahrscheinlichkeit \(0\).
Aufgabe 2: Was stellt die Gesamtfläche unter der Kurve einer Normalverteilung dar?
Hinweis: Für jede PDF ist die Gesamtfläche \(1\).
Zusammenfassung
Diskret: Nutze eine PMF und summiere Wahrscheinlichkeiten.
Stetig: Nutze eine PDF und integriere, um Flächen (Wahrscheinlichkeiten) zu erhalten.
Binomialverteilung
Bernoulli-Versuche und die Binomialverteilung
Lernziel: Erkenne binomiale Situationen und berechne Wahrscheinlichkeiten mit der Binomialformel und der Komplementregel.
Kernidee
Eine Zufallsvariable \(X\) folgt einer Binomialverteilung, geschrieben \(X\sim \mathrm{Bin}(n,p)\), wenn:
Es gibt eine feste Anzahl von Versuchen \(n\).
Jeder Versuch ist unabhängig.
Jeder Versuch hat zwei Ergebnisse (Erfolg/Misserfolg).
Die Erfolgswahrscheinlichkeit ist konstant, \(p\).
Die Wahrscheinlichkeit für genau \(k\) Erfolge ist: \[P(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad k=0,1,\dots,n.\]
Ausgearbeitetes Beispiel
Beispiel: Sei \(X\sim\mathrm{Bin}(n=2,p=0.5)\). Was ist \(P(X \ge 1)\)?
Aufgabe 2: Wie groß ist die Wahrscheinlichkeit, in einer Binomialverteilung mindestens null Erfolge zu erhalten?
Hinweis: Eine binomiale Anzahl \(X\) kann nie negativ sein, also tritt \(X\ge 0\) immer ein.
Zusammenfassung
Binomialerwartungswert: \(\mathbb{E}[X]=np\).
Binomialvarianz: \(\mathrm{Var}(X)=np(1-p)\).
Schnelle Fakten: \(P(X=0)=(1-p)^n\) und \(P(X\ge 0)=1\).
Gleichverteilung
Stetige Gleichverteilung auf \([a,b]\)
Lernziel: Berechne Gleichverteilungs-Wahrscheinlichkeiten schnell mit Intervalllängen und kenne die wichtigen Formeln für Erwartungswert und Varianz.
Kernidee
Wenn \(X\sim \mathrm{Uniform}[a,b]\), dann ist jeder Wert in \([a,b]\) in dem Sinn gleich wahrscheinlich, dass die Dichte konstant ist: \[f(x)=\frac{1}{b-a}\quad \text{für } a\le x\le b.\] Wahrscheinlichkeiten sind proportional zur Intervalllänge: \[P(c\le X\le d)=\frac{d-c}{b-a}\quad (a\le c\le d\le b).\]
Kleinster möglicher Wert: \(a\)
Größter möglicher Wert: \(b\)
Erwartungswert: \(\mathbb{E}[X]=\dfrac{a+b}{2}\)
Varianz: \(\mathrm{Var}(X)=\dfrac{(b-a)^2}{12}\)
Ausgearbeitetes Beispiel
Beispiel: Wie groß ist bei einer stetigen Gleichverteilung auf \([0,10]\) die Wahrscheinlichkeit, dass ein zufälliger Wert zwischen \(2\) und \(4\) liegt?
Nutze das Längenverhältnis: \[P(2\le X\le 4)=\frac{4-2}{10-0}=\frac{2}{10}=0.2.\]
Übe selbst
Aufgabe 1: Wenn ein Wert zufällig aus \([a,b]\) gewählt wird, wie groß ist die Wahrscheinlichkeit, dass er in der ersten Hälfte des Intervalls liegt?
Hinweis: Jede Hälfte hat dieselbe Länge, also hat jede Hälfte Wahrscheinlichkeit \(\tfrac12\).
Aufgabe 2: Sei \(X\sim\mathrm{Uniform}[2,8]\). Was ist \(\mathrm{Var}(X)\)?
Normalverteilung: Symmetrie, Mittelwert und Standardabweichung
Lernziel: Interpretiere die Normalverteilungskurve korrekt: Wahrscheinlichkeiten sind Flächen, und Symmetrie liefert schnelle Antworten zum Mittelwert.
Kernidee
Eine normalverteilte Zufallsvariable schreibt man als \(X\sim\mathcal{N}(\mu,\sigma^2)\). Die Kurve ist symmetrisch um \(\mu\), und für eine Normalverteilung gilt:
Mittelwert = Median = Modalwert \(=\mu\).
Die Gesamtfläche unter der Kurve ist \(1\).
Aufgrund der Symmetrie: \(P(X<\mu)=P(X>\mu)=\tfrac12\).
Weil sie stetig ist: \(P(X=\mu)=0\).
Ausgearbeitetes Beispiel
Beispiel: Wie groß ist in einer Normalverteilung die Wahrscheinlichkeit, dass ein Wert kleiner als der Mittelwert ist?
Die Normalverteilungskurve ist symmetrisch um den Mittelwert \(\mu\), also liegt genau die Hälfte der Fläche links davon: \[P(X<\mu)=\frac{1}{2}.\]
Übe selbst
Aufgabe 1: Wie groß ist in einer Normalverteilung die Wahrscheinlichkeit, dass ein Wert über dem Mittelwert liegt?
