F. Krause - Universität Potsdam
F. Krause - Universität Potsdam
F. Krause - Universität Potsdam
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
k {0,1,2,3,4,5,6,7,8,9,10} und n {20,50,100,500). Grau hinterlegt sind dabei jeweils die<br />
kumulierten Wahrscheinlichkeiten.<br />
Binomialverteilung mit n*p=5<br />
Poissonverteilung<br />
k n=20 n=50 n=100 n=500 λ=5<br />
0 0,0032 0,0052 0,0059 0,0066 0,0067<br />
0,0032 0,0052 0,0059 0,066 0,0067<br />
1 0,0211 0,0286 0,0312 0,0332 0,0337<br />
0,0243 0,0338 0,0371 0,0398 0,0404<br />
2 0,0669 0,0779 0,0812 0,0836 0,0842<br />
0,0913 0,1117 0,1183 0,1234 0,1247<br />
3 0,1339 0,1386 0,1396 0,1402 0,1404<br />
0,2252 0,2503 0,2578 0,2636 0,2650<br />
4 0,1897 0,1809 0,1781 0,1760 0,1755<br />
0,4148 0,4312 0,4360 0,4396 0,4405<br />
5 0,2023 0,1849 0,1800 0,1764 0,1755<br />
0,6172 0,6161 0,6160 0,6160 0,6160<br />
6 0,1686 0,1541 0,1500 0,1470 0,1462<br />
0,7858 0,7702 0,7660 0,7629 0,7622<br />
7 0,1124 0,1076 0,1060 0,1048 0,1044<br />
0,8982 0,8779 0,8720 0,8677 0,8666<br />
8 0,0609 0,0643 0,0649 0,0652 0,0653<br />
0,9591 0,9421 0,9369 0,9329 0,9319<br />
9 0,0271 0,0333 0,0349 0,0360 0,0363<br />
0,9861 0,9755 0,9718 0,9689 0,9682<br />
10 0,0099 0,0152 0,0167 0,0179 0,0181<br />
0,9961 0,9906 0,9885 0,9868 0,9863<br />
Beispielsweise für k=3 kann man erkennen, dass sich die Werte der Binomialverteilung für<br />
wachsendes n immer mehr dem Grenzwert, also dem Wert der Poissonverteilung, annähern.<br />
Bei n=500 beträgt die Abweichung lediglich 0,2%. Eine noch bessere Näherung zeigt die<br />
kumulierte Wahrscheinlichkeit für k=5. Hier stimmen die Werte ab n=100 mit dem Wert der<br />
Poissonverteilung im Rahmen der angegebenen Genauigkeit exakt überein.<br />
Man kann sich nach dieser Betrachtung fragen, wann es Sinn macht, die Binomialverteilung<br />
mit der Poissonverteilung anzunähern. Nach Ineichen [IN] ist dies „in der Regel“ für n>10<br />
und p< 0,05 der Fall. Diese Werte sind vermutlich empirisch entstanden. Man muss also<br />
immer im Einzelfall überprüfen, ob eine Näherung sinnvoll ist und mit welcher Genauigkeit<br />
man sein Ergebnis angeben möchte. In Kapitel zwei werden wir allerdings an den<br />
Histogrammen erkennen, dass eine Poissonverteilung mit λ>50 wenig sinnvoll erscheint, da<br />
die Verteilung dann einer Normalverteilung gleicht.<br />
Eine weitere interessante Frage ist, warum man die Binomialverteilung überhaut annähern<br />
sollte, bzw. welche Vorteile eine solche Näherung birgt. Der entscheidende Punkt ist, dass es<br />
in der Praxis häufig Beispiele für Binomialverteilungen gibt, bei denen weder n noch p als<br />
Einzelparameter bekannt und auch nicht berechenbar sind. Man weiß häufig nur, dass n groß<br />
ist und empirisch kennt man das Produkt . Genau dieses Produkt reicht aber für die<br />
5