Wahrscheinlichkeitsrechnung und Statistik für

Studierende der Informatik

Dozentin: U. Ludwig

WS 20/21

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 1 / 40

3. Stetige Zufallsvariable
3.1 + 3.2 Dichte und Verteilungsfunktion, Erwartungswert und
Varianz
3.3 Wichtige stetige Wahrscheinlichkeitsverteilungen
3.3.1 Die Exponentialverteilung
3.3.2. Die Normalverteilung
Wiederholungsfolien zum Thema Integration (siehe Mafin 1)

4. Grenzwertsätze
Satz von Moivre-Laplace und Zentraler Grenzwertsatz

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 2 / 40

Stetige Zufallsvariable

Definition 3.1
Sei (Ω, A, P) ein Wahrscheinlichkeitsraum. Eine Funktion X : Ω → R heißt
stetige Zufallsvariable, falls es eine integrierbare, nicht negative reelle
Funktion fX : R → R gibt mit der Eigenschaft
Z x
P(X ≤ x) = fX (t)dt.
−∞

Die Funktion fX heißt Dichte der Zufallsvariablen X . Die Funktion

FX : R → [0, 1], Z x
x 7→ P(X ≤ x) = fX (t)dt
−∞

heißt Verteilungsfunktion von X .

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 3 / 40

Beispiel: Zufallvariable “Uhrzeit”. Dichte und
Verteilungsfunktion.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 4 / 40

Erwartungswert einer stetigen Zufallsvariablen

Definition 3.6
(a) Sei X eine stetige Zufallsvariable mit der Dichtefunktion fX . Falls das
uneigentliche Integral
Z ∞
E (X ) := tfX (t)dt
−∞

existiert, so heißt es der Erwartungswert der Zufallsvariablen X . Der

Erwartungswert wird oft mit E (X ) = µ bezeichnet.
(b) Ist X eine stetige Zufallsvariable mit der Dichtefunktion fX derart,
dass E (X 2 ) existiert, so definiert man die Varianz durch
Z ∞
Var (X ) := (t − µ)2 fX (t)dx.
−∞
p
σ = σX = Var (X ) heißt Standardabweichung von X .

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 5 / 40

Eigenschaften der Verteilungsfunktion einer stetigen
Zufallsvariablen
Satz 3.2
Ist X eine stetige Zufallsvariable mit Verteilungsfunktion FX , so gilt:
(a) Ist x < y , so gilt FX (x) ≤ FX (y ). M.a.W. die Verteilungs-
funktion FX ist monoton wachsend.
(b) lim FX (x) = 0, lim FX (x) = 1.
x→−∞ x→∞

Satz 3.3
Ist X eine Zufallsvariable mit Verteilungsfunktion FX und Dichte fX , so gilt
für alle reellen Zahlen a < b:
Z b
(a) P(a < X ≤ b) = FX (b) − FX (a) = fX (t)dt.
a
Z ∞
(b) P(a < X ) = 1 − FX (a) = fX (t)dt.
a

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 6 / 40

Stetige unabhängige Zufallsvariable

Definition 3.5
Zwei stetige Zufallsvariable X und Y heißen stochastisch unabhängig, wenn
die Ereignisse X ≤ x und Y ≤ y für beliebige (x, y ) ∈ R2 unabhängig sind,
d.h. wenn

P((X ≤ x) ∩ (Y ≤ y )) = P(X ≤ x) · P(Y ≤ y )

gilt. Sonst heißen X und Y stochastisch abhängig.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 7 / 40

3. Stetige Zufallsvariable
3.1 + 3.2 Dichte und Verteilungsfunktion, Erwartungswert und
Varianz
3.3 Wichtige stetige Wahrscheinlichkeitsverteilungen
3.3.1 Die Exponentialverteilung
3.3.2. Die Normalverteilung
Wiederholungsfolien zum Thema Integration (siehe Mafin 1)

4. Grenzwertsätze
Satz von Moivre-Laplace und Zentraler Grenzwertsatz

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 8 / 40

3. Stetige Zufallsvariable
3.1 + 3.2 Dichte und Verteilungsfunktion, Erwartungswert und
Varianz
3.3 Wichtige stetige Wahrscheinlichkeitsverteilungen
3.3.1 Die Exponentialverteilung
3.3.2. Die Normalverteilung
Wiederholungsfolien zum Thema Integration (siehe Mafin 1)

4. Grenzwertsätze
Satz von Moivre-Laplace und Zentraler Grenzwertsatz

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 9 / 40

Exponentialverteilung
Definition
Eine stetige Zufallsvariable X mit Dichtefunktion

fX : R −→ R
λe −λt

t≥0
t 7→ fX (t) :=
0 t<0

heißt exponentialverteilt mit Parameter λ > 0.

