Stochastik

————————————————————————————————————————–
Brownscher Bewegungsvorgang auf der Oberfläche einer Kugel. Die Brownsche Bewegung ist die zufällige Bewegung von
Teilchen, die in einem Medium (einer Flüssigkeit oder einem Gas) suspendiert sind. Dieses Bewegungsmuster besteht typ-
ischerweise aus zufälligen Schwankungen der Position eines Partikels innerhalb einer Flüssigkeitsdomäne. Der Brownscher
Prozess (auch Wienscher-Prozess genannt) gilt allgemein als der am besten untersuchte und wichtigste stochastische Prozess
der Stochastik.
Contents

1 Zufallsvariablen und Verteilungen 2

1.1 Einstieg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Darstellung von Wahrscheinlichkeitsverteilungen . . . . . . . . . . . . . . . . . . . . . 3
1.3 Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Wahrscheinlichkeitsfunktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Kumulierte Verteilungsfunktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6 Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Erwartungswert einer Verteilung 7

2.1 Einstieg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Erwartungswert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 Varianz 9
3.1 Einstieg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Zentrale Idee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Bedeutung der Standardabweichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Zusammenfassendes Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.5 Üben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4 Gleichverteilung und geometrische Verteilung 18

4.1 Gleichverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2 Geometrische Verteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

5 Binomailverteilung 21
5.1 Bernoulli-Experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.2 Einstieg und Herleitung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.3 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.4 Erwartungswert und Varianz einer Binomialverteilung . . . . . . . . . . . . . . . . . . 26
5.5 Üben. Hausaufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

6 Stetige Zufallsgrösse und Normalverteilung 30

6.1 Der Übergang von diskreten zu stetigen Zufallsgrössen . . . . . . . . . . . . . . . . . . 30
6.2 Dichtefunktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.3 Erwartungswert und Varianz. Stetig. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

7 Normalverteilung 34
7.1 Auf der Suche der Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.3 Werte der Standard-Normalverteilung. Tabelle. . . . . . . . . . . . . . . . . . . . . . . 37
7.4 Eigenschaften der Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
7.5 Streuintervalle und ihre Wahrscheinlichkeit . . . . . . . . . . . . . . . . . . . . . . . . 38

8 Lösungen 40

1
1 Zufallsvariablen und Verteilungen

1.1 Einstieg

Wir betrachten ein Spiel, bei dem drei Münzen geworfen werden. Ein typisches Ergebnis ist:

Gewonnen hat, wer mehr Köpfe wirft. Wir zählen also die Köpfe und berechnen anschliessend die
Wahrscheinlichkeit für diese Ereignisse.
ω1 ω2 ω3 ω4

Ergebnisse des Experiments ω:

in einem Ergebnisraum !

Werte der Zufallsgrösse X 0 1 2 3

(Anzahl Köpfe)

Wahrscheinlichkeit P :
1 1 1 1
P (ω1 = Kopf) · · =
2 2 2 8
! 1 "3 ! 1 "3 ! 1 "3 3
P (ω2 = Kopf) = 2
+ 2
+ 2
=
8
! 1 "3 ! 1 "3 ! 1 "3 3
P (ω3 = Kopf) = 2
+ 2
+ 2
=
8
! 1 "3 1
P (ω4 = Kopf) = 2
=
8
Wir weisen also jedem Ergebnis genau eine Zahl zu. Jeder Zahl wiederum weisen wir genau eine
Wahrscheinlichkeit zu.

Definition 1.1. Eine Zuordnung, die jedem Ergebnis ω eines Zufallsexperiments genau eine
Zahl x zuordnet, heisst Zufallsvariable X oder Zufallsgrösse X
Diese Zuordnung kann man als eine Funktion verstehen. Sei ! ein Ergebnisraum. Eine Funk-
tion

X : ! ↑↓ R
ω ↔↑↓ X(ω)(reelle Zahl)

die jedem Ergebnis des Ergebnisraumes eine reelle Zahl zuordnet heisst Zufallsvariable X
oder Zufallsgrösse X.
Ist ! endlich, so hat die Zufallsgrösse nur endlich viele Werte x1 , x2 , . . . xn und man nennt sie
diskret.

Beispiel: Gehen wir zurück an unser Beispiel mit den Münzen. Die Zufallsvariable ordnet jedem
Experiment ω ↗ ! (hier gibt es 4 Experimenten, ω1 , ω2 , ω3 , ω4 ). Wir haben dann

X : ! →↑ R X : ! →↑ R X : ! →↑ R X : ! →↑ R
ω1 ↓→↑ X(ω1 ) = 0 ω2 ↓→↑ X(ω2 ) = 1 ω2 ↓→↑ X(ω3 ) = 2 ω4 ↓→↑ X(ω4 ) = 3

2
 Definition 1.2. Eine Zuordnung, die jedem X einer Zufallsgrösse genau eine Wahrschein-
lichkeit P zuordnet, heisst Verteilung P

Eine Verteilung kann man auch als eine Funktion betrachten. Sei X : ! ↓ R eine Zu-
fallsgrösse. Die Funktion, die jedem der Werte x der Zufallsgrösse die Wahrscheinlichkeit
P (X = x) zuordnet heisst Verteilung von X

P : ! ↓ R ↔↑↓ [0, 1]
P : x ↔↑↓ P (X = x)

Beispiel: Gehen wir zurück an unser Beispiel mit den Münzen.

Die Zahlen (0, 1, 2, oder 4), die die Zufallsvariable zugeordnet hat, bekommen eine bestimmte
Wahrscheinlichkeit, nämlich die Wahrscheinlichkeit Kopf zu erhalten. Diese Zuordnung wird durch
die Verteilung beschrieben:
1 3 3 1
P (X(ω1 )) = P (X(ω2 )) = P (X(ω3 )) = P (X(ω4 )) =
8 8 8 8

1.2 Darstellung von Wahrscheinlichkeitsverteilungen

Verteilungen werden zum Beispiel mit Tabellen und Stabdiagrammen oder Histogrammen dargestellt.
Das obige Beispiel sieht so aus:
x p P
1
0 8

3
1 8

3
2 8

1
3 8 X

1.3 Aufgabe

Es Werden zwei Würfen geworfen und die Augensumme x bestimmt. Die dazugehörige Wahrschein-
lichkeitsverteilung ist in den Figuren abgebildet. Berechnen Sie diese Verteilung.

a) Wie gross ist die Wahrscheinlichkeit, dass die Augensumme 5 beträgt. Zeichne dies im Dia-
gramm durch Schraffieren, des entsprechenden oder der entsprechenden Balken ein.

