Lothar Papula Mathematik fur Ingenieure und Naturwissenschaftler Band 3
Die drei Sande Mathematik fur Ingenieure und Naturwissenschaftler werden durch eine Formelsammlung, ein Such mit Klausur- und Obungsaufgaben sowie ein Such mit Anwendungsbeispielen zu einemLehr- und Lernsystern erganzt: Lothar Papula Mathematische Formelsammlung fur Ingenieure und Naturwissenschaftler Mit zahlreichen Abbildungen und Rechenbeispielen und einer ausfuhrllchen Integraltafel
Mathematik fur Ingenieure und Naturwissenschaftler Klausur- und Obungsaufgaben Mathematik fur Ingenieure und Natufwissenschaftler Anwendungsbeispiele Aufgabenstellungen aus Naturwissenschaft und Technik mit ausfuhrlichen L6sungen
www.viewegteubner.de
---'
Lothar Papula
Mathematik fur Ingenieure und Naturwissenschaftler Band 3 Vektoranalysis, Wahrscheinlichkeitsrechnung, Mathematische Statistik, Fehler- und Ausgleichsrechnung 5., verbesserte und erweiterte Auflage Mit 549 Abbildungen, zahlreichen Beispielen aus Naturwissenschaft und Technik sowie 285 Obungsaufgaben mit ausHihrlichen L6sungen STUDIUM
VIEWEG+ TEUBNER
Bibliografische Information Der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet uber
abrufbar.
1. 2., 3., 4., 5.,
Auflage 1994 verbesserte Auflage 1997 verbesserte Auflage 1999 verbesserte Auflage Mai 2001 verbesserte und erweiterte Auflage 2008
Aile Rechte vorbehalten © Vieweg +Teubner Verlag I GWV Fachverlage GmbH, Wiesbaden 2008 Lektorat: Thomas Zipsner Der Vieweg+Teubner Verlag ist ein Unternehmen von Springer Science+Business Media. www.viewegteubner.de Das Werk einschlieBlich aller seiner Teile ist urheberrechtlich geschutzt. Jede Verwertung auBerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulassig und strafbar. Das gilt insbesondere fur Vervielfaltigungen, Obersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten waren und daher von jedermann benutzt werden diirften. Technische Redaktion: Gabriele McLemore, Wiesbaden Umschlaggestaltung: Kiinkelt.opka Medienentwicklung, Heidelberg Satz: Druckhaus Thomas Mimtzer, Bad Langensalza Druck und buchbinderische Verarbeitung: Teslnska Tiskarna, a. s., Tschechien Gedruckt auf saurefreiern und chlorfrei gebleichtem Rapier. Printed in Czech Republic ISBN 978-3-8348-0225-5
v Vorwort
Das dreibandige Werk Mathematik fur Ingenieure und Naturwissenschaftler ist ein Lehr- und Arbeitsbuch fur das Grund- und Hauptstudium der naturwissenschaftlichtechnischen Disziplinen im Hochschulbereich. Es wird durch eine mathematische Formelsammlung und ein Ubungsbuch mit ausschlieBlich anwendungsorientierten Aufgaben zu einem kompakten Lehr- und Lernsystem erganzt. Die Bande 1 und 2 lassen sich dem Grundstudium zuordnen, wahrend der vorliegende dritte Band spezielle Themen aus dem Hauptstudium behandelt. In der aktuellen 5. Auflage wurden aIle bekannt gewordenen Fehler berichtigt und das Kapitel Fehler- und Ausgleichsrechnung geringfugig erweitert.
Zur Stoffauswahl des dritten Bandes In diesem Band werden die folgenden im Hauptstudium wichtigen mathematischen Stoffgebiete behandelt: • Vektoranalysis: Kurven und Flachen, Skalar- und Vektorfelder, Gradient, Divergenz und Rotation, spezielle ebene und raumliche Koordinatensysteme, Linien- oder Kurvenintegrale, Oberflachenintegrale, Integralsatze von GauB und Stokes
• Wahrscheinlichkeitsrechnung: Kombinatorik, Zufallsexperimente, Wahrscheinlichkeiten, Zufallsvariable, Wahrscheinlichkeitsverteilung einer Zufallsvariablen, Kennwerte oder MaBzahlen einer Verteilung, spezielle Wahrscheinlichkeitsverteilungen wie z. B. Binomial-, Poisson- oder GauBverteilung, Verteilungen von mehreren ZufaIlsvariablen, Pruf- oder Testverteilungen wie z. B. Chi-Quadrat- oder t-Verteilung • Grundlagen der mathematischen Statistik: Zufallsstichproben, Haufigkeitsverteilungen, Kennwerte oder MaBzahlen einer Stichprobe, Parameterschatzungen, Parametertests, Anpassungs- oder Verteilungstests wie z. B. der Chi-Quadrat-Test, Korrelation und Regression • Fehler- und Ausgleichsrechnung: .Fehlerarten" und MeBabweichungen, statistische Verteilung der MeBwerte und MeBabweichungen, Auswertung einer MeBreihe, Vertrauensbereiche, .Fehlerfortpflanzung" nach GauB (Varianzfortpflanzungsgesetz), Ausgleichs- oder Regressionskurven • 1m Anhang (Teil A) findet der Leser wichtige Tabellen zur Wahrscheinlichkeitsrechnung und Statistik (benutzerfreundlich auf farbigem Papier gedruckt).
Zur Darstellung des Stoffes Auch in diesem Band wird eine anschauliche, anwendungsorientierte und leicht verstandliche Darstellungsform des mathematischen Stoffes gewahlt, Begriffe, Zusammenhange, Satze und Formeln werden durch zahlreiche Beispiele aus Naturwissenschaft und Technik und anhand vieler Abbildungen naher erlautert.
VI
Zur aulleren Form Zentrale Inhalte wie Definitionen, Satze, Formeln, Tabellen, Zusammenfassungen und Beispiele sind besonders hervorgehoben:
• Definitionen und Satze, Formeln und Zusammenfassungen sind gerahmt und grau unterlegt. • Tabellen sind gerahmt und teilweise grau unterlegt. • Anfang und Ende eines Beispiels sind durch das Symbol _ gekennzeichnet. Bei der (bildlichen) Darstellung von Flachen und raumlichen Korpern werden Grauraster unterschiedlicher HeIligkeit verwendet, urn besonders anschauliche und aussagekraftige Bilder zu erhalten.
Zum Einsatz von Computeralgebra-Programmen In zunehmendem MaBe werden leistungsfahige Computeralgebra-Programme wie z. B. DERIVE, MATHCAD oder MATHEMATICA bei der mathematischen Losung kompakter naturwissenschaftlich-technischer Probleme in Praxis und Wissenschaft erfolgreich eingesetzt. Solche Programme konnen bereits im Grundstudium ein nutzliches und sinnvolles Hilfsmittel sein und so z. B. als eine Art .Kontrollinstanz" beim Losen von Ubungsautgaben verwendet werden (Uberprufung der von Hand ermittelten Losungen mit Hilfeeines Computeralgebra-Programms auf einem PC). Die meisten der in diesem Werk gestellten Aufgaben lassen sich auf diese Weise problemlos losen.
Eine Bitte .des Autors Fur Hinweise und Anregungen - insbesondere auch aus dem Kreis der Studierenden bin ich stetsdankbar, Sie sindeine unverzichtbare Voraussetzung und Hilfe fur die stetige Verbesserung des Lehrwerkes.
Ein Wort des Dankes ... · .. an aIle Fachkollegen und Studierenden, die durch Anregungen und Hinweise zur Verbesserung dieses Werkes beigetragen haben, · .. an die Mitarbeiterdes Verlages, ganz besonders aber an Herro Thomas Zipsner und Herro Ewald Schmitt, fur die hervorragende Zusammenarbeit wahrend der Entstehung und Drucklegung dieses Werkes.
Wiesbaden, im Friihjahr 2008
Lothar Papula
VII
Inhaltsverzeichnis
I ·Vektoranalysis
1
1 Ebene und raumliche Kurven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.1 Vektorielle Darstellung einer Kurve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Differentiation eines Vektors nach einem Parameter . . . . . . . . . . . . . . . . . . . 1.2.1 Ableitung eines Vektors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.2 Geschwindigkeits- und Beschleunigungsvektor eines Massenpunktes 1.3 Bogenlange einer Kurve 1.4 Tangenten- und Hauptnormaleneinheitsvektor 1.5 Kriimmung einer Kurve 1.6 Ein Anwendungsbeispiel: Zerlegung von Geschwindigkeit und Beschleunigung in Tangential- und Normalkomponenten
1 4 4
2 Flachen im Raum
2.1 2.2 2.3 2.4
9 12 16 21 27 31
Vektorielle Darstellung einer Flache Flachenkurven Tangentialebene, Flachennormale, Flachenelement . . . . . . . . . . . . . . . . . . . . Flachen vom Typ z = f't»; y)
31 35 37 43
3 Skalar- und Vektorfelder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
47
3.1 3.2 3.3 3.4
Ein einfiihrendes Beispiel Skalarfelder Vektorfelder . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . Spezielle Vektorfelder aus Physik und Technik 3.4.1 Homogenes Vektorfeld 3.4.2 Kugelsymmetrisches Vektorfeld (Zentralfeld) . . . . . . . . . . . . . . . . . . . . 3.4.3 Zylindersymmetrisches Vektorfeld 3.4.4 Zusammenstellung der behandelten Vektorfelder
47 50 51 55 55 56 58 60
4 Gradient eines Skalarfeldes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
Definition und Eigenschaften des Gradienten Richtungsableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Flachen vom Typ F(x; y; z) = 0 Ein Anwendungsbeispiel: Elektrisches Feld einer Punktladung
61 65 67 69
4.1 4.2 4.3 4.4
VIII
Inhaltsverzeichnis
5 Divergenz und Rotation eines Vektorfeldes 5.1 Divergenz eines Vektorfeldes 5.1.1 Ein einfiihrendes Beispiel .. . . . 5.1.2 Definition und Eigenschaften der Divergenz 5.1.3 Ein Anwendungsbeispiel: Elektrisches Feld eines homogen geladenen Zylinders 5.2 Rotation eines Vektorfeldes '.................... 5.2.1 Definition und Eigenschaften der Rotation 5.2.2 Ein Anwendungsbeispiel: Geschwindigkeitsfeld einer rotierenden Scheibe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3 Spezielle Vektorfelder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.1 Quellenfreies Vektorfeld 5.3.2 Wirbelfreies Vektorfeld 5.3.3 Laplace- und Poisson-Gleichung 5.3.4 Ein Anwendungsbeispiel: Potentialgleichung des elektrischen Feldes . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 Spezielle ebene und raumliche Koordinatensysteme 6.1 Polarkoordinaten 6.1.1 Definition und Eigenschaften der Polarkoordinaten . . . . . . . . . . . . . . 6.1.2 Darstellung eines Vektors in Polarkoordinaten 6.1.3 Darstellung von Gradient, Divergenz, Rotation und LaplaceOperator in Polarkoordinaten 6.1.4 Ein Anwendungsbeispiel: Geschwindigkeitsvektor bei einer gleichformigen Kreisbewegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.2 Zylinderkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.2.1 Definition und Eigenschaften der Zylinderkoordinaten 6.2.2 Darstellung eines Vektors in Zylinderkoordinaten 6.2.3 Darstellung von Gradient, Divergenz, Rotation und LaplaceOperator in Zylinderkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.2.4 Zylindersymmetrische Vektorfelder 6.2.5 Ein Anwendungsbeispiel: Geschwindigkeitsvektor eines Massenpunktes in Zylinderkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.3 Kugelkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.3.1 Definition und Eigenschaften der Kugelkoordinaten 6.3.2 Darstellung eines Vektors in Kugelkoordinaten . . . . . . . . . . . . . . . . .. 6.3.3 Darstellung von Gradient, Divergenz, Rotation und LaplaceOperator in Kugelkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.3.4 Kugelsymmetrische Vektorfelder (Zentralfelder) 6.3.5 Ein Anwendungsbeispiel: Potential und elektrische Feldstarke in der Umgebung einer geladenen Kugel
71 71 71 75 78 79 79 83 85 85 86 88 92 92 92 92 94 100 103 105 105 110 115 118 120 122 122 128 134 136 139
Inhaltsverzeichnis
IX
7 Linien- oder Kurvenintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
7.1 7.2 7.3 7.4
Ein einfiihrendes Beispiel Definition eines Linien- oder Kurvenintegrals Berechnung eines Linien- oder Kurvenintegrals . . . . . . . . . . . . . . . . . . . . . .. Wegunabhangigkeit eines Linien- oder Kurvenintegrals. Konservative Vektorfelder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7.5 Anwendungsbeispiele aus Physik und Technik . . . . . . . . . . . . . . . . . . . . . . .. 7.5.1 Kugelsymmetrische Vektorfelder (Zentralfelder) 7.5.2 Magnetfeld eines stromdurchflossenen linearen Leiters 7.5.3 Elektrisches Feld eines geladenen Drahtes 7.6 Arbeitsintegral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7.6.1 Arbeit eines Kraftfeldes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7.6.2 Ein Anwendungsbeispiel: Elektronen im Magnetfeld
8 Oberflachenintegrale
142 145 147 151 159 159 160 161 163 163 164 166
8.1 Ein einfiihrendes Beispiel 8.2 Definition eines Oberflachenintegrals 8.3 Berechnung eines Oberflachenintegrals 8.3.1 Oberflachenintegral in speziellen Koordinaten . . . . . . . . . . . . . . . . . .. 8.3.2 Oberflachenintegral in Flachenparametern .... ~ . . . . . . . . . . . . . . . .. 8.4 Anwendungsbeispiele aus Physik und Technik . . . . . . . . . . . . . . . . . . . . . . .. 8.4.1 FluB eines homogenen Vektorfeldes durch die Oberflache eines Wiirfels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8.4.2 FluB eines zylindersymmetrischen Vektorfeldes durch die Oberflache eines Zylinders 8.4.3 FluB eines kugelsymmetrischen Vektorfeldes durch die Oberflache einer Kugel 9 Integralsatze von GauB und Stokes
166 171 173 174 186 191 191 195 198 201
9.1 GauBscher Integralsatz 9.1.1 Ein einfuhrendes Beispiel 9.1.2 GauBscher Integralsatzim Raum 9.1.3 GauBscher Integralsatz in der Ebene . . . . . . . . . . . . . . . . . . . . . . . . . .. 9.2 Stokes'scher Integralsatz 9.3 Anwendungsbeispiele aus Physik und Technik . . . . . . . . . . . . . . . . . . . . . . .. 9.3.1 Elektrisches Feld eines homogen geladenen Zylinders 9.3.2 Magnetfeld eines stromdurchflossenen linearen Leiters Ubungsaufgaben Zu Abschnitt 1 Zu Abschnitt 2 Zu Abschnitt 3 Zu Abschnitt 4 Zu Abschnitt 5 Zu Abschnitt 6
142
'. . . . . . . . . . . . . . . . . . . . . . . . ..
201 201 203 207 210 217 217 222 226 226 228 230 232 233 235
x
Inhaltsverzeichnis Zu Abschnitt 7 Zu Abschnitt 8 Zu Abschnitt 9
238 241 245
II Wahrscheinlichkeitsrechnung
249
1 Hilfsmittel aus der Kombinatorik
249
1.1 1.2 1.3 1.4 1.5
U rnenmodell Permutationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Kombinationen Variationen /. . . . . . . . . . . . . . .. Tabellarische Zusammenstellung der wichtigsten Formeln . . . . . . . . . . . . ..
2 Grundbegriffe
2.1 2.2 2.3 2.4 2.5
Einfiihrende Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Zufallsexperimente Elementarereignisse und Ergebnismenge eines Zufallsexperiments Ereignisse und Ereignisraum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Verkniipfungen von Ereignissen
3 Wahrscheinlichkeit
3.1 Laplace-Experimente 3.2 Wahrscheinlichkeitsaxiome 3.2.1 Eigenschaften der relativen Haufigkeiten 3.2.2 Wahrscheinlichkeitsaxiome von Kolmogoroff 3.2.3 Festlegung unbekannter Wahrscheinlichkeiten in der Praxis ("statistische" Definition der Wahrscheinlichkeit) . . . . . . . . . . . . . . .. 3.2.4 Wahrscheinlichkeitsraum (. . . . . . . . . . . . . . . . . . . . . . .. 3.3 Additionssatz fur beliebige Ereignisse . . . . . . . . . . . .. 3.4 Bedingte Wahrscheinlichkeit 3.5 Multiplikationssatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.6 Stochastisch unabhangige Ereignisse 3.7 Ereignisbaume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.8 Totale Wahrscheinlichkeit eines Ereignisses und Bayes'sche Formel ..... 4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
4.1 Zufallsvariable oder Zufallsgrolsen 4.1.1 Einfiihrende Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.1.2 Definition einer Zufallsvariablen 4.2 Verteilungsfunktion einer Zufallsvariablen 4.3 Wahrscheinlichkeitsverteilung einer diskreten Zufallsvariablen (diskrete Verteilung) 4.4 Wahrscheinlichkeitsverteilung einer stetigen Zufallsvariablen (stetige Verteilung)
249 250 253 258 262 262 262 266 267 268 270 274 274 279 279 282 284 285 288 290 293 297 300 306 313 313 313 315 316 317 325
Inhaltsverzeichnis
XI
5 Kennwerte oder Ma8zahlen einer Wahrscheinlichkeitsverteilung . . . . . . . . . . . . ..
332
5.1 Erwartungswert einer Zufallsvariablen 5.1.1 Ein einfiihrendes Beispiel 5.1.2 Erwartungswert einer diskreten Zufallsvariablen . . . . . . . . . . . . . . . .. 5.1.3 Erwartungswert einer stetigen Zufallsvariablen 5.2 Erwartungswert einer Funktion 5.3 Mittelwert, Varianz und Standardabweichung einer diskreten Zufallsvariablen 5.4 Mittelwert, Varianz und Standardabweichung einer stetigen Zufallsvariablen 5.5 Mittelwert und Varianz einer linearen Funktion
333 333 333 334 336
6 Spezielle Wahrscheinlichkeitsverteilungen
6.1 6.2 6.3 6.4
Binomialverteilung Hypergeometrische Verteilung Poisson-Verteilung GauBsche Normalverteilung 6.4.1 Allgemeine Normalverteilung . . . . . . . . . . . . . . . . . . . . .. . .. 6.4.2 Standardnormalverteilung , 6.4.3 Erlauterungen zur tabellierten Verteilungsfunktion der Standardnormalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.4.4 Berechnung von Wahrscheinlichkeiten mit Hilfe der tabellierten Verteilungsfunktion der Standardnormalverteilung . . . . . . . . . . . . . .. 6.4.5 Quantile der Standardnormalverteilung 6.5 Zusammenhang zwischen der Binomialverteilung und der Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6.6 Tabellarische Zusammenstellung der wichtigsten Wahrscheinlichkeitsverteilungen 6.7 Approximation einer diskreten Verteilung durch eine andere Verteilung, insbesondere durch die Normalverteilung . .. . . . . . . . . . . . . . . . . . . . . . . . .. 7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
7.1 Ein einfuhrendes Beispiel .....'.................................... 7.2 Zweidimensionale Wahrscheinlichkeitsverteilungen . . . . . . . . . . . . . . . . . . .. 7.2.1 Verteilungsfunktion einer zweidimensionalen Zufallsvariablen 7.2.2 Diskrete zweidimensionale Verteilung 7.2.3 Stetige zweidimensionale Verteilung 7.3 Stochastisch unabhangige Zufallsvariable . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7.4 Funktionen von mehreren Zufallsvariablen 7.5 Summen und Produkte von Zufallsvariablen 7.5.1 Additionssatz fur Mittelwerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7.5:2 Multiplikationssatz fur Mittelwerte 7.5.3 Additionssatz fur Varianzen 7.5.4 Eigenschaften einer Summe von stochastisch unabhangigen und normalverteilten Zufallsvariablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
337 341 344 346 346 357 363 367 367 370 372 374 384 386 394 394 397 397 400 400 402 405 411 417 419 419 421 424 427
XII
Inhaltsverzeichnis
7.6 Uber die groBe Bedeutung der GauBschen Normalverteilung in den Anwendungen 7.6.1 Zentraler Grenzwertsatz 7.6.2 Wahrscheinlichkeitsverteilung einer Summevon Zufallsvariablen .. 7.6.3 Grenzwertsatz von Moivre-Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . ..
g Pruf- oder Testverteilungen 8.1 Chi-Quadrat-Verteilung 8.2 t- Verteilung von Student
430 430 432 434 435 435 440
Ubungsaufgaben
Zu Zu Zu Zu Zu Zu Zu
Abschnitt 1 Abschnitt 2 Abschnitt 3 Abschnitt 4 Abschnitt 5 Abschnitt 6 Abschnitt 7
445 447 448 451 453 456 460
III Grundlagen der mathematischen Statistik
465
1 Grundbegriffe
465
1.1 Ein einfuhrendes Beispiel 1.2 Zufallsstichproben aus einer Grundgesamtheit 1.3 Haufigkeitsverteilung einer Stichprobe 1.3.1 Haufigkeitsfunktion einer Stichprobe 1.3.2 Verteilungsfunktion einer Stichprobe . . . . . . . . . . . . . . . . . . . . . . . . . .. 1.3.3 Gruppierung der Stichprobenwerte bei umfangreichen Stichproben (Einteilung in Klassen) 2 Kennwerte oder Mafizahlen einer Stichprobe
465 466 468 468 471 473 479
2.1 Mittelwert, Varianz und Standardabweichung einer Stichprobe 480 2.2 Spezielle Berechnungsformeln fiir die Kennwerte einer Stichprobe . . . . . .. 483 2.2.1 Berechnung der Kennwerte unter Verwendung der Haufigkeitsfunktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .483 2.2.2 Berechnung der Kennwerte einer gruppierten Stichprobe 485 3 Statistische Schatzmethoden fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Parameterschiitzungen") .. . . . . . . . . . . . . . . . . . . . . .. . . . ..
3.1 Aufgaben der Parameterschatzung 3.2 Schatzfunktionen und Schatzwerte fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Punktschatzungen") 3.2.1 Ein einfuhrendes Beispiel 3.2.2 Schatz- und Stichprobenfunktionen . . . . . . . . . . . . . . . . . . . . . . . . . . ..
487 487 488 489 489
Inhaltsverzeichnis 3.2.3 Schatzungen fur den Mittelwert J.1 ••••••••••••••••••••••••••••• 3.2.4 Schatzungen fur die Varianz (J2 ••••••••••••••••••••••••••••••• 3.2.5 Schatzungen fur einen Anteilswert p (Parameter p einer Binomialverteilung) 3.2.6 Tabellarische Zusammenstellung der wichtigsten Schatzfunktionen und ihrer Schatzwerte 3.3 Ein Verfahren zur Gewinnung von Schatzfunktionen . . . . . . . . . . . . . . . . .. 3.3.1 Maximum-Likelihood-Methode 3.3.2 Anwendungen auf spezielle Wahrscheinlichkeitsverteilungen . . . . . .. 3.3.2.1 Binomialverteilung 3.3.2.2 Poisson-Verteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.3.2.3 GauBsche Normalverteilung 3.4 Vertrauens- oder Konfidenzintervalle fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Intervallschatzungen") 3.4.1Vertrauens- oder Konfidenzintervalle und statistische Sicherheit 3.4.2 Vertrauensintervalle fur den unbekannten Mittelwert J.1 einer Normalverteilung bei bekannter Varianz (J2 • • •• • • • • • • • • • • • • • • • •• 3.4.3 Vertrauensintervalle fur den unbekannten Mittelwert J.1 einer Normalverteilung bei unbekannter Varianz (J2 •••••••••••••••••• 3.4.4 Vertrauensintervalle fiir die unbekannte Varianz (J2 einer Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.4.5 Vertrauensintervalle fur einen unbekannten Anteilswert p (Parameter p einer Binomialverteilung) . . . . . . . . . . . . . . . . . . . . . . . .. 3.4.6 Vertrauensintervalle fur den unbekannten Mittelwert J.1 einer beliebigen Verteilung 4 Statistische Prufverfahren fur die unbekannten Parameter einer WahrscheinIichkeitsverteilung ("Parametertests")
4.1 4.2 4.3 4.4 4.5
Ein einfiihrendes Beispiel Statistische Hypothesen und Parametertests . . . . . . . . . . . . . . . . . . . . . . . . .. Planung und Durchfiihrung eines Parametertests Mogliche Fehlerquellen bei einem Parametertest . . . . . . . . . . . . . . . . . . . . .. Spezielle Parametertests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4.5.1 Tests fur den unbekannten Mittelwert J.1 einer Normalverteilung bei bekannter Varianz (J2 • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •• 4.5.2 Tests fur den unbekannten Mittelwert J.1 einer Normalverteilung bei un bekannter Varianz (J2 •••••••••••••••••••••••••••••••••• 4.5.3 Tests fur die Gleichheit der unbekannten Mittelwerte J.11 und J.12 zweier N ormalverteilungen (Differenzentests) 4.5.3.1 Abhangige und unabhangige Stichproben . . . . . . . . . . . . . . .. 4.5.3.2 Differenzentests bei abhangigen Stichproben 4.5.3.3 Differenzentests bei unabhangigen Stichproben 4.5.4 Tests fur die unbekannte Varianz (J2 einer Normalverteilung 4.5.5 Tests fur einen unbekannten Anteilswert p (Parameter p einer Binomialverteilung) 4.6 Ein Anwendungsbeispiel: Statistische Qualitatskontrolle unter Verwendung von Kontrollkarten
XIII 492 493 494 494 497 498 500 500 502 505 508 508 512 519 524 528 533
534 534 538 539 544 549 549 558 563 563 565 570 582 587 593
Inhaltsverzeichnis
XIV
5 Statistische Pnifverfahren fur die unbekannte Verteilungsfunktion einer Wahrscheinlichkeitsverteilung ("Anpassungs- oder Verteilungstests") . . . . . . . . ..
5.1 Aufgaben eines Anpassungs- oder Verteilungstests 5.2 Ein einfuhrendes Beispiel 2 5.3 Chi-Quadrat-Test (" X -Test") 6 Korrelation und Regression
6.1 Korrelation 6.1.1 Korrelationskoeffizient einer zweidimensionalen Stichprobe 6.1.2 Korrelationskoeffizient einer zweidimensionalen Grundgesamtheit . 6.2 Regression
598 598 599 601 614 614 614 624 627
Ubungsaufgaben Zu Abschnitt 1 Zu Abschnitt 2 Zu Abschnitt 3 Zu Abschnitt 4 Zu Abschnitt 5 Zu Abschnitt 6
633 636 636 639 642 643
IV Fehler- und Ausgleichsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
645
1 "Fehlerarten" (systematische und zufallige Me6abweichungen). Aufgaben der Fehler- undAusgleichsrechnung
645
2 Statistische Verteilung der Me6werte und Me6abweichungen ("Me6fehler")
649
2.1 Haufigkeitsverteiiungen 2.2 Normalverteilte Mebgroben
649 651
3 Auswertung einer Me6reihe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
657
3.1 Mittelwert und Standardabweichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.2 Vertrauensbereich fur den Mittelwert 11, MeBunsicherheit, MeBergebnis ..
657 665
4 "Fehlerfortpflanzung" nach Gau6
4.1 4.2 4.3 4.4
Ein einfiihrendes Beispiel Mittelwert einer "indirekten" Mehgrolse GauBsches Fehlerfortpflanzungsgesetz (Varianzfortpflanzungsgesetz) MeBergebnis fur eine .Jndirekte" Meligrobe
5 Ausgleichs- oder Regressionskurven
5.1 Ein einfiihrendes Beispiel 5.2 Ausgleichung nach der "GauBschen Methode der kleinsten Quadrate" ..
674 674 675 678 682 689 689 691
xv
Inhaltsverzeichnis 5.3 Ausgleichs- oder Regressionsgerade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5.3.1 Bestimmung der Parameter einer Ausgleichsgeraden ...,. . . . . . . . . .. 5.3.2 StreuungsmaBe und Unsicherheiten bei der Parameterbestimmung..... 5.4 Ausgleichs- oder Regressionsparabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5.5 Nichtlineare Ausgleichsprobleme, die auf die lineare Regression zuruckfuhrbar sind . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
696 696 704 710 714
Ubungsaufgaben Zu Abschnitt 3 Zu Abschnitt 4 Zu Abschnitt 5
725 727 730
Anhang. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
735
Teil A: Tabellen zur Wahrscheinlichkeitsrechnung und Statistik . . . . . . .. 736 Tabelle Tabelle Tabelle Tabelle
1: Verteilungsfunktion ¢ (u) der Standardnormalverteilung ..... 2: Quantile der Standardnormalverteilung . . . . . . . . . . . . . . . . . .. 3: Quantile der Chi-Quadrat- Verteilung '. . . . . . . . . . . .. 4: Quantile der t- Verteilung von "Student" . . . . . . . . . . . . . . . . ..
736 738 740 742
Teil B: Losungen der Ubungsaufgaben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 745 I
Vektoranalysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
746
Abschnitt 1 '. . . . . . . Abschnitt 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
746 747 750 754 756 760 764 768 772
II Wahrscheinlichkeitsrechnung..............................
775
Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt
1....... '. . . . . . . . . . . . . . . . . . . . . . . . . .. 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .. 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6 '. . . . . . . . . . . . . . . . . . . . . . . .. 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
775 776 776 779 782 785 789
Inhaltsverzeichnis
XVI
III Grundlagen der mathematischen Statistik . . . . . . . . . . . . . . . . . . .. 793 Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt
1 2 3 4. 5. 6 .... 0
0
0
••
0
0
••••••
••••
0
0
•
0
•••••••••••••
0
••
0
•••
0
0
0
0
•
0
0
•••••••
0
•
0
••
0
•••
0
•••
0
•••
0
0
0
•
0
•
•
0
•
•
•
•
0
•
•
••
0
0
•
0
••••••
0
•••
0
•••
0
0
•
0
•
••••
•
0
•
0
•
o. ••
0
0
0
•••
0
••
0
••
0
0
•
0
•
0
•
0
0
•
•
••
•
0
•
0
•
•
0
0
••
0
0
•
0
0
•
•
•
•
0
•
•
•
•
0
0
•
0
•
•
0
0
•
•
0
•
•
0
•
0
••
0
•
0
0
•
0
••
0
•
•
0
0
•
•
•
•
0
0
•
•
•
0
•
•
•
0
•
•
0
•
•
0
•
•
•
0
•
••
0
0
0
••
0
•
•
•
•
0
•
•
•
•
0
0
•
0
•
0
•
0
0
0
0
0
0
•
•
•
0
•
•
0
0
0
••
0
•••
0
•••••••••••••••••••••••
0
•••
0
•
0
•
•
••
0
••••••
0
0
•
••
Literaturhinweise Sachwortverzeichnis ...