Dichte und Verteilungsfunktion der Exponentialverteilung mit Parameter

λ = 1:

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 10 / 40

Erwartungswert und Varianz der Exponentialverteilung

Satz
Sei X eine exponentialverteilte Zufallsvariable mit Parameter λ > 0. Dann
gilt:
Die Verteilungsfunktion ist

FX : R → R Rx
x 7→ FX (x) = P(X ≤ x) = −∞ fX (t)dt

0 x < 0,
=
1 − e −λx x ≥ 0.

Für den Erwartungswert und die Varianz erhalten wir

1 1
E (X ) = , Var (X ) = .
λ λ2

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 11 / 40

Bemerkungen zur Exponentialverteilung und Anwendung
Die Exponentialverteilung ist die stetige Variante der geometrischen
Verteilung, sie beschreibt die (stetige) Wartezeit bis zum Eintreten
eines Ereignisses.
Eine exponentialverteilte Zufallsvariable ist gedächtnislos, d.h. es gilt
für alle r , s > 0

P(X ≥ r + s | X ≥ r ) = P(X ≥ s).

Übung: Ermüdungsfreie Bauteile

Der Hersteller einer Festplatte gibt als mittlere Zeit bis zum Ausfall, die
Mean Time To Failure (MTTF), einen Wert von 70 Jahren an.
Wie groß ist die Wahrscheinlichkeit, dass die Festplatte im nächsten
Jahr ausfällt.
Wie groß ist die Wahrscheinlichkeit, dass in 50 Rechnern alle
Festplatten ein Jahr ohne Ausfall überstehen?
Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 12 / 40
3. Stetige Zufallsvariable
3.1 + 3.2 Dichte und Verteilungsfunktion, Erwartungswert und
Varianz
3.3 Wichtige stetige Wahrscheinlichkeitsverteilungen
3.3.1 Die Exponentialverteilung
3.3.2. Die Normalverteilung
Wiederholungsfolien zum Thema Integration (siehe Mafin 1)

4. Grenzwertsätze
Satz von Moivre-Laplace und Zentraler Grenzwertsatz

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 13 / 40

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 14 / 40
Standardnormalverteilung

Definition
Eine stetige Zufallsvariable X heißt standardnormal-verteilt (kurz:
X ∼ N(0, 1)), wenn die Dichtefunktion folgende Form hat:
 2
1 t
f (t) = √ exp − .
2π 2

Bemerkung:
Für die Standardnormalverteilung gilt:
Z ∞ Z ∞  2
1 t
f (t)dt = √ exp − dt = 1.
−∞ 2π −∞ 2

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 15 / 40

Verteilungsfunktion der Standardnormalverteilung

Verteilungsfunktion der Standardnormalverteilung

Sei X ∼ N(0, 1).
Die Verteilungsfunktion der Standardnormalverteilung wird mit
φ : R → [0, 1] bezeichnet:
Z x  
1 1 2
φ(x) = P(X ≤ x) = √ exp − t dt.
2π −∞ 2

Sei a < b. Die Wahrscheinlichkeit, dass X Werte im Interall ]a, b]

annimmt, ist P(a < X ≤ b) = φ(b) − φ(a).
Wegen der Symmetrie der Dichtefunktion gilt für alle x > 0

φ(−x) = 1 − φ(x).