3
 b) Wie gross ist die Wahrscheinlichkeit, dass die Augensumme kleiner gleich 9 ist. Zeichne aus dies
im Diagramm ein.

c) Wie gross ist die Wahrscheinlichkeit, dass für die Augensumme gilt: 2 ↘ x ↘ 12? Zeichne aus
dies im Diagramm ein.

Die Verteilung kann in einer Tabelle dargestellt oder im Koordinatensystem abgebildet

! werden. Natür-
lich muss die Summe alle Wahrscheinlichkeiten aller Ereignissen gleich 1 sein, d.h. x P (X = x) = 1

1.4 Wahrscheinlichkeitsfunktion

Wenn ich zum Beispiel meine Telefongesellschaft anrufe, komme ich erfahrungsgemäss mit einer
Wahrscheinlichkeit von 20% durch. Ich rufe mehr mals hintereinander an, bis ich Erfolg habe, aber
nach 5 Versuchen gebe ich auf und schreibe eine E-Mail. Was ist die Verteilung der Zufallsgrösse, die
dem Experiment die Anzahl der Anrufe zuordnet?
In der folgenden Abbildung sehen wir links die tabellarische Darstellung und rechts die grafische, die
Stabalagramm genannt wird.

Zum Beispiel ist gemäss Pfadregeln:

P (X = 3) = 0.8 · 0.8 · 0.2 = 0.128

P (X = 5) ist die Ergänzung auf 1.

Natürlich können wir auch anderen als nur den Werten x der Zufallsgrösse Wahrscheinlichkeiten
zuordnen, sie müssen einfach alle 0 sein. Tun wir dies, so gelangen wir zur Wahrscheinlichkeitsfunk-
tion:

4
 Definition 1.3. Unter der Wahrscheinlichkeitsfunktion der diskreten Zufallsgrösse X verste-
hen wir die Funktion:

f : R ↔↑↓ R
"
P (X = xi ) für allexi ↗ X(!)
x ↔↑↓
0 sonst

Grafisch erhalten wir so im Wesentlichen das Stabdiagramm, bei dem aber nur die Endpunkte der
vertikalen Strecken eingetragen werden.

1.5 Kumulierte Verteilungsfunktion

1.6 Beispiel

Fassen wir alle Konzepte in einem Beispiel zusammen.

Wir werfen zwei unterscheidbare Würfel und sind an der Summe der beiden oben liegenden Augen-
zahlen interessiert. Vor allem an einer bestimmten Summe. Das Zufallsexperiment ist dann also das
Werfen von zwei Würfeln, etwa einem roten und einem blauen, und die Ergebnismenge ist (Zahl von
1. Würfel / Zahl von 2. Würfel)

! = {1/1, 1/2, 1/3.1/4, . . . 6/5, 6/6}

Die Mächtigkeit (Anzahl Elementen) der Ergebnismenge ist |!| = 36.

Nun sind wir aber eigentlich nicht an diesen Ergebnissen interessiert, sondern nur an einer ganz
bestimmten Zahl, die wir diesen Ergebnissen zuordnen, nämlich der Summe der beiden Augenzahlen.
Wir stellen also eine Funktion auf, die jedem Ergebnis aus 2 die Summe der beiden Augenzahlen
zuordnet. Eine solche Funktion nennen wir Zufallsgrösse: X! ↓ R. Als Funktionswerte von X
können hier genau die Zahlen 2, 3, 4, . . . , 12 auftreten. Was wir nun aber eigentlich anstreben, ist eine
Aussage der Art:
Die Wahrscheinlichkeit, dass die Augensumme gleich . . . ist, ist so und so gross. Dazu verschaffen wir uns
zunächst eine Übersicht über alle vorkommenden -Werte und ordnen jedem Wert seine Wahrschein-
lichkeit zu. Zum Beispiel ist die Wahrscheinlichkeit, das X den Wert 3 hat, gleich 36 2 1
= 18 :

1
P (X = 3) =
18

Oft werden all diese Werte in einer Tabelle dargestellt:

oder in einem Koordinatensystem abgebildet:

5
Das ist eine Verteilung. Die Verteilung ist also die Funktion, welche allen möglichen X-Werten einer
Zufallsgrösse ihre Wahrscheinlichkeiten zuordnet. Eine solche Verteilung kann diskret sein, das heisst,
es gibt nur endlich viele verschiedene Werte (wie in diesem Beispiel), oder sie kann stetig sein, wenn
jede reelle Zahl oder jede reelle Zahl aus einem bestimmten Intervall Funktionswert von X sein kann,
wie etwa, wenn Sie ausgewählte Menschen nach ihrer Körpergrösse befragen würden.
Angenommen wollen wir wissen mit welcher Wahrscheinlichkeit die Zufallsgrösse höchstens den Wert
6 annimmt: P (X ↘ 6) =? Um diese Frage zu beantworte benuzten wir die Verteilungsfunktion: Bei
solchen Fragen kann die Verteilungsfunktion (auch summierte oder kumulierte Verteilung genannt)
helfen:

Definition 1.4. Sei X : ! ↓ R eine diskrete Zufallsgrösse. Die Funktion F , die jedem reellen
Wert x die Wahrscheinlichkeit
F (x) := P (X ↘ x)
zuordnet heisst kumulierte Verteilungsfunktion, kumulierte Verteilung oder Verteilungs-
funktion von X.

Beispiel
Gehen wir zurück auf das gerade erwähnte Beispiel. Mit welcher Wahrscheinlichkeit wird die Zufalls-
grösse höchstens den Wert 6 annehmen: P (X ↘ 6) =?

6
# 1 1 1 1 5 5
F (6) = P (x ↘ 6) = P (X = a) = + + + + =
a=2
36 18 18 9 36 12

Es sind aber auch Ausdrücke wie F (6.5)oderF(-1) möglich:

# 5
F (6.5) = P (X ↘ 6.5) = 6P (X = a) =
a=2
12

F (↑1) = P (X ↘ ↑1) = 0

Graphisch zeigt sich, dass dabei eine Art monotone Treppenfunktion ent- steht, deren höchste und
letzte Stufe auf der Höhe 1 ist.