Hinweis: Symmetrie um \(\mu\) teilt die Fläche in zwei gleich große Hälften.
Aufgabe 2: Wenn die Standardabweichung einer Normalverteilung größer wird, was passiert mit der Form der Kurve?
Hinweis: Ein größeres \(\sigma\) streut Werte stärker, daher muss der Gipfel niedriger werden, damit die Gesamtfläche \(1\) bleibt.
Zusammenfassung
Normalverteilungen sind symmetrisch um \(\mu\), daher liegt auf jeder Seite die Hälfte der Wahrscheinlichkeit.
Ein größeres \(\sigma\) macht die Kurve breiter und flacher (aber die Gesamtfläche bleibt \(1\)).
z-Scores
Standardnormalverteilung und z-Scores
Lernziel: Wandle Normalverteilungswerte in z-Scores um, damit du Standardnormalwahrscheinlichkeiten nutzen kannst.
Kernidee
Wenn \(X\sim\mathcal{N}(\mu,\sigma^2)\), standardisieren wir mit dem z-Score: \[Z=\frac{X-\mu}{\sigma}.\] Die standardisierte Variable erfüllt \(Z\sim\mathcal{N}(0,1)\). Damit kannst du die Standardnormal-CDF \(\Phi(z)=P(Z\le z)\), Symmetrie \(\Phi(-z)=1-\Phi(z)\) und z-Tabellen oder Rechner nutzen.
Ausgearbeitetes Beispiel
Beispiel: Angenommen, \(X\sim\mathcal{N}(50,4^2)\). Finde \(P(X<54)\).
Berechne den z-Score: \[z=\frac{54-50}{4}=1.\] Also gilt: \[P(X<54)=P(Z<1)=\Phi(1)\approx 0.8413.\]
Übe selbst
Aufgabe 1: Wenn \(x=\mu+2\sigma\), was ist der z-Score \(z=\dfrac{x-\mu}{\sigma}\)?
Hinweis: Setze \(x=\mu+2\sigma\) in \(z=\dfrac{x-\mu}{\sigma}\) ein.
Aufgabe 2: Was ist der Median für eine standardnormalverteilte Zufallsvariable \(Z\)?
Hinweis: Für \(Z\sim\mathcal{N}(0,1)\) ist die Kurve symmetrisch um \(0\), also ist der Median \(0\).
Zusammenfassung
Standardisiere mit \(z=\dfrac{x-\mu}{\sigma}\).
Die Standardnormalverteilung ist bei \(0\) zentriert, also ist ihr Median \(0\).
Anwendungen & Gesamtbild
Die passende Verteilung wählen und gemischte Fragen üben
Lernziel: Wähle ein passendes Verteilungsmodell (binomial vs. gleichverteilt vs. normal) und schließe mit einem letzten Kontrolle ab.
Wo diese Verteilungen vorkommen
Binomial: Qualitätskontrolle (bestanden/nicht bestanden), A/B-Tests (Conversion) und wiederholte Versuche mit Erfolgswahrscheinlichkeit \(p\).
Gleichverteilung: zufällige Auswahl über einem Intervall (eine zufällige Zeit, Position oder ein Messbereich).
Normal: Messfehler, Körpergrößen, Testergebnisse und viele natürliche "glockenförmige" Streuungen.
Ausgearbeitetes Beispiel: Gleichverteilungs-Wahrscheinlichkeit auf \([0,9]\)
Beispiel: Ein Wert wird zufällig aus \([0,9]\) gewählt. Wie groß ist die Wahrscheinlichkeit, dass er größer als \(6\) ist?
Für \(X\sim\mathrm{Uniform}[0,9]\) gilt: \[P(X>6)=\frac{9-6}{9-0}=\frac{3}{9}=\frac{1}{3}.\]
Übe selbst
Aufgabe 1: Ein Wert wird zufällig aus \([0,9]\) gewählt. Wie groß ist die Wahrscheinlichkeit, dass er größer als \(6\) ist?
Hinweis: Bei einer Gleichverteilung auf \([0,9]\) ist die Wahrscheinlichkeit das Längenverhältnis \(\dfrac{9-6}{9-0}\).
Aufgabe 2: Welche Aussage über eine stetige Gleichverteilung auf \([a,b]\) ist wahr?
Hinweis: Gleichverteilung bedeutet konstante Dichte auf \([a,b]\), und stetige Verteilungen haben \(P(X=c)=0\) für jeden einzelnen Punkt.
Abschluss-Wiederholung
Diskret vs. stetig: Diskret nutzt eine PMF (Summen); stetig nutzt eine PDF (Flächen/Integrale).
Normalsymmetrie: \(P(X<\mu)=P(X>\mu)=\tfrac12\) und \(P(X=\mu)=0\).
z-Scores: \(z=\dfrac{x-\mu}{\sigma}\), um Standardnormalwahrscheinlichkeiten zu nutzen.
Als Nächstes: Schließe diese Lektion und versuche dein Quiz erneut. Wenn du eine Frage verfehlst, öffne die Lektion erneut und wiederhole die Seite, die zu der VerteilungsKompetenz passt, die du brauchst.
Serie 5+
Serie 10+
Serie 15+
Serie 20+
Serie 25+