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 16 / 40

Erwartungswert und Varianz der Standardnormalverteilung

Satz
Ist X ∼ N(0, 1), so gilt:
E (X ) = 0 und
Var (X ) = 1.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 17 / 40

Normalverteilung N(µ, σ 2 )

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 18 / 40

Normalverteilung N(µ, σ 2 )

Definition 3.8.
Eine stetige Zufallsvariable X heißt normal-verteilt mit den Parametern
µ ∈ R und σ > 0 (kurz: X ∼ N(µ, σ 2 )), wenn die Dichtefunktion folgende
Form hat:  !
1 t −µ 2

1
f (t) = √ exp − .
σ 2π 2 σ

Wir sagen kurz: X ist N(µ, σ 2 )-verteilt.

Bemerkung
t−µ dt
Die Substitution u = σ , du = σ liefert:
∞ ∞  2
1
Z Z
u
f (t)dt = √ exp − du = 1.
−∞ 2π −∞ 2

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 19 / 40

Verteilungsfunktion der N(µ, σ 2 )-Verteilung

Verteilungsfunktion der N(µ, σ 2 )-Verteilung

Sei X eine N(µ, σ 2 )-verteilte Zufallsvariable. Für die Verteilungsfunktion
 !
1 t −µ 2
Z x 
1
P(X ≤ x) = √ exp − dt .
σ 2π −∞ 2 σ

gilt, mit der Substitution u = t−µ

σ :
x−µ

P(X ≤ x) = φ σ und
 
P(a < X ≤ b) = φ b−µ σ −φ a−µ

σ .

Also kann man mithilfe der Tabelle für die N(0, 1)-Normalverteilung auch
die Verteilungsfunktion für die N(µ, σ 2 )-Verteilung berechnen.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 20 / 40

Erwartungswert und Varianz der Normalverteilung N(µ, σ 2 )

Satz 3.9.
Ist X N(µ, σ 2 )-verteilt, so gilt
E (X ) = µ und
Var (X ) = σ 2 .

Bemerkung
Ist X ∼ N(µ, σ 2 ), so ist die Standardisierte von X
standardnormalverteilt, also X ∗ ∼ N(0, 1).
Es seien X und Y unabhängige Zufallsvariable mit X ∼ N(µ1 , σ12 ) und
Y ∼ N(µ2 , σ22 ). Dann gilt X + Y ∼ N(µ1 + µ2 , σ12 + σ22 ).
Allgemeiner: Die Summe unabhängiger normalverteilter
Zufallsvariablen ist ebenfalls normalverteilt.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 21 / 40

Drei-Sigma-Regel

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 22 / 40

Drei-Sigma-Regel

Bemerkung 3.13.
Die Wahrscheinlichkeit, dass die N(µ, σ 2 )-verteilte Zufallsvariable X Werte
in dem Intervall
[µ − kσ, µ + kσ] mit k ∈ N
annimmt ist


P µ − kσ ≤ X ≤ µ + kσ = φ(k) − φ(−k) = 2φ(k) − 1

Speziell für k = 1, 2, 3 ergeben sich folgende Werte

P(µ − 1 · σ ≤ X ≤ µ + 1 · σ) = 2φ(1) − 1 ≈ 0.6827,

P(µ − 2 · σ ≤ X ≤ µ + 2 · σ) = 2φ(2) − 1 ≈ 0.9545,

P(µ − 3 · σ ≤ X ≤ µ + 3 · σ) = 2φ(3) − 1 ≈ 0.9973.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 23 / 40

Übung

Beispiel 3.12.
Ein Werkstück soll eine Bohrung erhalten mit einem Durchmesser von 50
mm. Die Toleranzgrenzen sind tu = 49.97 mm und to = 50.04 mm. Es sei
bekannt, dass die von den Bohrautomaten erstellten Bohrungen
N(µ, σ 2 )-verteilt sind, wobei µ = 50 mm und σ = 0.02 mm gelten soll. Ein
Werkstück ist Ausschuss, wenn der Durchmesser größer als to ausfällt. Ist
der Durchmesser kleiner als tu , so muss eine Nachbohrung durchgeführt
werden.
a) Wie groß ist die Wahrscheinlichkeit, dass die Bohrung sofort
qualitätsgerecht ausfällt?
b) Wie groß ist die Wahrscheinlichkeit dafür, dass das Werkstück
nachgebessert werden muss?
c) Wie groß ist die Ausschusswahrscheinlichkeit?