In naheliegender Weise verwenden wir auch Terme der folgenden Art, die selbsterklärend sind: P (3 ↘
X ↘ 6) oder P (X > 4), usw.

6
2 Erwartungswert einer Verteilung

2.1 Einstieg

Angenommen, Sie dürfen einmal am abgebildeten Glücksrad drehen:

Es handelt sich um ein Zufallsexperiment, dessen Ergebnismenge aus den vier Sektoren besteht. Der
Zeiger wird in irgendeinem Sektor anhalten, und dann erhalten Sie als Gewinn die Frankenzahl, die
ausserhalb der Sektoren notiert ist.
Wir denken uns also eine Zufallsgrösse X, die jedem möglichen Ergebnis den ausgeschütteten Franken-
betrag zuordnet. Den abgebildeten Brüchen entnehmen wir die Wahrscheinlichkeiten, dass der Zeiger
in einem diser Sektoren anhält. Damit haben wir eine Verteilung:

X Werte 1 2 4 10
1 1 1 1
2 4 6 12
P (X = x)

Frage: Welchen Gewinn dürfen Sie im Mittel erwarten?

Annahme: Wir drehen nicht einmal, sondern n-mal.

1
• in n · aller Fälle CHF 1
2

1
• in n · aller Fälle CHF 2
2

1
• in n · aller Fälle CHF 4
2

1
• in n · aller Fälle CHF 10
2

Im Durchschnitt gewinnen wir pro Spielrunde also:

1 1 1 1 $ %
n· 2 ·1+n· 4 ·2+n· 6 ·4+n· 12 · 10 n 1 1 1 1
= ·1+ ·2+ ·4+ · 10 = 2.50
n n 2 4 6 12
Um den in Mittel zu erwartenden Gewinn auszurechnen, müssen wir also die Summe bilden aus allen
Produkten der Art:
xi · P (X = xi )
wobei i alle Werte der Zufallsgrüsse nummeriert. Das motiviert die folgende Definition.

7
2.2 Erwartungswert

Definition 2.1. Sei X eine diskrete Zufallsgrösse mit den Werten x1 , x2 , . . . , xn . Dann heisst
die Zahl
#n
E(x) := xi · P (x = xi )
i=1

der Erwartungswert von X.

Oft wird der Erwartungswert auch mit dem griechischen Buchstabe «mu» µ bezeichnet.

Bemerkung 2.2. :

• Wenn wir die Werte der Zufallsgrösse wie auch die zugehörigen Wahrscheinlichkeiten vektoriell darstellen,
können wir sagen, dass der Erwartungswert das Skalarprodukt von εx und Pε ist.
1
• Sind ale Wahrscheinlichkeiten gleich, also P (X = xi ) = ↔i so geht der Erwartungswert in das arith-
n
metische Mittel über:
n
# # n
1 x1 + x2 + · · · + xn
µ = E(X) = xi · = xi = = x̄
i=1
n i=1
xn

• Wenn wir uns vorstellen, dass an den Stellen xi der Zahlgeraden Punktmassen platziert sind und die Masse
an der Stelle x, das Gewicht P (X = xi ) hat, dann ist der Erwartungswert gerade der Schwerpunkt.

Beispiel 1. Beim Spiel Chuck-a-luck tätigen die Spielenden ihre Einsätze auf einem Tableau mit den
Zahlen 1-6.

Amy setzt auf die Zahl 2. Dann würfelt der Bankhalter drei Würfel.

Zeigt genau ein Würfel die Augenzahl 2, so gewinnt sie den Einsatz, zeigen genau zwei Würfel die 2,
so gewinnt sie den doppelten Einsatz, und bei drei Würfeln den dreifachen Einsatz. Zeigt kein Würfel
die gesetzte Augenzahl, so geht der Einsatz verloren.

a) Mit welchem durchschnittlichen Gewinn oder Verlust muss Amy rechnen?

b) Welchen Erwartungswert hat dieses Spiel?

Annahme: Der Einsatz beträgt gerade 1

5 5 5 125
Amy weiss, dass P (keine2) = · · =
6 6 6 216
1 5 5 5 1 5 5 5 1 25 25 25 75
P (eine 2) = P (1st dice) + P (2nd dice) + P (3rd dice) =
· · + · · + · · = + + =
6 6 6 6 6 6 6 6 6 216 216 216 216
1 1 5 1 5 1 5 1 1 5 5 5 15
P (zwei 2) = P (1&2 dice)+P (1&3 dice)+P (2&3 dice) = · · + · · + · · = + + =
6 6 6 6 6 6 6 6 6 216 216 216 216
1 1 1 1
P (drei 2) = P (all 3 dices) = · · =
6 6 6 216

X Werte →1 keine, verliert 1 CHF 1 Würfel mit 2 2 Würfel mit 2 3 Würfel mit 2

125 75 15 1
256 216 216 216
P (X = x)

Damit ist der Erwartungswert:

125 75 15 1 17
E(x) = (→1) · +1· +2· +3· =→ ↗ →0.07
216 216 216 216 216
Amy wird also im Schnitt 7 Rappen pro Spiel verlieren, was zeigt, dass das Spiel ziemlich unfair ist.

8
3 Varianz

3.1 Einstieg
Ist der Erwartungswert genug um eine Verteilung zu charakterisieren? Betrachten wir drei unter-
schiedliche Verteilungen:

Berechnen wir Ihre Erwartungswerte:

• Oben: E(X) = 2.5 · 0.1 + 3 · 0.2 + 3.5 · 0.4 + 4 · 0.2 + 4.5 · 0.1 = 3.5
• Mitte: E(X) = 1.5 · 0.1 + 2.5 · 0.2 + 3.5 · 0.4 + 4.5 · 0.2 + 5.5 · 0.1 = 3.5
• Unten: E(X) = 0.5 · 0.1 + 2 · 0.2 + 3.5 · 0.4 + 5 · 0.2 + 6.5 · 0.1 = 3.5

Wir sehen, dass die Summe der beiden gleichfarbigen Terme in jedem der drei Fälle gleich sein muss. Dei drei
Verteilungen sind deutlich verschieden, und doch haben alle denselben Erwartungswert. Das zeigt, dass der
Erwartungswert eine Verteilung niemals vollständig charakterisieren kann.
↑ Wir brauchen offenbar eine weitere Kennzahl.
Gesucht: neue Kennzahl, die die Streuung einer Verteilung misst

Beobachtungen

• 1. Verteilung (oben): viel enger gestreut.