••
•
0
•
0
•
0
0
00
•
0
•
0
•
0
0
•
0
•
0
•
0
0
•
••
•
••
0
•
•••••
0
••
0
0
0
0
•
0
••••••
0
•
0
0
0
0
•
0
0
•
•
•
0
0
0
••
•
0
Abschnitt 3 Abschnitt 4 . . . . . . Abschnitt 5
0
0
•
0
••
•••••••
•••••
0
•
0
0
•
0
•
•
0
0
•••
0
0
0
0
•
0
•
•
0
0
0
0
IV Fehler- und Ausgleichsrechnung .. 0
•••
0
0
0
0
••
••••••••
•••
•••
0
0
•••••••••••••
0
0
•
0
0
0
•••••••
793 799 800 803 809 813 816 816 817 819 825 826
XVII
Inhaltsiibersicht Band 1
Kapitel I:
Allgemeine Grundlagen 1 2 3 4 5 6
Kapitel II:
Einige grundlegende Begriffe tiber Mengen Die Menge der reellen Zahlen Gleichungen U ngleichungen Lineare Gleichungssysteme Der Binomische Lehrsatz
Vektoralgebra 1 2 3 4
Grundbegriffe Vektorrechnung in der Ebene Vektorrechnung im 3-dimensionalen Raum Anwendungen in der Geometrie
Kapitel III: Funktionen und Kurven 1 2 3 4 5 6 7 8 9 10 11 12 13
Definition und Darstellung einer Funktion Allgemeine Funktionseigenschaften Koordinatentransformationen Grenzwert und Stetigkeit einer Funktion Ganzrationale Funktionen (Polynomfunktionen) Gebrochenrationale Funktionen Potenz- und Wurzelfunktionen Algebraische Funktionen Trigonometrische Funktionen Arkusfunktionen Exponentialfunktionen Logarithmusfunktionen Hyperbel- und Areafunktionen
Kapitel IV : Differentialrechnung 1 Differenzierbarkeit einer Funktion 2 Ableitungsregeln 3 Anwendungen der Differentialrechnung
XVIII
Kapitel V:
Inhaltsiibersicht Band 1
Integralrechnung 1 2 3 4 5 6 7 8 9 10
Integration als Umkehrung der Differentiation Das bestimmte Integral als Flacheninhalt Unbestimmtes Integral und Flachenfunktion Der Fundamentalsatz der Differential- und Integralrechnung Grund- oder Stammintegrale Berechnung bestimmter Integrale unter Verwendung einer Stammfunktion Elementare Integrationsregeln Integrationsmethoden Uneigentliche Integrale Anwendungen
Kapitel VI: Potenzreihenentwicklungen 1 U nendliche Reihen 2 Potenzreihen 3 Taylor-Reihen
Anhang:
Losungen der Ubungsaufgaben
XIX
Inhaltsiibersicht Band 2
Kapitel I:
Lineare Algebra 1 2 3 4 5 6
Kapitel II:
Reelle Matrizen Determinanten Erganzungen Lineare Gleichungssysteme Komplexe Matrizen Eigenwerte und Eigenvektoren einer quadratischen Matrix
Fourier-Reihen 1 Fourier- Reihe einer periodischen Funktion 2 Anwendungen
Kapitel III: Komplexe Zahlen und Funktionen 1 2 3 4
Definition und Darstellung einer komplexen Zahl Komplexe Rechnung Anwendungen der komplexen Rechnung Ortskurven
Kapitel IV : Differential- und Integralrechnung fur Funktionen von mehreren Variablen 1 Funktionen von mehreren Variablen und ihre Darstellung 2 Partielle Differentiation 3 Mehrfachintegrale
Kapitel V:
Gewohnliche Differentialgleichungen 1 Grundbegriffe 2 Differentialgleichungen 1. Ordnung 3 Lineare Differentialgleichungen 2. Ordnung mit konstanten Koeffizienten 4 Anwendungen in der Schwingungslehre 5 Lineare Differentialgleichungen n-ter Ordnung mit konstanten Koeffizienten 6 Numerische Integration einer Differentialgleichung 7 Systeme linearer Differentialgleichungen
XX
Kapitel VI:
Inhaltsiibersicht Band 2
Laplace-Transformationen 1 2 3 4 5
Anhang:
Grundbegriffe Allgemeine Eigenschaften der Laplace-Transformation Laplace- Transformierte einer periodischen Funktion Riicktransformation aus dem Bildbereich in den Originalbereich Anwendungen der Laplace-Transformation
Losungen der Ubungsaufgaben
I Vektoranalysis
1 Ebene und raumliche Kurven 1.1 Vektorielle Darstellung einer Kurve Die Parameterdarstellung einer ebenen Kurve C laute: C:
x == x(t),
y == y(t)
(1-1)
Der zum Parameterwert t gehorige Kurvenpunkt P == (x(t); y(t)) ist dann eindeutig durch seinen Ortsvektor
_
_
_ (X(t))
r(P) = x(t) ex + y(t) ey =
(1-2)
y(t)
bestimmt (Bild 1-1).
y
Bild 1-1 Vektordarstellung einer Kurve x
Beim Durchlaufen samtlicher t-Werte von t 1 bis t 2 bewegt sich der Punkt P langsder Kurve C von ~ nach ~. Die Kurve selbst kann somit auch durch den parameterabhdngigen Ortsvektor
_
_
_ (X(t))
r(t) = x(t) ex + y(t) ey = y(t)
(1-3)
beschrieben werden. Analog Hifit sich eine rdumliche Kurve durch einen 3-dimensionalen Ortsvektor darstellen.
1 Vektoranalysis
2
Anmerkungen (1) Die vektorielle Darstellungsform einer Kurve ist in den Anwendungen weit verbreitet und eignet sich - wie wir noch sehen werden - in besonderem MaBe zur Beschreibung von Bewegungsabldufen. Als Parametergrolse dient dabei meist die Zeit, manchmal auch ein Winkel. (2)
Der Ortsvektor r ist eine Funktion des Parameters t: r von einem reellen Parameter t abhangiger Vektor
==
r(t). Allgemein wird ein
(1-6)
als eine Vektorfunktion des Parameters t bezeichnet (t1 dinaten sind dabei Funktionen des Parameters t:
~
t
~
t 2). Die Vektorkoor(1-7)
•
Beispiele (1)
Schiefer Wurf Ein Korper wird unter einem Winkel a gegen die Horizontale mit einer Geschwindigkeit yom Betrag Va abgeworfen (Bild 1-2). Die dabei durchlaufene Bahnkurve ist eine Parabel, in diesem Zusammenhang auch Wurfparabel genannt, und kann durch die Parametergleichungen x(t)
==
(va· cos a) t,
. 1 y (t) == (va . SIna) t - - g t 2 2
(t
~
0)
Ebene und raumliche Kurven
3
oder durch den zeitabhdngigen Ortsvektor
r(t)
==
(Va . cos a) t ) 1 ( (va . sin a) t - 2g t 2
(t
~
0)
beschrieben werden.
y
Bild 1-2 Wurfparabel beim schiefen Wurf, dargestellt durch einen zeitabhangigen Ortsvektor
Wurfparabel
x(t)
(2)
x
Elektronen im Magnetfeld
Elektronen, die schief in ein homogenes Magnetfeld eingeschossen werden, bewegen sich auf einer Schraubenlinie urn die Feldrichtung (z-Achse; Bild 1-3). Die Bahnkurve HiBt sich dabei durch die Parametergleichungen x(t) == R . cos(wt),
y(t)
==
R· sin(wt),
z(t)
==
ct
(t
~
0)
oder durch den zeitabhdngigen Ortsvektor r(t)
==
R . cos(wt)
ex + R . sin(wt) e + ct e y
z
(t
~
0)
beschreiben (R, co und c sind Konstanten).
z
Richtung des Magnetfeldes
Bild 1-3 Schraubenlinienformige Bahn eines Elektrons in einem homogenen Magnetfeld, dargestellt durch einen zeitabhangigen Ortsvektor y
x
I Vektoranalysis
4
Anmerkung: Die Elektronen rotieren mit der Winkelgeschwindigkeit (j) auf einer Kreisbahn mit dem Radius R urn das Magnetfeld und fiihren gleichzeitig eine Translationsbewegung mit der konstanten Geschwindigkeit "o == c in der Feldrichtung aus. Durch ungestorte Ubertagerung dieser Bewegungen entsteht die schraubenlinienformige Bahnkurve.
