Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
2. Weiterführende Begriffe 32<br />
3. Mit dem arithmetischen Mittel X n = 1 n<br />
X ∗ n =<br />
∑ n<br />
k=1 X k −nµ<br />
√ nσ<br />
= n·<br />
n∑<br />
X k ist<br />
k=1<br />
1<br />
n<br />
∑ n<br />
k=1 X k −µ<br />
√ = √ n· Xn −µ<br />
.<br />
nσ σ<br />
Anwendungsbeispiel:<br />
Die Wahrscheinlichkeit für die Produktion einer fehlerhaften LED sei p. Wie groß<br />
ist die Wahrscheinlichkeit, bei n LEDs höchstens k defekte zu haben?<br />
Modellierung als Bernoulli-Experiment:<br />
Jeder LED entspricht eine Zufallsvariable X k mit Wert 1, falls sie defekt ist (Wahrscheinlichkeit<br />
p) und Wert 0, wenn sie in Ordnung ist. Die Anzahl defekter LEDs<br />
∑<br />
unter n Stück ist Z n = n X k . Gesucht ist P(Z n ≤ k). Nach Satz 2.9 gilt für große<br />
n:<br />
P<br />
( )<br />
Zn −nµ<br />
√ ≤ x nσ<br />
k=1<br />
≈ Φ(x)<br />
Dabei ist µ = E(X k ) = p und σ 2 = V(X k ) = (1−p)·p, also σ = √ (1−p)·p.<br />
Es gilt<br />
Z n ≤ k ⇔ Z n −nµ<br />
√ nσ<br />
≤ k −nµ √ nσ<br />
,<br />
also<br />
( ) k −nµ<br />
P(Z n ≤ k) ≈ Φ √ . nσ<br />
Beispiel 1:<br />
p = 1% = 0.01, n = 1000, k = 15:<br />
( ) 15−1000·0.01<br />
P(Z 1000 ≤ 15) ≈ Φ √<br />
1000·√<br />
0.99·0.01<br />
= Φ(1.59) = 0.9441.<br />
Eine bessere Approximation erhält man, wenn die Werte 0,1,2,...,k von Z n in der<br />
stetigen Version durch die Intervalle<br />
[−0.5;0.5]∪[0.5;1.5]∪···∪[k −0.5;k +0.5] = [−0.5;k +0.5]<br />
ersetzt werden, also<br />
(<br />
)<br />
[−0.5;k +0.5]−nµ<br />
P(0 ≤ Z n ≤ k) ≈ P Standardnormalverteilung in √ nσ<br />
(<br />
[ −0.5−nµ<br />
= P Standardnormalverteilung in √ ; k +0.5−nµ ])<br />
√ nσ nσ<br />
( ( )<br />
k +0.5−nµ −0.5−nµ<br />
= Φ √<br />
)−Φ √ .<br />
nσ nσ