Bei einer Binomialverteilung B(n; ,p) liegt die Trefferzahl nicht immer genau beim Erwartungswert mu = n cdot p , sondern schwankt darum. Die Standardabweichung sigma gibt an, wie groß diese Schwankung typischerweise ist. Mit mu und sigma beschreibt man die σ-Umgebung [ mu - sigma; ; mu + sigma] – den Bereich, in dem die Trefferzahl besonders häufig liegt. Sie spielt bei Prognosen und Hypothesentests eine wichtige Rolle. Für X sim B(n; ,p) gilt: sigma(X) = sqrt{n cdot p cdot (1 - p)} Zusammenhang: - Erwartungswert mu = n cdot p - Varianz text{Var}(X) = n cdot p cdot (1 - p) , also sigma = sqrt{ text{Var}(X)} Sigma-Regeln (Faustregeln, gut brauchbar, wenn sigma 3 ): - P( mu - sigma leq X leq mu + sigma) approx 68{,}3 , % - P( mu - 2 sigma leq X leq mu + 2 sigma) approx 95{,}4 , % - P( mu - 3 sigma leq X leq mu + 3 sigma) approx 99{,}7 , % Beispiel 1: Würfeln Ein Würfel wird 180-mal geworfen, X = Anzahl Sechsen. mu = 180 cdot tfrac{1}{6} = 30 qquad sigma = sqrt{180 cdot tfrac{1}{6} cdot tfrac{5}{6}} = sqrt{25} = 5 Man erwartet 30 Sechsen, Abweichungen um etwa 5 sind ganz normal. Beispiel 2: σ-Umgebung bestimmen X sim B(50; ,0{,}4) (Diagramm oben): mu = 50 cdot 0{,}4 = 20 qquad sigma = sqrt{50 cdot 0{,}4 cdot 0{,}6} = sqrt{12} approx 3{,}46 σ-Umgebung: [20 - 3{,}46; ; 20 + 3{,}46] = [16{,}54; ; 23{,}46] , also die Trefferzahlen 17 bis 23 . Darin liegt die Trefferzahl mit etwa 68 , % . Beispiel 3: Ist das noch Zufall? Ein Hersteller sagt, 40 , % seiner Lose gewinnen. Jemand kauft
Worum geht's?
Bei einer Binomialverteilung B ( n ; p ) B(n;\,p) B ( n ; p ) liegt die Trefferzahl nicht immer genau beim Erwartungswert μ = n ⋅ p \mu = n \cdot p μ = n ⋅ p , sondern schwankt darum. Die Standardabweichung σ \sigma σ gibt an, wie groß diese Schwankung typischerweise ist.
Mit μ \mu μ und σ \sigma σ beschreibt man die σ-Umgebung [ μ − σ ; μ + σ ] [\mu - \sigma;\; \mu + \sigma] [ μ − σ ; μ + σ ] – den Bereich, in dem die Trefferzahl besonders häufig liegt. Sie spielt bei Prognosen und Hypothesentests eine wichtige Rolle.
B(50; 0,4) → B(50; 0,40)
μ = n·p = 20.00 | σ ≈ 3.46
Formel mit Erklärung
Für X ∼ B ( n ; p ) X \sim B(n;\,p) X ∼ B ( n ; p ) gilt:
σ ( X ) = n ⋅ p ⋅ ( 1 − p ) \sigma(X) = \sqrt{n \cdot p \cdot (1 - p)} σ ( X ) = n ⋅ p ⋅ ( 1 − p )
Zusammenhang:
Erwartungswert μ = n ⋅ p \mu = n \cdot p μ = n ⋅ p Varianz Var ( X ) = n ⋅ p ⋅ ( 1 − p ) \text{Var}(X) = n \cdot p \cdot (1 - p) Var ( X ) = n ⋅ p ⋅ ( 1 − p ) , also σ = Var ( X ) \sigma = \sqrt{\text{Var}(X)} σ = Var ( X )
Sigma-Regeln (Faustregeln, gut brauchbar, wenn σ > 3 \sigma > 3 σ > 3 ):
P ( μ − σ ≤ X ≤ μ + σ ) ≈ 68,3 % P(\mu - \sigma \leq X \leq \mu + \sigma) \approx 68{,}3\,\% P ( μ − σ ≤ X ≤ μ + σ ) ≈ 68 , 3 % P ( μ − 2 σ ≤ X ≤ μ + 2 σ ) ≈ 95,4 % P(\mu - 2\sigma \leq X \leq \mu + 2\sigma) \approx 95{,}4\,\% P ( μ − 2 σ ≤ X ≤ μ + 2 σ ) ≈ 95 , 4 % P ( μ − 3 σ ≤ X ≤ μ + 3 σ ) ≈ 99,7 % P(\mu - 3\sigma \leq X \leq \mu + 3\sigma) \approx 99{,}7\,\% P ( μ − 3 σ ≤ X ≤ μ + 3 σ ) ≈ 99 , 7 %
Beispiele
Leicht#1
Beispiel 1: Würfeln
Ein Würfel wird 180-mal geworfen, X X X = Anzahl Sechsen.
μ = 180 ⋅ 1 6 = 30 σ = 180 ⋅ 1 6 ⋅ 5 6 = 25 = 5 \mu = 180 \cdot \tfrac{1}{6} = 30 \qquad \sigma = \sqrt{180 \cdot \tfrac{1}{6} \cdot \tfrac{5}{6}} = \sqrt{25} = 5 μ = 180 ⋅ 6 1 = 30 σ = 180 ⋅ 6 1 ⋅ 6 5 = 25 = 5
Man erwartet 30 30 30 Sechsen, Abweichungen um etwa 5 5 5 sind ganz normal.
Zusammenfassung
Für X ∼ B ( n ; p ) X \sim B(n;\,p) X ∼ B ( n ; p ) : σ = n ⋅ p ⋅ ( 1 − p ) \sigma = \sqrt{n \cdot p \cdot (1 - p)} σ = n ⋅ p ⋅ ( 1 − p ) . σ \sigma σ misst, wie stark die Trefferzahl um μ = n ⋅ p \mu = n \cdot p μ = n ⋅ p schwankt. σ-Umgebung [ μ − σ ; μ + σ ] [\mu - \sigma;\; \mu + \sigma] [ μ − σ ; μ + σ ] : etwa 68 % 68\,\% 68 % der Ergebnisse. 2 σ 2\sigma 2 σ : etwa 95 % 95\,\% 95 % , 3 σ 3\sigma 3 σ : etwa 99,7 % 99{,}7\,\% 99 , 7 % (Faustregeln für σ > 3 \sigma > 3 σ > 3 ). Werte außerhalb der 2 σ 2\sigma 2 σ -Umgebung sind ungewöhnlich – Grundlage für Tests.
Jetzt üben
Kostenlose Aufgaben mit Lösungsweg zu diesem Begriff: