Übungsfragen, Quiz und Schritt-für-Schritt-Lektion zu Diskrete und stetige Verteilungen II - verbessere deine Mathefähigkeiten mit gezielten Fragen und klaren Erklärungen.
Übungsquiz zu diskreten & stetigen Verteilungen II mit interaktiver Schritt-für-Schritt-Lektion
Nutze das Quiz am Seitenanfang, um diskrete und stetige Wahrscheinlichkeitsverteilungen mit den besonders prüfungsrelevanten Fakten und Formeln zu üben: Wahrscheinlichkeitsfunktionen (PMF) und Dichtefunktionen (PDF), Verteilungsfunktionen (CDF) und Überlebensfunktionen, Erwartungswert \(E[X]\) und Varianz \(\mathrm{Var}(X)\), diskrete Modelle wie die Poisson-Verteilung \((\lambda)\), geometrische Verteilung \((p)\) und hypergeometrische Verteilung \((N,K,n)\), die Poisson-Approximation der Binomialverteilung (großes \(n\), kleines \(p\), \(\lambda=np\)), stetige Modelle wie die Exponentialverteilung (Rate \(\lambda\), Skala \(1/\lambda\), Wartezeiten), Gamma- und Chi-Quadrat- \((\chi^2)\)-Verteilungen (Freiheitsgrade und rechtsschiefe Formen), die F-Verteilung (Verhältnisse von Varianzen) und Spezialfälle wie die logistische Verteilung (sigmoidale CDF, \(\mathrm{Var}(X)=\pi^2 s^2/3\)) und die Cauchy-Verteilung (undefinierter Erwartungswert und undefinierte Varianz). 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 Verteilungen-II-Übung
1. Bearbeite das Quiz: Beantworte die Fragen zu Diskreten & stetigen Verteilungen II am Seitenanfang.
2. Öffne die Lektion (optional): Wiederhole PMF/PDF, CDF, Träger, Parameterbedeutung und Formeln für Erwartungswert/Varianz mit klaren Beispielen.
3. Versuche es erneut: Gehe zurück zum Quiz und wende die Verteilungsregeln direkt an.
Was du in der Lektion zu Diskreten & stetigen Verteilungen II lernst
F-Verteilung \(F(d_1,d_2)\): Verhältnisse skalierter Chi-Quadrat-Variablen; der Mittelwert existiert nur, wenn \(d_2>2\)
Logistische Verteilung: sigmoidale CDF und \(\mathrm{Var}(X)=\pi^2 s^2/3\)
Cauchy-Verteilung: schwere Tails mit undefiniertem Erwartungswert und undefinierter Varianz; so erkennst du diese Falle
Zurück zum Quiz
Wenn du bereit bist, kehre zum Quiz am Seitenanfang zurück und übe weiter diskrete und stetige Verteilungen.
⭐⭐⭐⭐⭐
🎲
Verteilungen II
Diskret & stetig
Tippen zum Öffnen ->
Laden...
Lektion zu diskreten & stetigen Verteilungen II
1 / 8
Lektionsüberblick
Lektionsüberblick
Ziel: Baue ein klares, prüfungsreifes Verständnis von Diskreten & stetigen Verteilungen II auf. Du übst, eine Verteilung aus einer Textsituation zu erkennen, den Träger zu lesen, die passende PMF/PDF und CDF zu nutzen und wichtige Fakten wie Erwartungswert und Varianz für häufige diskrete Modelle (Poisson, geometrisch, hypergeometrisch) und stetige Modelle (exponentiell, Chi-Quadrat, F, logistisch, Cauchy) zu berechnen.
Erfolgskriterien
Erkenne, ob ein Modell diskret (PMF) oder stetig (PDF/CDF) ist.
Nutze den Träger korrekt (z. B. Poisson-Werte \(0,1,2,\dots\); Exponentialwerte \(x\ge 0\)).
Schreibe die Poisson-PMF \(P(X=k)=e^{-\lambda}\dfrac{\lambda^k}{k!}\) und merke dir \(E[X]=\mathrm{Var}(X)=\lambda\).
Erkenne, wann du eine geometrische Verteilung nutzt (Versuche bis zum ersten Erfolg) und ihren Träger \(1,2,3,\dots\).
Berechne einen hypergeometrischen Erwartungswert: \(E[X]=n\cdot\frac{K}{N}\) (Ziehen ohne Zurücklegen).
Nutze die Exponential-CDF \(F(x)=1-e^{-\lambda x}\) und die Survival-Funktion \(P(X>x)=e^{-\lambda x}\) für \(x\ge 0\).
Interpretiere die Exponentialrate \(\lambda\) (Ereignisse pro Zeiteinheit) und die Skala \(1/\lambda\).
Kenne zentrale \(\chi^2\)-Fakten: \(\chi^2_k\) ist nie negativ, \(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\), und \(k\) (Freiheitsgrade) steuert die Form.
Nutze die F-Verteilung \(F(d_1,d_2)\) als Verhältnis skalierter Chi-Quadrat-Variablen und merke dir \(E[F]=\dfrac{d_2}{d_2-2}\), wenn \(d_2>2\).
Merke dir Spezialverteilungen: logistische Varianz \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\), und Cauchy hat undefinierten Erwartungswert und undefinierte Varianz.
Wichtige Begriffe
Träger: die Menge der Werte, die eine Zufallsvariable annehmen kann.
PMF: \(P(X=k)\) für diskretes \(X\).
PDF: \(f(x)\) für stetiges \(X\) (Wahrscheinlichkeit nutzt die Fläche unter der Kurve).
Freiheitsgrade: Parameter für \(\chi^2\)-, \(t\)- und \(F\)-Familien, der die Form steuert.
Schwere Tails: ungewöhnlich große Ausreißer sind wahrscheinlicher (klassisches Beispiel: Cauchy).
Schneller Vorabprüfung
Vorabprüfung 1: Welche Werte kann eine Poisson-Zufallsvariable annehmen?
Hinweis: Poisson modelliert Anzahlen, also sind die Ergebnisse \(0,1,2,\dots\).
Vorabprüfung 2: Wie groß ist bei einer Exponential-Zufallsvariable mit Rate \(\lambda\) die CDF bei \(0\), also \(F(0)\)?
Hinweis: Für \(x\ge 0\) gilt \(F(x)=1-e^{-\lambda x}\). Also ist \(F(0)=1-e^0=0\).
Diskrete Verteilungen
Poisson, geometrisch und hypergeometrisch (plus eine wichtige Approximation)
Lernziel: Ordne eine Zählsituation der passenden diskreten Verteilung zu und berechne schnelle Fakten wie Träger, PMF und \(E[X]\) ohne Verwechslungen.
Kernidee
Für diskrete Zufallsvariablen stammen Wahrscheinlichkeiten aus einer PMF \(P(X=k)\). Drei häufige Modelle:
Poisson \(\mathrm{Poisson}(\lambda)\): Anzahlen von Ereignissen in einem Intervall (mit konstanter durchschnittlicher Rate).
Hinweis: \(E[X]\) ist für jedes gültige \(p>0\) endlich, kann aber sehr groß sein, wenn \(p\) klein ist.
Hypergeometrisch \(\mathrm{Hypergeometric}(N,K,n)\): Ziehen ohne Zurücklegen aus \(N\) Objekten insgesamt mit \(K\) "Erfolgen", wobei \(n\) Objekte gezogen werden.
Mittelwert: \(E[X]=n\cdot\frac{K}{N}\)
Unbedingt kennen: Approximation
Wenn \(X\sim \mathrm{Binomial}(n,p)\) mit großem \(n\) und kleinem \(p\) gilt, sodass \(\lambda=np\) moderat ist, dann \[\mathrm{Binomial}(n,p)\ \approx\ \mathrm{Poisson}(\lambda=np).\] Das ist eine der häufigsten "Schnellapproximationen" in Quizzen und Prüfungen.
Ausgearbeitetes Beispiel
Beispiel: Sei \(X\sim\mathrm{Hypergeometric}(N=10,K=4,n=3)\). Finde \(E[X]\).
Nutze den hypergeometrischen Mittelwert: \[E[X]=n\cdot\frac{K}{N}=3\cdot\frac{4}{10}=\frac{12}{10}=1.2.\]
Übe selbst
Aufgabe 1: Sei \(X\sim\mathrm{Hypergeometric}(N=10,K=4,n=3)\). Was ist \(E[X]\)?
Hinweis: \(E[X]=n\cdot\frac{K}{N}\).
Aufgabe 2: Welche Verteilung approximiert bei kleinem \(p\) und großem \(n\) die Verteilung \(\mathrm{Binomial}(n,p)\) (mit \(\lambda=np\))?
Hinweis: Wenn \(n\) groß und \(p\) klein ist, gilt \(\mathrm{Bin}(n,p)\approx \mathrm{Poisson}(\lambda=np)\).
Approximation: \(\mathrm{Bin}(n,p)\approx \mathrm{Poisson}(\lambda=np)\) für großes \(n\), kleines \(p\).