(3)
Ein elektrisches Feld besitze in einem bestimmten Punkt des Raumes den zeitabhdngigen Feldstdrkevektor Eo . sin (co t) ) E
= E(t) = ( Eo' ~:(wt)
= Eo (
sin (co t) ) cos ((j)t) 1
Die elektrische Feldstarkc i ist somit eine Vektorfunktion des Zeitparameters t. Der Betrag der elektrischen Feldstarke ist jedoch zu allen Zeiten der gleiche, d. h. eine konstante Grobe:
Ii I == Eo· J sin 2 ((j)t) + cos 2 ( co t) + 12 ,
"
==
J2 Eo •
1
1.2 Differentiation eines Vektors nach einem Parameter 1.2.1 Ableitung eines Vektors Auf einer ebenen Kurve mit der vektoriellen Darstellung r (t)
==
(x
(t)) betrachten wir y(t)
zwei benachbarte Punkte P und'Q (Bild 1-4). Ihre Ortsvektoren r(t) bzw. r(t unterscheiden sich durch den Differenzvektor (Sehnenvektor) A- == -( r t tir
A) + tit
-() r t == (X(t
y(t
+ At) + At)
- x (t).) - y(t)
+ At)
(1-8)
Wir dividieren diesen Vektor noch durch den Skalar l1t =1= 0 und erhalten den in der gleichen Richtung liegenden Vektor
Ar l1t
r(t
+ At) At
x(t
+ At)
y(t
+ l1t) -
- x(t)
At
r(t)
At
y(t)
(1-9)
5
1 Ebene und raumliche Kurven y
Bild 1-4 Zum Begriff des Tangentenvektors einer Kurve
x
Er geht beim Grenziibergang f1t lim I1r = f1t
L\t~O
lim r(t
~
'+ M) -
L\t~O
0 in den sog. Tangentenvektor r(t) =
f1t
(X(t)) y(t)
(1-10)
iiber, der die Richtung der Tangente im Kurvenpunkt P = (x(t); y(t)) festlegt (Bild 1-5).
y
Bild 1-5 Orts- und Tangentenvektor einer Kurve
x
Der Tangentenvektor entsteht somit aus dem Ortsvektor r(t) durch komponentenweise Differentiation nach dem Parameter t und wird daher auch als die 1. Ableitung des Vektors (t) bezeichnet. In Anlehnung an die Differentialrechnung fiir Funktionen schreibt man dafiir:
r
~ r(t)
dr
.
= dt = x(t)
_
.
_
ex + y(t) ey =
(x
(t )) y(t)
(I-11)
Analog liegen die Verhaltnisse bei einem 3-dimensionalen Ortsvektor (Raumkurve).
I Vektoranalysis
6
Anmerkungen
(1)
Der Tangentenvektor -; liegt in der Kurventangente (daher stammt auch die Bezeichnung) und zeigt in die Richtung, in die sich der Kurvenpunkt P mit wachsendem Parameterwert t bewegen wiirde.
(2)
Durch zweimalige komponentenweise Differentiation des Ortsvektors r(t) erhalt man die 2. Ableitung x(t) ;(t) == x(t)
ex + y(t) e + z(t) i. == ( y
y(t) ) z(t)
(1-14)
Analog lassen sich hohere Ableitungen bilden (Voraussetzung: Die Vektorkoordinaten x, y und z sind entsprechend oft differenzierbar). Alle Ableitungen des Ortsvektors sind wiederum Vektoren. (3)
Wir verwenden fur die 1. Ableitung im folgenden meist die Kurzschreibweise oder Entsprechendes gilt fur die hoheren Ableitungen.
(1-15)
1 Ebene und raumliche Kurven (4)
7
Die Ableitungsregel gilt ganz allgemein fur beliebige (differenzierbare) Vektorfunk-
::i:~ )nach dem Pa-
tionen. Die Differentiation einer Vektorfunktion a == a(t) = .( rameter t erfolgt somit komponentenweise: az(t)
(1-16)
Wir nennen daher eine Vektorfunktion difJerenzierbar, wenn ihre Vektorkoordinaten differenzierbare Funktionen eines Parameters t sind.
•
Beispiele
(1)
Der Tangentenvektor der eben en Kurve mit dem Ortsvektor
lautet wie folgt:
~r(t)=2te- x + 3 t 2 (2)
-
ey =
(
2t) 3t 2
Wir bestimmen den Tangentenvektor an die Raumkurve
c.
r(t)=(:·.:~::) e2 t
im Kurvenpunkt P mit dem Parameterwert t = O. Durch komponenteweise Differentiation nach dem Parameter t erhalten wir zunachst t(t) =
(
COS t
- t . sin t )
sint
+ t· cost 2. e2 t
1m Punkt P(t = 0) = (0;0; 1) besitzt die Raumkurve dann den folgenden Tangentenvektor:
8
I Vektoranalysis (3)
Wir differenzieren die Vektorfunktion COS(2 t ) ) a(t) ==
(
t
sin (2 t)
zweimal komponentenweise nach dem Parameter t und erhalten:
. a(t) ==
( - 2 . sin (2 t) ) 1 , 2 . cos(2 t)
.. a(t) ==
( - 4 . cos (2 t) ) 0
- 4· sin(2t)
•
Zum AbschluB wollen wir noch einige sehr niitzliche Ableitungsregeln fur Summen und Produkte von Vektorfunktionen angeben:
1 Ebene und raumliche Kurven
9
Anmerkung Summen- und Produktregel erinnern an die entsprechenden Ableitungsregeln fur Funktionen von einer unabhangigen Variablen.
•
Beispiel Die auf einen Korper der Masse m einwirkende Kraft Fist definiert als die zeitfiche Anderung des Impulses p = m v(v: Geschwindigkeitsvektor der Masse). 80mit gilt nach der Produktregel (1-20): - dp d ( _) . _ ~ . _ _ F=-=- m v =m v+m v=m v+m a dt dt
die Beschleunigung a des Korpers: t = a). Bei konstanter Masse ist und wir erhalten die aus der elementaren Mechanik bekannte Formel
(t ist
m= 0,
• 1.2.2 Geschwindigkeits- und Beschleunigungsvektor eines Massenpunktes In den naturwissenschaftlich-technischen Anwendungen wird die Bahnkurve eines Massenpunktes haufig durch einen zeitabhdngigen Ortsvektor ret) beschrieben. Den Geschwindigkeits- bzw. Beschleunigungsvektor der Bewegung erhalt man dann durch einbzw. zweimalige Differentiation von ret) nach dem Zeitparameter t.
10 •
I Vektoranalysis Beispiele
(1)
Schiefer Wurf
Beim schiefen Wurf erhalten wir aus dem zeitabhdngigen Ortsvektor (vo' cos a) t r(t) =
( (vo . sin a) t -
) (t ~ 0)
1
2g t 2
durch Differentiation zunachst den Geschwindigkeitsvektor --+
v(t)
= ~r(t) =
(vo.. cos a ) V o ' SIn
a - gt
und durch nochmalige Differentiation den Beschleunigungsvektor
· . (0)
a(t) = v(t) = r(t) =
~9
Bild 1-6 zeigt die Bahnkurve mit den Vektoren r(t), v(t) und a(t). y Bild 1-6
Wurfparabel
Wurfparabel beim schiefen Wurf mit Orts-, Geschwindigkeits- und Beschleunigungsvektor
x
(2)
Elektronen im Magnetfeld
Wir bestimmen den Geschwindigkeitsvektor v(t) und den Beschleunigungsvektor a(t) fiir die in Bild 1-3 skizzierte schraubenlinienfiirmige Bahnkurve eines Elektrons in einem Magnetfeld:
ex + R . sin(wt) e + ct e v(t) = ;(t) = - Rei sin(wt) ex + Rt» . cos(wt) e + c e a(t) = t(t) = ;(t) = - Rw cos(wt) ex - Rw sin(wt) e + 0 e r(t) = R· cos(wt)
y
z
y
2
.
2
.
z
y
z
Die z-Komponente von a verschwindet somit. Wegen F = m a gilt dies auch fur die z-Komponente der auf das Elektron einwirkenden Kraft F. Der Kraftvektor liegt damit in einer zur z-Achse senkrechten Ebene. Mit anderen Worten: Elektronen erfahren in einem homogenen Magnetfeld stets eine Kraft senkrecht zur Feldrichtung (sog. Lorenzkraft).