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 24 / 40

3. Stetige Zufallsvariable
3.1 + 3.2 Dichte und Verteilungsfunktion, Erwartungswert und
Varianz
3.3 Wichtige stetige Wahrscheinlichkeitsverteilungen
3.3.1 Die Exponentialverteilung
3.3.2. Die Normalverteilung
Wiederholungsfolien zum Thema Integration (siehe Mafin 1)

4. Grenzwertsätze
Satz von Moivre-Laplace und Zentraler Grenzwertsatz

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 25 / 40

Basics: Stammfunktionen und Integrale

Definition (Stammfunktion)
Ist f : R → R gegeben, so heißt eine Funktion F : R → R Stammfunktion
von f , wenn gilt:
F 0 (x) = f (x) für alle x ∈ R,
dabei bezeichnet F 0 die erste Ableitung von F .

Beispiele wichtiger Stammfunktionen:

f (x) F (x)
1
xk, k ∈ Q \ {−1} k+1 x
k+1 + c
ex ex + c
− sin x cos x + c
cos x sin x + c

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 26 / 40

Basics: Fundamentalsatz der Differential- und
Integralrechnung

Fundamentalsatz der Differential- und Integralrechnung

Sei f : R → R eine Funktion mit Stammfunktion F : R → R. Sind
a, b ∈ R mit a < b, so gilt

Zb
b
f (t) dt = F (b) − F (a) =: F (t) ,
a
a

wobei die linke Seite das bestimmte Integral von f (zwischen a und b)
bezeichnet.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 27 / 40

Basics: Geometrische Bedeutung des bestimmten Integrals

Z b
f (t)dt = (Flächeninhalt blaue Fläche) − (Flächeninhalt gelbe Fläche)
a

Rb
Geometrisch misst f (t) dt die Fläche zwischen dem Graphen von f und
a
der x-Achse, die von den senkrechten Geraden x = a und x = b begrenzt
wird. Dabei werden Flächenstücke unterhalb der x-Achse negativ bewertet.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 28 / 40

Basics: Uneigentliche Integrale

Sei f : R → R eine Funktion mit Stammfunktion F : R → R und sei a ∈ R.

Dann heißt
Z +∞ Zb
f (t) dt := lim f (t) dt = lim F (b) − F (a)
a b→+∞ b→+∞
a

das uneigentliche Integral von f (zwischen a und +∞), falls der

angegebene Funktionsgrenzwert existiert. Analog definiert man - bei
Existenz - für beliebiges b ∈ R:

Zb Zb
f (t) dt := lim f (t) dt = F (b) − lim F (a).
a→−∞ a→−∞
−∞ a

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 29 / 40

Basics: Uneigentliche Integrale. Beispiele

Das uneigentliche Integral

Z ∞
e t dt = lim e b − e a = ∞
a b→∞

existiert nicht. Das uneigentliche Integral

Z b
e t dt = e b − lim e a = e b
−∞ a→−∞

existiert.
Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 30 / 40
Basics: Gaußsche Glockenkurve (Carl Friedrich Gauß
(1777-1855))

Das folgende uneigentliche Integral ist für die Wahrscheinlichkeitstheorie

von großer Wichtigkeit:
Z ∞  2
1 t
√ exp − dt = 1.
2π −∞ 2

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 31 / 40

3. Stetige Zufallsvariable
3.1 + 3.2 Dichte und Verteilungsfunktion, Erwartungswert und
Varianz
3.3 Wichtige stetige Wahrscheinlichkeitsverteilungen
3.3.1 Die Exponentialverteilung
3.3.2. Die Normalverteilung
Wiederholungsfolien zum Thema Integration (siehe Mafin 1)

4. Grenzwertsätze
Satz von Moivre-Laplace und Zentraler Grenzwertsatz

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 32 / 40

Grenzwertsätze

der Satz von Moivre-Laplace

der Zentrale Grenzwertsatz
Grenzwertsätze in der Stochastik sagen etwas aus über die Summe von n
Zufallsvariablen, wobei n sehr groß ist.
Der Satz von Moivre-Laplace ist ein Spezialfall des Zentralen
Grenzwertsatzes.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 33 / 40

Approximation der Binomialverteilung durch die Normal-
verteilung. Grenzwertsatz von Moivre-Laplace (Teil 1)

In Woche 7 haben wir die Poissonnäherung kennengelernt: Für großes n

und kleines p kann die B(n, p)-Verteilung mit der Poissonverteilung mit
Parameter λ := n · p approximiert werden

λk −λ
Bn,p (k) −→ e .
k!