Exponentiell
Exponentialverteilung: Rate, Skala, CDF und Wartezeiten
Lernziel: Nutze die Exponential-PDF/CDF korrekt, interpretiere \(\lambda\) und berechne Wahrscheinlichkeiten mit der Survival-Funktion.
Kernidee
Die Exponentialverteilung modelliert eine Wartezeit bis zum nächsten Ereignis, wenn Ereignisse mit konstanter durchschnittlicher Rate eintreffen. Wenn \(X\sim\mathrm{Exponential}(\lambda)\), dann gilt:
Träger: \(x\ge 0\)
PDF: \(f(x)=\lambda e^{-\lambda x}\) für \(x\ge 0\)
CDF: \(F(x)=P(X\le x)=1-e^{-\lambda x}\) für \(x\ge 0\)
Gamma und Chi-Quadrat: Freiheitsgrade, Form und wichtige Fakten
Lernziel: Erkenne eine \(\chi^2\)-Verteilung, interpretiere Freiheitsgrade und nutze die wichtigsten Eigenschaften schnell.
Kernidee
Eine Chi-Quadrat-Verteilung mit \(k\) Freiheitsgraden schreibt man als \(\chi^2_k\). Sie entsteht natürlich als Summe von Quadraten: \[Z_1^2+\cdots+Z_k^2 \sim \chi^2_k \quad \text{when } Z_i\sim N(0,1)\text{ independently.}\]
Träger: \(x\ge 0\) (sie kann also nie negativ sein)
Form: rechtsschief für kleines \(k\); wird symmetrischer, wenn \(k\) wächst
Parameter, der die Form steuert: \(k\) (Freiheitsgrade)
Verbindung zur Gamma-Verteilung
Chi-Quadrat ist ein Spezialfall der Gamma-Verteilung: \[\chi^2_k \sim \mathrm{Gamma}\!\left(\alpha=\frac{k}{2},\ \theta=2\right),\] wobei \(\alpha\) die Form und \(\theta\) die Skala ist.
Ausgearbeitetes Beispiel
Beispiel: Wenn \(X\sim \chi^2_{12}\), was sind \(E[X]\) und \(\mathrm{Var}(X)\)?
Nutze die Standardmomente: \[E[X]=12,\qquad \mathrm{Var}(X)=2\cdot 12=24.\]
Übe selbst
Aufgabe 1: Welcher Parameter bestimmt die Form einer Chi-Quadrat- \((\chi^2)\)-Verteilung?
Hinweis: \(\chi^2\)-Verteilungen werden durch Freiheitsgrade indiziert.
Aufgabe 2: Wie groß ist die Wahrscheinlichkeit, dass eine \(\chi^2\)-Zufallsvariable negativ ist?
Hinweis: Der Träger von \(\chi^2\) ist \(x\ge 0\).
Zusammenfassung
\(\chi^2_k\) ist immer \(\ge 0\) und für kleines \(k\) typischerweise rechtsschief.
\(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\).
Die Freiheitsgrade \(k\) steuern die Form.
F-Verteilung
F-Verteilung: Verhältnisse von Varianzen und Existenz des Mittelwerts
Lernziel: Erkenne eine F-Verteilung, verstehe ihre Parameter \((d_1,d_2)\) und nutze die wichtige Mittelwertformel korrekt.
Kernidee
Die F-Verteilung entsteht aus dem Verhältnis zweier unabhängiger Chi-Quadrat-Variablen, geteilt durch ihre Freiheitsgrade: \[F=\frac{(\chi^2_{d_1}/d_1)}{(\chi^2_{d_2}/d_2)} \sim F(d_1,d_2).\] Sie wird häufig in der ANOVA und beim Testen/Schätzen von Verhältnissen von Varianzen genutzt.
Träger: \(x>0\) (nie negativ)
Parameter: \(d_1>0\), \(d_2>0\) (Freiheitsgrade)
Mittelwert: \(E[F]=\dfrac{d_2}{d_2-2}\) falls \(d_2>2\) (sonst existiert der Mittelwert nicht)
Ausgearbeitetes Beispiel
Beispiel: Sei \(F\sim F(d_1=5,d_2=10)\). Was ist \(E[F]\)?
Da \(d_2=10>2\), existiert der Mittelwert: \[E[F]=\frac{d_2}{d_2-2}=\frac{10}{10-2}=\frac{10}{8}=1.25.\]
Übe selbst
Aufgabe 1: Sei \(F\sim F(d_1=5,d_2=10)\). Was ist \(E[F]\)?