1 Ebene und raumliche Kurven (3)
11
Ein Masseteilchen bewegt sich auf einer Bahnkurve mit dem zeitabhdngigen Ortsvektor ~
(t
0)
Es handelt sich dabei urn den Einheitskreis der x, y- Ebene. Denn es gilt: x2 +
= cos' (t 2 ) +sin 2 (t 2 ) = 1
y2
Wir untersuchen nun die Geschwindigkeit und Beschleunigung des Teilchens. Die Bewegung solI dabei aus der Anfangslage A heraus im Gegenuhrzeigersinn erfolgen (Bild 1-7).
y ~
v
((t) A
= (1 ;0)
x(t)
x
Bild 1-7 Bewegung eines Massenpunktes auf dem Einheitskreis
2
2
v(t) = ;(t) = (- 2t . Sin(t ) ) = 2 (- t . Sin(t ) ) 2t·cos(t 2 ) tocos(t 2 )
Dabei wachst der Betrag der Geschwindigkeit linear mit der Zeit:
Ivl = 2 Jt 2 sin 2(t 2 ) + t 2 COS 2(t 2 ) = 0
0
=2 Jt 2 [sin2(t 2 ) 0
0
+ COS 2(t 2 ) ] = 1
2
Jti = 2t
I Vektoranalysis
12
Wir folgern daraus: Die Kreisbahn wird von Umlauf zu Umlauf immer schneller durchlaufen, d. h. die Umlaufdauer nimmt mit der Zeit immer starker abo Fur die Beschleunigung des Massenpunktes erhalten wir dem Betrage nach 1): I
+ (cos u - 2 u . sin u) 2] == == 4[sin 2u + 4u· sinu· cosu + 4u 2 . cos 2u +
a 1 2 == 4 [(- sin u - 2 u . cos u) 2
+ cos 2 U
-
4 u . sin u . cos u + 4 u2 . sin 2 u] ==
== 4[(sin 2u + cos 2u) + 4u 2(cOS 2 U + sin 2u)] == '-v-'
'-v-'
1
== 4(1 + 4u
2
)
1
== 4(1 + 4t
4
)
lal==2·J1+4t 4
•
Auch die Beschleunigung wdchst also mit der Zeit.
1.3 Bogenlange einer Kurve Mit der Berechnung der Bogenldnge seiner ebenen Kurve haben wir uns bereits in Band 1, Abschnitt V.10.4 beschaftigt, Liegt die Kurvengleichung in der expliziten Form y == f (x) vor, so gilt fur die Lange des Bogens vom Punkt ~ bis zum Punkt Ii die bekannte F ormel (Bild 1-8) b
(1-23)
s= fJ1+(y')2dX a
y
s
Bild 1-8
Zum Begriff der Bogenlange einer ebenen Kurve
a
1)
Bei der Zwischenrechnung setzen wir der besseren Ubersicht wegen t 2
b
=
u.
x
1 Ebene und raumliche Kurven
13
Wir nehmen jetzt an, daB sich die Kurve auch durch einen parameterabhiingigen Ortsvektor r(t) ==
(X(t))
(1-24)
y(t)
beschreiben laBt, wobei die Parameterwerte t 1 und t 2 den beidenRandpunkten Il und entsprechen (Bild 1-9). Zwischen der Tangentensteigung y' und den Ableitungen x und y der beiden Vektorkomponenten von r(t) besteht dann bekanntlich der folgende Zusammenhang: ~
, y
y ==
(1-25)
~
x
(vgL hierzu Band 1, Abschnitt IV.2.11). Mit Hilfe dieser Beziehung und unter Beachtung von dx == x dt laBt sich dann die Integralformel (1-23) fur die Bogenlange in die Parameterform uberfiihren.
y
s
Bild 1-9 Bogenlange einer durch einen Ortsvektor dargestellten ebenen Kurve
Zunachst einmal ist , 2
(y)2 == 1 + ~ y2 == x
2
1 + (y) == 1 + ~
X
X
+ y2 -2
X
(1-26)
und somit (1-27)
14
1 Vektoranalysis
Fur die Bogenlange s erhalten wir damit die folgende Formel: t2 S
=
t2
fJ x + P f1-;I 2
dt =
(1-28)
dt
Das Differential der Bogenlange s lautet daher ds =
Jx
2
+ Pdt = 1-;1 dt
=
I~~I dt =
Idrl
(1-29)
und heiBt Bogen- oder Linienelement oder auch Bogendifferential. Hieraus folgt sofort die wichtige Beziehung
ds = Idrl = dt dt
ItI
(1-30)
d. h. die Ableitung der Bogenlange s nach dem Parameter t ist gleich dem Betrag des Tangentenvektors t. Die Lange des Tangentenvektors ist somit ein MaB fur die ;fnderungsgeschwindigkeit der Bogenlange ' Bei einer Raumkurve erweitert sich die Integralformel (1-28) entsprechend. In diesem FaIle gilt: t2 S
=
fJ x + P + 2
t2
i 2 dt
=
f1-;I
dt
Wir fassen die Ergebnisse wie folgt zusarnmen:
(1-31)
1 Ebene und raumliche Kurven •
15
Beispiele
(1)
Durch den Ortsvektor
_) r(t == R (t - sin t) 1 - cos t
(O~t~2n)
wird der in Bild 1-10 dargestellte Bogen einer gewohnlichen Z ykloide (Rollkurve) beschrie ben. y
Bild 1-10 Bogenlange einer gewohnlichen Zykloide (Rollkurve)
2R
nR
2nR
x
Wir wollen nun die Lange s dieses Bogens berechnen. Dazu benotigen wir zunachst den Tangentenvektor r, d. h. die erste Ableitung des Ortsvektors
r:
~r == R
(1 - t).. cos sin t
Der Tangentenvektor; besitzt dann die folgende Lange (Betrag):
I;I == R . J (1 -
+ (sin t) 2 == R . J 1 -
cos t) 2
2 . cos t
+ cos 2 t + sin 2 t == "-v-"
1
== R . J2 - 2 . cos t == R . J2(1 - cos t) Unter Verwendung der trigonometrischen Formel
(t)
. 2 1 - cos t == 2 . SIn 2"
konnen wir dafiir auch schreiben:
I;I =
R .
J
2 . 2 . sin 2
G)
= 2 R . sin
G)
Damit erhalten wir die folgende Bogenlange: 2n
s=
f I;I
2n
dt = 2 R·
o
= - 4R [cos
f
sin
G) dt
=
2 R [ - 2 . cos
(DTon
0
G)Ton
= - 4R(cos n -
cos 0) = - 4R( - 1 - 1) = 8R
16
I Vektoranalysis (2)
In Beispiel (2) aus Abschnitt 1.1 haben wir die schraubenlinienformige Bahn von Elektronen in einem Magnetfeld durch den zeitabhdngigen Ortsvektor
ex + R· sin(wt) e + ct e
r(t) == R . cos(wt)
y
z
beschrieben (vgl. hierzu Bild 1-3). Wir berechnen nun den bei einem vollen Umlauf zuriickgelegten Weg s. Dazu benotigen wir zuerst einmal die Ableitung -; sowie den Betrag dieser Ableitung:
I-; I
t(t) == - Rw· sin(wt)
ex + Rw· cos(wt) e + c e
I J[- Ri» . sin(w t)]2
I;(t) ==
=
JR
2
w 2 [sin2(wt) "
z
y
+ [Rw . cos(wt)] 2+ c 2 ==
+ cos2(wt)], + c 2 =
JR
2
w
2
+ c2
Da die Elektronen das Magnetfeld mit der Winkelgeschwindigkeit co umkreisen, benotigen sie fur eine volle Drehung die Zeit T == 2 nlto. Somit ist T
2~
2~
s= fl-frldt= f JR 20)2+ C2dt=JR 20)2+ C2. f dt= o 0 0 1 2 2 2 2 1t 2n .JR w + c = J R20)2 + c 2 [t 0 0) (j)
J
der von ihnen bei einem Umlauf auf der Schraubenlinie zuriickgelegte Weg. _
1.4 Tangenten- und Hauptnormaleneinheitsvektor Jedem Punkt einer Bahnkurve, beschrieben durch einen Ortsvektor r(t), ordnen wir in eindeutiger Weise zwei Einheitsvektoren zu, die sich insbesondere bei der Untersuchung von Bewegungsablaufen als sehr niitzlich erweisen. Es sind dies der Tangenteneinheitsvektor T == T(t) und der dazu senkrechte Hauptnormaleneinheitsvektor N == N(t) (Bild 1-11).