• 2. Verteilung: mehr gestreut.
• 3. Verteilung: viel breiter gestreut als bei der Verteilung oben. Grössere Abweichungen der Werte vom
Erwartungswert vor als oben.
• Bei kleiner Streuung erwarten wir, dass die Outputs der Zufallsgrösse stets in der Nähe des Erwartungswertes
sind;
• Frage: Wie können wir die «Streuung» durch eine mathematische Kennzahl erfassen?

9
3.2 Zentrale Idee

Frage: Wie können wir die «Streuung» durch eine mathematische Kennzahl erfassen?
Annahme: Es liegt eine Zufallsgrösse mit dem Erwartungswert E(X) vor.
1. Idee: Die erste Idee ist vielleicht die Abweichungen der einzelnen Daten vom Erwartungswert durch
den Term
xi ↑ E(X)
auszudrücken.

Aber: Bei diesem Term entstehen sowohl

- positive Abweichungen (wenn xi > E(X)) als auch
- negative Abweichungen (wenn xi < E(X)).

Schlimmer noch: Solche Abweichungen könnten sich sogar gegenseitig aufheben (positiv mit negativ)

Wir sind darum gut beraten, dafür zu sorgen, dass alle Abweichungen vom Erwartungswert nicht-
negativ sind.

↓ Eine günstige Möglichkeit, dies zu erreichen, ist, den Term (xi ↑ E(X))2 zu benutzen.

Diese Quadrate dürfen wir nun aber nicht einfach addieren, weil die x, mit einer grösseren Wahrschein-
lichkeit stärker gewichtet werden sollten als die x, mit kleiner Wahrscheinlichkeit.

Genauer:

Ein Wert xi mit kleiner Wahrscheinlichkeit soll nur wenig zur Streuung beitragen, auch wenn seine
Abweichung vom Erwartungswert gross ist.

↓ Daher wählen wir als Streumass die gewichtet Summe:

n
#
V (X) = P (X = xi ) · (xi ↑ E(X))2
i=1

Diese Kennzahl nennen wir Varianz der Zufallsgrösse. Ihre Einheit ist das Quadrat der Einheit, welche
die Werte der Zufallsgrösse haben.
(Oft wird ein Streumass bevorzugt, welches dieselbe physikalische Dimension hat wie die Zufalls-
grösse selbst).

↓ Darum ist auch die Wurzel der Varianz als Streumass sehr verbreitet:
&
ε= V (X)
diese nennt man Standardabweichung.

Definition 3.1. Die diskrete Zufallsgrösse X nimmt die Werte xi mit den Wahrscheinlichkeiten
P (X = xi ) an. Dann definieren wir
n
#
2
εX = V (X) = P (X = xi ) · (xi ↑ E(X))2
i=1

als die Varianz der Zufallsgrösse. Die Wurzel aus der Varianz:
'
( n
& (#
εX = 2 V (X) = ) 2
P (X = xi ) · (xi ↑ E(X))2
i=1

heisst die Standardabweichung.

10
Beispiel 2. Gehen wir zurück zum Beispiel der Einstiegsaufgabe im Abschnitt 3.1.

Berechnen wir zuerst die Varianzen:

• Für die zweite Verteilung ist:

5
#
V (X) = P (X = xi ) · (xi ↑ 3.5)2
i=1
= 0.1 · (2.5 ↑ 3.5)2 + 0.2 · (3 ↑ 3.5)2 + 0.4 · (3.5 ↑ 3.5)2 + 0.2 · (4 ↑ 3.5)2 + 0.1 · (4.5 ↑ 3.5)2
= 0.3

• Für die zweite Verteilung ist:

5
#
V (X) = P (X = xi ) · (xi ↑ 3.5)2
i=1
= 0.1 · (1.5 ↑ 3.5)2 + 0.2 · (3 ↑ 3.5)2 + 0.4 · (4 ↑ 3.5)2 + 0.2 · (4.5 ↑ 3.5)2 + 0.1 · (5.5 ↑ 3.5)2
= 1.2

• Für die dritte Verteilung ist:

5
#
V (X) = P (X = xi ) · (xi ↑ 3.5)2
i=1
= 0.1 · (0.5 ↑ 3.5)2 + 0.2 · (2 ↑ 3.5)2 + 0.4 · (3.5 ↑ 3.5)2 + 0.2 · (5 ↑ 3.5)2 + 0.1 · (6.5 ↑ 3.5)2
= 2.7

Die Standardabweichungen sind die Wurzel diese Zahlen, also der Reihe nach und gerundet
& ≃
• εX = V (x) = 0.3 = 0.548
& ≃
• εX = V (x) = 1.2 = 1.095
& ≃
• εX = V (x) = 2.7 = 1.643

11
3.3 Bedeutung der Standardabweichung

Anwendung in der Wirtschaft

Die eben eingeführten Streumasse haben zahlreiche praktische Anwendungen. Beispielsweise misst
die Volatilität (der wirtschaftsmathematische Begriff für Standardabweichung), wie stark Preise, Ak-
tienkurse, Zinsen oder Märkte in bestimmten Zeiträumen um den Mittelwert schwanken. Der Ak-
tienindex SMI (Swiss Market Index) hatte etwa mi Jahr 2023 bis zum Zeitpunkt, eine Volatilität von
12.79% bei einer Rendite von 2.18%. eJ höher die Volatilität ist, desto stärkere Schwankungen können
auftreten, desto risikoreicher(aber unter Umständen auch lukrativer) ist also die Anlage. Einflussfak-
toren auf die Volatilität gibt es zahlreiche.
Anwendung in der Politik
In der Politikwissenschaft wird mit Volatilität meist das Schwankungsver- halten von Wählerinnen
und Wählern hinsichtlich einer bestimmten Partei zwischen zeitlich auseinanderliegenden Wahlen
bezeichnet.
Bedeutung in der Mathematik
Wir fragen uns, welche Information wir einer Aussage wie etwa εX = 2.5 entnehmen können. Klar
ist: Haben wir zwei Zufallsgrössen mit demselben Erwartungswert, aber unterschiedliche Standard-
abweichungen, so können wir sagen, dass die eine breiter gestreut ist als die andere. Aber was, wenn
wir nur eine Zufallsgrösse haben? Was sagt uns dann ihre Standardabweichung?
Aus der sogenannten Ungleichung von Tschebyscheff (wir werden hier nicht näher eingehen) folgt die
Ungleichung:

1
P (|X ↑ E(X)| < r · ε) ⇐ 1 ↑
r2
Sie macht eine aufschlussreiche Aussage darüber, mit welcher Wahrscheinlichkeit sich Werte der Zu-
fallsgrösse um weniger als r · ε vom Erwartungswert unterscheiden. Beispielsweise

1 3
P (|X ↑ E(X)| < 2 · ε) ⇐ 1 ↑ =
22 4
Die Wahrscheinlichkeit, dass sich Werte der Zufallsgrösse um weniger als 2·ε vom Erwartungswert un-
terscheiden, ist also mindestens 75%. Auf dies Weise können wir uns doch eine konkrete Vorstellung
der Standardabweichung machen, auch wenn wir nicht den Vergleich zu einer zweiten Zufallsgrösse
haben.

12
3.4 Zusammenfassendes Beispiel

13
14
3.5 Üben

3.5.1 Aufgabe

Der Ergebnisraum für das Spiel Roulette ist S = {00, 0, 1, 2, . . . , 36} .

a) Wie hoch ist die Wahrscheinlichkeit für jedes Ergebnis?

b) Wenn zehn Franken auf «gerade Zahl» gesetzt werden, dann wird bei den Ergebnissen {2, 4, 6, . . . , 36}
ein Betrag von zehn Franken gewonnen und bei den Ergebnissen {00, 0, 1, 3 . . . , 35} ein Betrag von
zehn Franken verloren. Wie hoch sind die Gewinn- und Verlustchancen von 10 Franken bei einem
Einsatz auf «gerade Zahl»?

3.5.2 Aufgabe

Wir würfeln mit zwei fairen, unterscheidbaren Würfeln. Dei Zufallsgrösse sei das Produkt der gewür-
felten Augenzahlen.
a) Geben Sei die Verteilung der Zufallsgrösse sowohl in Tabellenform als auch grafisch an.
b) Welchen Erwartungswert hat dieses Experiment?

15
3.5.3 Aufgabe

Die folgende Tabelle gibt die Verteilung einer Zufallsgrösse X an:

X Werte 1 2 3 4

0.3 a b 0.1
P (X = x)

Wenn Sie erfahren, dass die Verteilung den Erwartungswert 2.3 hat, können Sie dann a und b berech-
nen?

3.5.4 Aufgabe

Die Verteilung einer diskreten Zufallsgrösse sei durch folgende Tabele gegeben:

X Werte ↑1 0 2 3 5 10

P (X = x) 0.1 0.2 0.1 0.4 0.15 0.05

1) Berechnen Sie die kumlierte Verteilungen:

a) P (X > 3)
b) P (X ↘ 4)
c) P (2 ↘ X < 10)

d) P (2 ↘ |X| > 0)

2) sowie der Erwartungswert E(X)

16
3.5.5 Aufgabe

In einer Lieferung von acht Artikeln befinden sich zwei defekte Artikel. Aus der Lieferung wird wilkür-
lich eine Stichprobe von vier Stück (ohne Zurücklegen) gezogen. Die Zufallsgrösse ordnet jeder Stich-
probe die Anzahl der darin enthaltenen defekten Artikel zu.
Welche Werte kann die Zufallsgrösse also annehmen? Welche sind die zugehörigen Wahrschein-
lichkeiten? Geben Sie die Verteilung als eine Tabelle an.

Hinweis Wenden Sie die Konzepte der Kombinatorik an, um die Wahrscheinlichkeiten zu bestimmen.

3.5.6 Aufgabe

Diese Verteilung ist aus Aufgabe 1.3. Berechnen Sie der Ewartungswert µ, die Varianz ε 2 und die
Standardabweichung ε.
Zeichne den Erwartungswert und die Standardabweichung in der Figur ein.

17
4 Gleichverteilung und geometrische Verteilung

4.1 Gleichverteilung

Definition 4.1. Eine Zufallsgrösse X heisst gleichverteilt, wenn sie alle Werte x mit der gle-
ichen Wahrscheinlichkeit p annimmt.

Beispiele: ideale Münze, idealer Würfel

Satz 4.1. Ist eine Zufallsgrösse X gleichverteilt und nimm die Zufallsgrösse n unterschiedliche
1
Werte an, so beträgt die Wahrscheinlichkeit der Werte P = .
n

4.1.1 Aufgabe

Ein Ikosaeder hat 20 Seiten.

a) Mit welcher Wahrscheinlichkeit wird jeder der Werte 1 bis 20 angenommen?

b) Bestimmen Sie den Erwartungswert und die Standardabweichung dieser Verteilung

18
4.2 Geometrische Verteilung
Beim Brettspiel Eile mit Weile darf man das «Haus» erst verlassen, wenn man eine 5 würfelt. Wir sind
also daran interessiert, dass das möglichst bald passiert. Und fragen darum:
Wie gross ist die Wahrscheinlichkeit, dass die erste 5 beim ersten, zweiten, dritten, . . . Wurf kommt?

Mathematisch ausgedrückt: Wir haben ein Zufallsexperiment, welches darin besteht, einen Würfel so
lange zu werfen, bis zum ersten Mal eine 5 erscheint. Jedem Ergebnis dieses Experiments wird die
Nummer des Wurfs zugeordnet, der die erste 5 bringt. Dies zu tun, ist der Job der Zufallsgrösse X.
Interessiert sind wir nun an der Verteilung von X:
Verteilung

Graphisch:

Verteilungsfunktion (kumulierte Verteilung)

Beispiel: P (X ↘ 5.5)

19
Definition 4.2. Die diskrete Zufallsgrösse X heisst geometrisch verteilt, wenn

P (X = k) = (1 ↑ p)k · p für k = 1, 2, 3, . . .

und die «Erfolgswahrscheinlichkeit» 0 ↘ p ↘ 1.