Hinweis: \(E[F]=\dfrac{d_2}{d_2-2}\) wenn \(d_2>2\).
Aufgabe 2: Für \(F(d_1,d_2)\): Wann existiert der Mittelwert \(E[F]\)?
Hinweis: Die Freiheitsgrade im Nenner bestimmen, ob \(E[F]\) existiert.
Zusammenfassung
\(F(d_1,d_2)\) ist positiv: Träger \(x>0\).
\(E[F]=\dfrac{d_2}{d_2-2}\) existiert nur, wenn \(d_2>2\).
F-Verteilungen treten bei Varianzverhältnissen und ANOVA auf.
Logistisch & Cauchy
Logistische Varianz und die Cauchy-Falle "undefinierter Mittelwert"
Lernziel: Erkenne logistische und Cauchy-Verteilungen und merke dir, welche Momente existieren (und welche nicht).
Logistische Verteilung
Eine logistische Zufallsvariable \(X\sim \mathrm{Logistic}(\mu,s)\) hat eine glatte S-förmige (sigmoidale) CDF: \[F(x)=\frac{1}{1+e^{-(x-\mu)/s}},\] wobei \(\mu\) ein Lageparameter und \(s>0\) ein Skalenparameter ist.
Mittelwert: \(E[X]=\mu\)
Varianz: \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\)
Warum das wichtig ist: logistische CDFs tauchen in logistischer Regression und bei "Wahrscheinlichkeit als glatter Schwellenwert"-Modellierung auf.
Cauchy-Verteilung
Die Cauchy-Verteilung ist eine klassische Verteilung mit schweren Tails. Für \(X\sim \mathrm{Cauchy}(x_0,\gamma)\) sind die Tails so schwer, dass Erwartungswert und Varianz undefiniert sind. Ein häufiger Spezialfall ist die Standard-Cauchy-Verteilung \(\mathrm{Cauchy}(0,1)\) mit PDF: \[f(x)=\frac{1}{\pi(1+x^2)}.\]
Ausgearbeitetes Beispiel
Beispiel: Wenn \(X\sim\mathrm{Logistic}(\mu,s)\), was ist \(\mathrm{Var}(X)\)?
Nutze die Standardformel: \[\mathrm{Var}(X)=\frac{\pi^2 s^2}{3}.\]
Übe selbst
Aufgabe 1: Sei \(X\sim\mathrm{Logistic}(\mu,s)\). Was ist \(\mathrm{Var}(X)\)?
Hinweis: Die logistische Varianz enthält \(\pi^2\): \(\pi^2 s^2/3\).
Aufgabe 2: Welche Verteilung hat undefinierten Erwartungswert und undefinierte Varianz?
Hinweis: Cauchy-Tails sind so schwer, dass die üblichen Integrale für Erwartungswert/Varianz nicht konvergieren.
Cauchy: Erwartungswert und Varianz sind undefiniert (existieren nicht).
Modell auswählen
So wählst du die richtige Verteilung (schnelle Erkennung)
Lernziel: Ordne Schlüsselwörter in einer Aufgabe der richtigen Verteilung zu und vermeide häufige Fallen (falscher Träger, falsche Parameterregeln, falsche Bedeutung von \(\lambda\)).
Textsignal → Verteilung: Abkürzungen
Anzahlen in einem Zeit-/Flächenintervall (Ankünfte, Defekte, Anrufe, E-Mails): Poisson\((\lambda)\).
Wartezeit bis zum nächsten Ereignis: Exponential\((\lambda)\).
Versuche bis zum ersten Erfolg (erster Erfolg im Versuch \(k\)): Geometrisch\((p)\).
Ziehen ohne Zurücklegen aus einer endlichen Population: Hypergeometrisch\((N,K,n)\).
Summe von Quadraten standardnormalverteilter Variablen: \(\chi^2_k\).
Verhältnis von Varianzen (skaliertes Chi-Quadrat-Verhältnis): \(F(d_1,d_2)\).
ParameterKontrollfragen (schnelle Plausibilität)
Poisson: \(\lambda\ge 0\) und Ergebnisse sind \(0,1,2,\dots\).
Exponential: \(\lambda>0\) und Ergebnisse erfüllen \(x\ge 0\).
Geometrisch: \(0<p\le 1\) und Ergebnisse sind \(1,2,3,\dots\) (Version "Versuche bis zum Erfolg").
\(\chi^2\), F: Freiheitsgrade sind positiv; Werte sind nichtnegativ (und F ist streng positiv).
Ausgearbeitetes Beispiel (Poisson ↔ Exponential-Verbindung)
Beispiel: Ereignisse treten mit einer durchschnittlichen Rate von \(\lambda\) pro Zeiteinheit auf.
Die Anzahl der Ereignisse in einer Zeiteinheit kann durch \(N\sim\mathrm{Poisson}(\lambda)\) modelliert werden.
Die Wartezeit bis zum nächsten Ereignis kann durch \(X\sim\mathrm{Exponential}(\lambda)\) modelliert werden.
Deshalb erscheinen Poisson- und Exponentialfragen oft zusammen in "Verteilungen II".
Übe selbst
Aufgabe 1: Welches Szenario könnte mit einer Exponentialverteilung modelliert werden?
Hinweis: Exponential ist ein Wartezeitmodell.
Aufgabe 2: Welchen Wert kann eine poissonverteilte Zufallsvariable nie annehmen?
Hinweis: Poisson-Ergebnisse sind Anzahlen: \(0,1,2,\dots\) (keine Brüche).
Prüfe immer den Träger: Poisson ist \(0,1,2,\dots\); Exponential ist \(x\ge 0\); \(\chi^2\) ist \(x\ge 0\); F ist \(x>0\).
Parameterbedeutung zählt: exponentielles \(\lambda\) ist eine Rate; Poisson-\(\lambda\) ist die mittlere Anzahl pro Intervall.
Gesamtbild
Warum diese Verteilungen wichtig sind (und ein letzter Kontrolle)
Lernziel: Verbinde Verteilungsformeln mit echten statistischen Aufgaben und schließe dann mit einem letzten Kontrolle ab, um die meistgeprüften Fakten zu festigen.
Wo Verteilungen II auftaucht
Warteschlangen & Zuverlässigkeit: Poisson-Anzahlen und exponentielle Wartezeiten (Anrufe, Ankünfte, Ausfälle).
Qualitätskontrolle: Defekte pro Einheit (Poisson), Bestehen/Nichtbestehen-Versuche (geometrisch).
Stichproben & Genetik: hypergeometrisches Ziehen ohne Zurücklegen.
Hypothesentests: Chi-Quadrat-Tests (Anpassungsgüte, Unabhängigkeit) und F-Tests (Varianzverhältnisse, ANOVA).
Datenmodellierung: logistisch für S-förmige Wahrscheinlichkeitskurven; Cauchy als Erinnerung, dass nicht jede Verteilung einen Mittelwert hat.
Ausgearbeitetes Beispiel: geometrisch "Erfolg im ersten Versuch"
Beispiel: Wenn \(X\sim\mathrm{Geom}(p)\) die Anzahl der Versuche bis zum ersten Erfolg zählt, was ist \(P(X=1)\)?
"Erster Erfolg im Versuch 1" bedeutet, dass der erste Versuch ein Erfolg ist: \[P(X=1)=p.\]
Übe selbst
Aufgabe 1: Wenn die Erfolgswahrscheinlichkeit \(p\) ist, wie groß ist die Wahrscheinlichkeit, dass der erste Versuch bei einer geometrischen Verteilung (Versuche bis zum ersten Erfolg) ein Erfolg ist?
Hinweis: "Erfolg im ersten Versuch" ist genau ein sofortiger Erfolg, also einfach \(p\).
Aufgabe 2: Was ist der kleinste Wert, den eine Poisson-Zufallsvariable annehmen kann?
Hinweis: Poisson ist eine Zählverteilung, also beginnt sie bei \(0\).
\(\chi^2_k\): nichtnegativ, \(E[\chi^2_k]=k\), \(\mathrm{Var}(\chi^2_k)=2k\), Form durch \(k\) gesteuert.
F(d\(_1\),d\(_2\)): positiv, \(E[F]=\dfrac{d_2}{d_2-2}\) für \(d_2>2\).
Logistisch: \(\mathrm{Var}(X)=\dfrac{\pi^2 s^2}{3}\). Cauchy: Erwartungswert und Varianz sind undefiniert.
Als Nächstes: Schließe diese Lektion und versuche dein Quiz erneut. Wenn du eine Frage verfehlst, öffne die Lektion erneut und wiederhole die Seite, die zur Verteilung (Poisson, geometrisch, hypergeometrisch, exponentiell, \(\chi^2\), F, logistisch, Cauchy) und zum benötigten wichtigen Fakt passt (Träger, Parameterbedeutung, CDF, Mittelwert/Varianz).
Serie 5+
Serie 10+
Serie 15+
Serie 20+
Serie 25+