Zufallsvariablen klassifizieren

Klassifiziere jede Variable als diskret oder stetig: (a) Anzahl der Autos an einem Kontrollpunkt (b) Gewicht eines Pakets (c) Anzahl der fehlerhaften Artikel in einer Charge

Analysiere Variable (a): Autos werden gezählt: 0, 1, 2, 3, ... Man kann nicht 2,5 Autos haben = Diskret

Analysiere Variable (b): Gewicht wird gemessen: 1,234 kg, 1,235 kg usw. Jeder Wert ist möglich = Stetig

Analysiere Variable (c): Fehler werden gezählt: 0, 1, 2, ... Man kann nicht 1,7 Fehler haben = Diskret

Answer: (a) Diskret, (b) Stetig, (c) Diskret

Diskrete Wahrscheinlichkeiten berechnen

Ein fairer Würfel wird geworfen. Finde: (a) $P(X = 4)$ und (b) $P(X \leq 2)$

Identifiziere die Verteilung: Würfelwurf hat 6 gleich wahrscheinliche Ergebnisse: 1, 2, 3, 4, 5, 6 = Gleichverteilte diskrete Verteilung

Berechne P(X = 4): Nur ein Ergebnis gleich 4, also $P(X = 4) = \frac{1}{6}$ = $P(X = 4) = \frac{1}{6}$

Berechne P(X ≤ 2): Zwei Ergebnisse erfüllen dies: 1 und 2 $P(X \leq 2) = P(X=1) + P(X=2) = \frac{1}{6} + \frac{1}{6}$ = $P(X \leq 2) = \frac{2}{6} = \frac{1}{3}$

Answer: (a) $\frac{1}{6} \approx 0,167$, (b) $\frac{1}{3} \approx 0,333$

Stetige Wahrscheinlichkeit verstehen

Körpergrößen in einer Population folgen einer stetigen Verteilung. Erkläre, warum $P(\text{Größe} = 170,0000\ldots \text{ cm})$ gleich null ist.

Betrachte die Natur stetiger Variablen: Größe kann 170,0001 cm, 170,00001 cm usw. sein. Es gibt unendlich viele Werte = Unendlich viele mögliche Werte

Wende Wahrscheinlichkeitslogik an: Hätte jeder exakte Wert positive Wahrscheinlichkeit, wäre die Summe unendlich (nicht 1) = Jeder exakte Wert muss Wahrscheinlichkeit 0 haben

Verstehe die praktische Bedeutung: Wir berechnen stattdessen $P(169,5 < X < 170,5)$. Das ist die Fläche unter der Kurve zwischen diesen Grenzen = Verwende Intervalle, nicht exakte Werte

Answer: Mit unendlich vielen möglichen Werten würde die Zuweisung positiver Wahrscheinlichkeit zu jedem Wert die Gesamtsumme über 1 bringen. Bei stetigen Verteilungen berechnen wir Wahrscheinlichkeiten für Intervalle, nicht für exakte Werte.

Mistake: Denken, dass 'Geld' immer diskret ist, weil wir Euro zählen

Why: Obwohl wir Geld oft auf Cent runden, behandeln Finanzmodelle Geld häufig als stetig, da Transaktionen theoretisch jeden Betrag haben können.

Correct: Der Kontext ist entscheidend: Münzen zählen ist diskret, aber Aktienkurse modellieren ist typischerweise stetig.

Mistake: Versuchen, P(X = exakter Wert) für stetige Verteilungen zu berechnen

Why: Bei stetigen Verteilungen ist die Wahrscheinlichkeit an jedem einzelnen Punkt null. Nur Intervalle haben positive Wahrscheinlichkeit.

Correct: Bei stetigen Verteilungen berechne immer $P(a < X < b)$ mit der Fläche unter der Kurve.

Mistake: Verwechseln von 'wenigen möglichen Werten' mit 'diskret'

Why: Eine Variable ist diskret aufgrund ihrer Natur, nicht wegen der Anzahl der beobachteten Werte in einer Stichprobe.

Correct: Frage: 'Kann diese Variable theoretisch JEDEN Wert in einem Bereich annehmen?' Wenn ja, ist sie stetig.

Qualitätskontrolle in der Fertigung

Fabriken verwenden diskrete Verteilungen zum Zählen von Fehlern und stetige Verteilungen für Messungen.

Eine Fabrik zählt fehlerhafte Artikel pro Charge (diskret: 0, 1, 2, ...), misst aber das Produktgewicht in Gramm (stetig: 250,3 g, 250,31 g, ...).

Medizinische Statistik

Im Gesundheitswesen werden beide Typen verwendet: Patientenzahlen (diskret) und Vitalzeichen (stetig).

Anzahl der heute aufgenommenen Patienten (diskret: 45, 46, 47) vs Blutdruckwert (stetig: 120,5 mmHg, 121,3 mmHg).

Q: Kann eine Variable sowohl diskret als auch stetig sein?

A: Nein, eine Variable ist grundsätzlich das eine oder das andere aufgrund ihrer Natur. Allerdings modellieren wir manchmal diskrete Variablen (wie Anzahlen) mit stetigen Verteilungen als Näherung, wenn die Werte groß sind.

Q: Warum wird Alter manchmal als diskret und manchmal als stetig behandelt?

A: Alter in Jahren (18, 19, 20) ist diskret. Alter als exakte Zeit seit der Geburt (18,5273 Jahre) ist stetig. Die Wahl hängt davon ab, wie du die Daten misst und verwendest.

Q: Was ist der Unterschied zwischen PMF und PDF?

A: PMF (Wahrscheinlichkeitsfunktion) gibt die tatsächliche Wahrscheinlichkeit für diskrete Werte an. PDF (Wahrscheinlichkeitsdichtefunktion) gibt die Dichte für stetige Variablen an - du musst über ein Intervall integrieren, um die Wahrscheinlichkeit zu erhalten.