Die zugehörige Verteilung heisst geometrische Verteilung.

Satz 4.2. Für eine geometrische Verteilung gilt

1 1↑p
E(x) = und V (X) =
p p2

Anwendungen der geometrischen Verteilung

Die geometrische Verteilung ist immer dann hilfreich, wenn wir bei unabhängigen Wiederholungen eines
Zufallsexperimentes mit konstanter Erfolgswahrscheinlichkeit auf den ersten Erfolg warten. In der Praxis
wird es zum Beispiel verwende, wenn t:
• es um Lebensdauer von Geräten oder Bauteilen geht
• eine Versicherungsgesellschaftt das Risiko für einen Schadensfall beurteil will
• bei Datenübertragungen die mittlere Zeit bis zum nächsten Fehler beurteilt werden soll

20
5 Binomailverteilung

5.1 Bernoulli-Experiment

Definition 5.1. Ein Zufallsexperiment mit genau zwei Ergebnissen heisst Bernoulli-
Experiment. Wir unterscheiden zwei Ergebnisse:
• 1 (Erfolg)

• 0 (Misserfolg)
Die Wahrscheinlichkeiten werden auch charakterisiert.
• Wir bezeichnen mit p die Erfolgswahrscheinlichkeit.

• Wir bezeichnen mit q = (1 ↑ p) die Misserfolgswahrscheinlichkeit.

"
1 (Erfolg), mit Wahrscheinlichkeit p
Bernoulli Experiment =
0 (Misserfolg), mit Wahrscheinlichkeit 1 ↑ p

Beispiele:.
- Spiel Eile mit Weile.
1
Wahrscheinlichkeit von Erfolg (1) beim 1. Wurf: P (X = 1) = p = .
6
5
Wahrscheinlichkeit von Misserfolg (1) beim 1. Wurf: P (X = 0) = 1 ↑ p = .
6
- Bauteil, das soeben die Fertigungsanlage verlässt, kann einen Defekt aufweisen (Misserfolg) oder
nicht (Erfolg).

21
5.2 Einstieg und Herleitung.
Angenommen, wir pflanzen 3 Samen und jeder Samen hat eine p = 0.8 Wahrscheinlichkeit zu keimen
(Erfolg) und eine 1 ↑ p = 0.2 Wahrscheinlichkeit nicht zu keimen (Misserfolg). Wir wollen die Anzahl
der gekeimten Samen mithilfe eines Baumdiagramms untersuchen.
1. Baumdiagramm

2. Ergebnisse und Wahrscheinlichkeiten

3. Erfolge zählen

22
4. Binomialkoeffizient
Die Anzahl der Ergebnisse für k Erfolge aus n Versuchen ergibt sich aus dem Binomialkoeffizienten:

5. Binomiale Wahrscheinlichkeitsformel
Frage: Wie gross ist die Wahrscheinlichkeit, bei 3 Durchgängen genau zweimal Erfolg zu haben?

Frage: Wie gross ist die Wahrscheinlichkeit, bei 4 Durchgängen genau dreimal Erfolg zu haben?

Frage: Wie gross ist die Wahrscheinlichkeit, bei 7 Durchgängen genau dreimal Erfolg zu haben?

Allgemein: Wie gross ist die Wahrscheinlichkeit, bei n Versuchen genau (oder mindestens oder
höchstens) k-mal Erfolg zu haben?

23
5.3 Definition

Definition 5.2. Die diskrete Zufallsgrösse X heisst binomial verteilt, wenn

$ % $ %
n n
P (X = k) = · pk · q n→k = · pk · (1 ↑ p)n→k
k k
für k ↗ N0 .
Hier bezeichnet 0 ↘ p ↘ 1 die Erfolgswahrscheinlichkeit und q = 1↑p die Misserfolgswahrschein-
lichkeit.
Die zugehörige Verteilung heisst Binomial Verteilung und wird mit Bn,p (k) bezeichnet.

5.3.1 Beispiele

Beispiel 3. Eine Provinzzeitung meldete einmal: «SENSATION: 95 Geburten letzten Monat. Davon
nur 35 Mädchen.»
Ist das wirklich so sensationell? So unglaublich unwahrscheinlich? Wie gross ist denn die Wahrschein-
lichkeit für mindestens 60 Knabengeburten bei 95 Geburten, wenn die Chance für eine Knaben- re-
spektive Mädchengeburt 0.504 respektive 0.496 beträgt?

24
Beispiel 4. Ein Online-Handler hat 10 Bewertungen bekommen und 8 davon sind positiv.

Frage: Ist es vernünftig, dem Händler eine Zuverlässigkeit von 80% zuzuordnen?

Annahme:. Nehmen wir einmal an, der Händler habe lediglich eine Produktzuverlässigkeit von 50%;
jedes zweite Mal liefert er zu spät oder beschädigte Ware oder was auch immer.

Wie gross wäre dann die Wahrscheinlichkeit, dass trotzdem mindestens 8 aus 10 Bewertungen positiv
ausfallen?

(Wir müssen dazu auch annehmen, dass die einzelnen Bewertungen unabhängig voneinander sind,
was in der Realität nicht immer ganz klar ist.)

25
5.4 Erwartungswert und Varianz einer Binomialverteilung

Herleitung

Satz 5.1. Für die Binomialverteilung gilt:

Erwartungswert
E(X) = n · p
Varianz
V (X) = n · p · q = n · p(1 ↑ p)

Bemerkung

26
5.5 Üben. Hausaufgabe

5.5.1 Selber erklären

Individuelle Lösung. Konzeptuelles Verständnis. Keine Lösungen vorhanden. Lesen Sie Ihr Skript.