Was passiert, wenn p konstant ist und n immer größer wird?

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 34 / 40

Approximation der Binomialverteilung durch die Normal-
verteilung. Grenzwertsatz von Moivre-Laplace (Teil 2)

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 35 / 40

Approximation der Binomialverteilung durch die Normal-
verteilung. Grenzwertsatz von Moivre-Laplace (Teil 3)

Erklärung: Sei X eine B(n, p)-verteilte Zufallsvariable. Es gilt

E (X ) = µ = np und Var (X ) = σ 2 = np(1 − p).
Wir betrachten die Standardisierte

X −µ
X ∗ := .
σ
Der Effekt der Standardisierung ist, dass X ∗ Erwartungswert 0 und
Varianz 1 hat.
Zudem gilt für die Werte von X und X ∗ :

X = k ⇐⇒ X ∗ = k ∗

wobei k ∗ = √k−n·p .
np(1−p)

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 36 / 40

Approximation der Binomialverteilung durch die Normal-
verteilung. Grenzwertsatz von Moivre-Laplace (Teil 4)
Wir stellen die standardisierte Binomialverteilung mit Hilfe eines
Histogramms dar. Wir erhalten daraus die folgende Treppenfunktion (die
Breite der Treppe ist σ1 ):

σBn,p (k) für k−µ−0,5 ≤ t < k−µ+0,5


σ σ ,
Vn (t) :=
0 sonst,
wobei p
µ = np, σ= np(1 − p).

Satz 4.3 (Grenzwertsatz von Moivre-Laplace)

Für alle p mit 0 < p < 1 gilt
1 2
lim Vn (t) = √ e −t /2 .
n→∞ 2π

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 37 / 40

Folgerungen aus dem Satz von Moivre-Laplace (Teil 1)

Approximation der Binomialverteilung durch die Normalverteilung

(ohne Stetigkeitskorrektur)
Faustregel: Sei np(1 − p) > 9. Eine B(n, p)-verteilte Zufallsvariable
X ist annähernd N(np, np(1 − p))-verteilt, d.h. wir können die
folgenden Formeln benutzen:
 
P(X ≤ x) = φ √ x−np .
np(1−p)
   
b−np
P(a ≤ X ≤ b) = φ √ − φ √ a−np , 0 ≤ a ≤ b ≤ n.
np(1−p) np(1−p)

Übung
Für ein Konzert werden 200 Freikarten verteilt. Aus Erfahrung weiss
man, dass 85% der Freikarten in Anspruch genommen werden. Mit
welcher Wahrscheinlichkeit werden höchstens 170 der Freikarten
benutzt?
Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 38 / 40
Folgerungen aus dem Satz von Moivre-Laplace (Teil 2)

Approximation der Binomialverteilung durch eine Normalverteilung

mit Stetigkeitskorrektur
Sei X eine B(n, p)-verteilte Zufallsvariable. Dann kann für np > 5 und
n(1 − p) > 5 die folgende Approximation benutzt werden:
 
x−np+0,5
P(X ≤ x) = φ √ .
np(1−p)
   
b−np+0,5
√ a−np−0,5
√
P(a ≤ X ≤ b) = φ −φ , 0 ≤ a ≤ b ≤ n.
np(1−p) np(1−p)

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 39 / 40

Zentraler Grenzwertsatz

Satz 4.6 (Zentraler Grenzwertsatz)

Es seien X1 , X2 , . . . ,Xn unabhängige Zufallsvariable, die alle den
Erwartungswert µ und die Varianz σ 2 und alle die gleiche Verteilung haben.
Sei Sn die Zufallsvariable

Sn = X1 + X2 + . . . + Xn

und Sn∗ die Standardisierte von Sn . Dann konvergiert Sn∗ gegen die
Standardnormalverteilung:

lim P(Sn∗ ≤ x) = φ(x).

n→∞

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 40 / 40