1. Können Sie ein eigenes konkretes Beispiel für die geometrische Verteilung angeben?
2. Erklären Sie genau, welche Situation der geometrischen Verteilung zugrunde liegt. Was für eine
Art von Zufallsexperiment wird betrachtet? Was ordnet die Zufallsgrösse X den Ergebnissen zu?
Und warum ist P (X = k) = (1 ↑ p)k→1 · p ?
1
3. Wie kann man verstehen, dass die geometrische Verteilung den Erwartungswert E(X) = hat?
p
4. In Ihren Worten: Was genau versteht man unter einem Bernoulli-Experiment?
5. Ein Bernoulli-Experiment, welches Ergebnis 1 (Erfolg) mit der Wahrscheinlichkeit p und Ergeb-
nis 0 (Misserfolg) mit der Gegenwahrscheinlichkeit q annimmt, wird n-mal durchgeführt.
Können Sie für n = 3 alle Ergebnisse dieses dreistufigen Experiments in einer Liste und auch in
einem Baumdiagramm darstellen?
* +
6. Die diskrete Zufalsgröse X heisst binomialvertelt, wenn P (X = k) = nk · pk · (1 ↑ p)n→k und
die «Erfolgswahrscheinlichkeit» 0 ↘ p ↘ 1.
Warum kommt der Binomialkoeffizient in dieser Formel vor?
Können Sie gut erklären, was seine Aufgabe in dieser Formel ist?

27
5.5.2 Aufgabe

Berechnen Sie die geometrische Verteilung für p = 0.5 und k = 1, 2, 3, . . . , 10. Geben Sie eine Tabelle
mit der Verteilung und der Zufallsvariable an.

5.5.3 Aufgabe

In einer bestimmten Grossstadt kann man kein Taxi bestellen, sondern muss warten, bis zufällig eines
vorbeikommt. Die Wahrscheinlichkeit, dass in der nächsten Minute eines kommt, sei p = 0.1.
a) Wei gross ist die Wahrscheinlichkeit, dass man nicht länger als 5 Minuten warten muss?
b) Wei lang ist die im Durchschnitt «erwartete Wartezeit» ?

28
5.5.4 Aufgabe

Berechnen Sie die Binomialverteilung für p = 0.7 und n = 12. Geben Sie eine Tabelle mit der
Verteilung und der Zufallsvariable an.

5.5.5 Aufgabe

Sie werfen eine faire Münze so lange, bis zum ersten Mal Kopf kommt. Wie gross ist die Wahrschein-
lichkeit, dass dies
a) beim dritten Wurf geschieht?
b) nicht vor dem zehnten Wurf geschieht?

29
6 Stetige Zufallsgrösse und Normalverteilung

6.1 Der Übergang von diskreten zu stetigen Zufallsgrössen

30
6.2 Dichtefunktion

Welche Eigenschaften muss diese «gewisse Funktion f» haben?

• Sie muss stetig sein. (Man kann zeigen, dass es ausreicht, wenn sie stückweise stetig ist.)

• Sie muss ausschliesslich nicht-negative Funktionswerte haben.

• Und es muss der Inhalt der Fläche unter der Kurve gleich 1 sein, weil dies der Gesamtwahrschein-
lichkeit dafür entspricht, dass die Zufallsgrösse irgendeinen Wert annimmt.

Genau diese in unserem Beispiel beobachteten Eigenschaften nehmen wir nun zum Anlass für eine
wichtige Definition:

Definition 6.1. Eine Zufallsgrösse heisst stetig, wenn es eine Funktion f : R ↓ R gibt, welche
die folgenden Eigenschaften aufweist:

1. f ist stetig (oder stückweisse stetig)

2. f (x) ⇐ 0 für alle Werte x der Zufallsgrösse
,↑
3. →↑ f (t)dt = 1 und
wenn für die Verteilungsfunktion F (x) = P (X ↘ x) von X gilt:
- x
F (x) = f (t)dt
→↑

Die Funktion f heisst Dichtefunktion von X.

Bemerkung 6.2. Wichtig zu bemerken ist, dass sich Dichtefunktion und Verteilungsfunktion gegen-
seitig bestimmen. Während man die Verteilungsfunktion durch Integration der Dichtefunktion findet,
findet man die Dichtefunktion durch Ableitung der Verteilungsfunktion: F ↓ (x) = f (x) (jedenfalls dort,
wo F dife- renzierbar ist).
Beispiel 5. Betrachten wir die Funktion

f : R ↑↓ R
"
0.5 falls t ↗ [2, 4]
t ↔↑↓
0 sonst

31
6.3 Erwartungswert und Varianz. Stetig.

Erwartungswert und Varianz haben wir bisher nur für diskrete Zufallsgrössen eingeführt. Gehen wir
zu stetigen über, so sind ein paar naheliegende Anpassungen nötig. Am besten sehen wir das, indem
wir die beiden Fassungen einander gegenüberstellen:

Definition 6.3. Stetiger Erwartungswert und stetige Varianz

diskret stetig

$n
, ↑
Erwartungswert E(x) = i=1 xi · P (X = xi ) E(X) = x · f (x)dx
→↑

$n
, ↑
Varianz V (X) = i=1 P (X = xi )·(xi →E(x)) 2
V (X) = f (x)·(x→E(X))2 dx
→↑

Beispiel

32
33
7 Normalverteilung

7.1 Auf der Suche der Normalverteilung

Der belgische Mathematiker Adolphe Quetelet (1796-1874) untersuchte Körpergrösse, Gewicht,

Brustumfang, Kopfumfang, Fussgrösse, usw und er bestimmte Durchschnittswerte und Abweichun-
gen. Seine Forschungen zeigten, dass bei alle genannte Körpermasse immer die folgende Wahrscheinlichkeits-
Dichtefunktionen haben:

Kurven dieser Art werden auch Glockenkurven oder Gauss-Kurven genannt. Nach Quetelet fand
man viele weitere stetige Zufallsgrössen, deren Vertei- lungen solche Glockenkurven ergeben:

• Genauigkeit von Dartwürfen: Der radiale Abstand der Darts vom Bull’s Eye bei Spielern mit
ähnlichem Niveau
• Der menschiliche Intelligenzquotient (IQ) mit Erwartungswert µ = 100 und ε = 15
• Babygewichte

• Montagezeiten eines Bauteils

• Blutdruck. Die Blutdruckwerte einer gesunden Bevölkerung .
• Baumhöhen im Wald
• Menschliche Reaktionszeit

• Gewicht gleichartiger Früchte

• Flügelspannweite von Vögeln
• Laufgeschwindigkeit von Tieren innerhalb der gleichen Art

• Blattgrösse bei Pflanzen

• Körpertemperatur beim Menschen
• Reaktionszeiten in Videospielen
• Grösse der Schneeflocken

• Ballflugbahnen im Basketball in Bezug auf den Korb

• Grössen von Asteroiden in einem Asteroidengürtel
• Entfernungen zwischen Sternen in der Milchstraße

• usw

34
7.2 Definition

Die wohl bedeutendste Verteilung in Natur- und Sozialwissenschaften, Wirtschaft und Technik ist die
Normalverteilung. Ihre grosse Bedeutung rührt daher, dass jeder Prozess, der durch eine Überlagerung
von einer Grosszahl zufälliger Prozesse zustande kommt durch die Normalverteilung beschrieben wird.
Insbesondere nähert sich auch die Binomialverteilung für eine grosse Anzahl Versuche (n gross) einer
Normalverteilung an.

35
 Normalverteilung

Definition 7.1.
• Die Gauss-Funktion ist eine Dichtefunktion und hat die Form
1 x→µ 2
· e → 2 ·( ω )
1
ϑ(x) = ≃
2ϖε
mit der Eulerschen Zahl e ⇒ 2.71828 . . . , Erwartungswert µ und Standardabweichung ε.

• Die zugehörige Verteilung heisst Normalverteilung und wird mit N (µ, ε) bezeichnet.

ϑ(x), d.h. N (µ, ε)

µ
µ↑ε µ+ε

• Im Fall N (0, 1), d.h. wenn der Erwartungswert µ = 0 und die Standardabweichung ε = 1
sind, dann spricht man von der Standardnormalverteilung. Ihre Dichtefunktion ist:

1 x2
ϑ(x) = ≃ · e→ 2
2ϖ
• Eine stetige Zufallsgrösse X mit einer Dichtefunktion ϑ(x) heisst normalverteilt.

• Die Verteilungsfunktion (kumulierte Verteilung) von N (µ, ε) wird mit ”µ,ω (x) bezeich-
net. Sie ist definiert durch:
- x
1 1 t→µ 2
”µ,ω (x) := ≃ · e 2 ( ω ) dt
→↑ 2ϖ · ε

Die kumulierte Verteilung benötigen wir zur Berechnung von Wahrscheinlichkeiten, da

”µ,ω = P (X ↘ x). Geometrisch ist dies der Inhalt der schaffierten Fläche unterhabl der
Glockenkurve:

N (µ, ε)

”µ,ω (x)

µ x

TEACHER’S VERSION
1 x→µ 2
Die Exponentialfunktion e→ 2 ·( ω ) garantiert die Glockenform der Kurve.
↘
Der Term 2ϑϖ 2 normaliziert der Fläche und garantiert, dass die Fläche unter der Kurve gleich 1 ist.

36
7.3 Werte der Standard-Normalverteilung. Tabelle.
In dieser Tabelle sind die Werte der kumulierte Verteilungsfunktion ”(z) = P (X ↘ z) aufgeführt

Satz 7.1. $ %
x↑µ
”µ,ω (x) = ”0,1
ε
Dies hat folgende Bedeutung. Um die kumulative Verteilungsfunktion aus einer Nor-
malverteilung mit Erwartungswert µ und Standardabweichung ε zu berechnen, können wir
zur Standardverteilung mit Erwartungswert 0 und Standardverteilung 1 übergehen und eine
Variablenänderung vornehmen:
x↑µ
z=
ε

37
7.4 Eigenschaften der Normalverteilung

Definition 7.2.

• Der Erwartungswert der Normalverteilung N (µ, ε) ist: E(X) = µ

• Die Varianz der Normalverteilung N (µ, ε) ist: V (X) = ε 2

• Die Varianz der Normalverteilung N (µ, ε) ist: V (X) = ε

↓ Die Standardabweichung misst die Breite der Kurve, da die Wendepunkte an den Stellen
µ ± ε sind.

Die folgende Formel ist nützlich um Werte der Verteilungsfunktion aus einer Tabelle oder Software zu
berechnen:

7.5 Streuintervalle und ihre Wahrscheinlichkeit

Folgende Streuintervalle werden in der Praxis häufig benutzt:

• das einfache Streuintervall [µ ↑ ε, µ + ε]

• das doppelte Streuintervall [µ ↑ 2ε, µ + 2ε]

• das dreifache Streuintervall [µ ↑ 3ε, µ + 3ε]

Bemerkung 7.3.

38
 Satz 7.2.

• P (µ ↑ ε ↘ X ↘ x + ε) ⇒ 0.6826
• P (µ ↑ 2ε ↘ X ↘ x + 2ε) ⇒ 0.9545
• P (µ ↑ 3ε ↘ X ↘ x + 3ε) ⇒ 0.9974

Beispiel 6. Der menschliche Intelligenzquotient (IQ) ist normalverteilt mit Erwartungswert von µ =
10 und Standardabweichung von ε = 15.
Angenommen, eine Firma nimmt nur Menschen auf, deren IQ zu den obersten %5 gehört. Ab welchem
IQ wird also jemand aufgenommen?

39
8 Lösungen

Aufgabe 1.3

Zuerst bestimmen wir die jeweilige Wahrscheinlichkeiten eine gewisse Zahl zu bekommen:

8.0.1 Aufgabe
1
a) Jedes Ergebnis hat die Wahrscheinlichkeit .
38
18 20
b) Gewinnen: P (X = gerade) = . Verlieren: P (X = nicht gerade) =
38 38

Aufgabe 3.5.2

40
Aufgabe 3.5.3

2.3 = E(X) = 1 · 0.3 + 2 · a + 3 · b + 4 · 0.1 = 0.7 + 2a + 3b

Also 1.6 = 2a + 3b.
Zusätzlich muss a + b = 0.6 sein.
Löst man dieses LGS, so findet man a = 0.2, b = 0.4

Aufgabe 3.5.4

1)

a) P (X > 3) = 0.2
b) P (X ≃ 4) = 0.8
c) P (2 ≃ X < 10) = 0.65
d) P (2 ≃ |X| > 0) = 0.8

2) E(X) = 2.55

Aufgabe 3.5.5

Aufgabe 3.5.6

µ=7 ϖ 2 = 5.83 ϖ = 2.42

Aufgabe 5.5.2

Aufgabe 5.5.3

41
Aufgabe 5.5.4

Aufgabe 5.5.5

42