Bild 1-11 Tangenten- und Hauptnormaleneinheitsvektor einer Kurve Kurve
1 Ebene und raumliche Kurven Den Tangenteneinheitsvektor
17
l' erhalt man
aus dem Tangentenvektor -; durch N ormie-
rung:
(1-34)
Er liegt in der Kurventangente des Punktes P und zeigt in die Richtung, in die sich dieser Punkt mit wachsendem t bewegen wiirde (tangentiale Richtung: Bild 1-12).
f Kurve
Bild1-12 Tangenteneinheitsvektor einer Kurve
f
Den Hauptnormaleneinheitsvektor N erhalten wir wie folgt: Wir differenzieren zunachst das Skalarprodukt 1'.1' == 1 mit Hilfe der Produktregel (1-18) des vorherigen Abschnitts nach dem Parameter t: d - d1' - (T· T) == - . T dt dt
- ri d + T· - == dt
dt
(1) == 0
(1-35)
Wegen der Kommutativitdt eines Skalarproduktes folgt dann weiter (1-36)
und somit schlieBlich
- «i
-
~
T·-==T·T==O dt
Dies aber bedeutet, daB der Vektor dT = dt T- steht (Bild 1-13).
(1-37)
f senkrecht auf dem Tangenteneinheitsvektor
Der normierte Vektor (1-38) heiBt Hauptnormaleneinheitsvektor und zeigt stets in Richtung der Kurvenkriimmung (Bild 1-14).
18
IVektoranalysis
f
Kurve
Kurve
Bild 1-13 Die Vektoren fund Tstehen senkrecht aufeinander
Bild 1-14 Tangenten- und Hauptnormaleneinheitsvektor einer Kurve
Wir fassen zusammen:
•
Beispiel
Wir bestimmen die Vektoren vektor
r(t)
-+
==
(RR .. cos t) .
SIn
t
==
T und N fur
R (cos . t) SIn
t
den Mittelpunktskreis mit dem Orts-
(O~t~2n)
(Kreis mit dem Radius R urn den Nullpunkt, Bild 1-15).
1 Ebene und raumliche Kurven
19
y
R
x Bild 1-15 Mittelpunktskreis mit dem Radius R, dargestellt durch einen parameterabhangigen Ortsvektor
Tangenteneinheitsvektor
~r =
T
R. ( - sint) cost
I;I = R . J(- sin t)
2
+ (cos t) 2 = R . J sin 2 t + cos 2 t = R ~
- -; --· 1 R (- sin t ) - ( - sin t ) T
-1;/- R
cost
H auptnormaleneinheitsvektor
-
cost
IV
T= (-- sm c~st) z ITI = J(- cos t) 2 + (-
sin t) 2 =
J cos
2
t
+ sin 2 t =
1
~
1
-
T
t)
1 (- cos -sint
N=lfl=i"
=-
t)
(cos sint
Der Hauptnormaleneinheitsvektor IV zeigt somit stets in Richtung des Kreismittelpunktes und ist antiparallel zum Ortsvektor r(t) (Bild 1-16).
I Vektoranalysis
20 y
R Bild 1-16
x
Tangenteneinheitsvektor T und Hauptnormaleneinheitsvektor N beim Mittelpunktskreis
• In den Anwendungen stellt der Kurvenparameter t meist die Zeit dar. Aber auch geometrische Parameter wie z. B. die Bogenliinge s der Kurve finden Verwendung. In diesem wichtigen Sonderfall ist der Ortsvektor der Kurve eine Vektorfunktion der Bogenldnge s, die von einem bestimmtenPunkt ~ aus gemessen wird: r = r(s) (Bild 1-17).
r
Bild 1-17
Zur natiirlichen Darstellung einer Kurve: Die Bogenlange s dient als Parameter des Ortsvektors r
r(s)
o Man spricht in diesem Zusammenhang auch von einem natialichen Parameter und nennt die Parameterdarstellung r(s) eine natiirliche Darstellung der Kurve. Der Tangentenvektor
d""r = ;(8) ist dann bereits
ds einheitsvektor
T:
dr T= - = r(s) ds -+
normiert und somit identisch mit dem Tangenten-
mit
I T I = !drl ds = ,-r(s) , = 1 -+
(1-41 )
1 Ebene und raumliche Kurven
21
1.5 Kriimmung einer Kurve Wir gehen in diesem Abschnitt zunachst von der sog. naturlichen Darstellung einer Kurve aus, d. h. wir verwenden die Bogenldnge s als Kurvenparameter. Dann ist r = r(s) -+
-+
dr
der Ortsvektor einer solchen Kurve und T = T(s) = - der zugehorige Tangenteneinds heitsvektor, der sich im allgemeinen von Kurvenpunkt zu Kurvenpunkt verandern wird (Bild 1-18).
Kurve
f
Bild 1-18 Der Tangenteneinheitsvektor f einer Kurve dndert im allgemeinen seine Richtung von Punkt zu Punkt
Eine Ausnahme bilden allerdings die Geraden, deren Tangenteneinheitsvektoren in jedem Punkt die gleiche Richtung besitzen (Bild 1-19). Wir konnen diese wichtige Eigenschaft einer Geraden auch durch die Gleichung
dT ~ ~ = T(s) = 0 ds
-
(1-42)
zum Ausdruck bringen.
Gerade
Bild 1-19 Eine Gerade besitzt einen konstant bleibenden Tangenteneinheitsvektor
f
dT ~ .. Bei einer beliebigen Raumkurve kennzeichnet der Vektor - = T(s) die Anderungsgeds schwindigkeit des Tangenteneinheitsvektors 1: Wenn wir also langs der Kurve in positiver Richtung urn das Bogenelement ds fortschreiten, so dndert sich der Vektor Tum dT = T(s) ds Bild 1-20 verdeutlicht diese Aussage.
(1-43)
22
I Vektoranalysis
{(8LS
ds
T(s)
T(s)
Kurve
Bild 1-20 Zur Anderungsgeschwindigkeit eines Tangenteneinheitsvektors T
Je grafter diese Anderung ist (beifestem ds), umso starker weicht die Kurve offensichtlich vom geradlinigen Verlauf ab und umso starker ist sie somit gekrianmt. Die Anderungsgeschwindigkeit des Tangenteneinheitsvektors T charakterisiert also in gewisser Weise die Krianmung der Kurve an der betreffenden Stelle. Daher ist die positive Grobe
=
K
I~~I = l1\s)1
(1-44)
ein geeignetes Maft fiir die Abweichung der Kurve vom geradlinigen Verlauf und wird folgerichtig als Kurvenkriimmung bezeichnet. Sie andert sich im allgemeinen von Punkt zu Punkt, d.h. die Kriimmung Kist eine Funktion der Bogenlange s: K == K(S). Ihr reziproker Wert Q-
1
1
(1-45)
- - -K -
IY(s) I dT
wird als Kriimmungsradius bezeichnet. Der Vektor - weist dabei in die Richtung des ds Hauptnormaleneinheitsvektors N, seine Lange ist die Kriimmung K (Bild 1-21)~ Somit gilt:
si ~ -. -==T(S)==K N ds
-.
T(s)
(K
~
(1-46)
0)
-.
= 7( N
Kurve
Bild 1-21 Zum Begriff der Kriimmung einer Kurve
23
1 Ebene und raumliche Kurven
r"'l -~
If'
a.
Anmerkungen (1)
Bei einer ebenen Kurve wird noch zwischen Rechts- und Linkskriimmung unterschieden (vgl. hierzu auch Band 1, Abschnitt IV.3.3.1 und IV.3.3.2). Die Kriimmungsart wird dabei wie folgt durch ein Vorzeichen gekennzeichnet: Rechtskriimmung:
K < 0, der Tangentenvektor gersinn (Bild 1-22, a))
Linkskriimmung:
K
f
dreht sich im Uhrzei-
> 0, der Tangenvektor T dreht sich im Gegenuhrzeigersinn (Bild 1-22, b))
Bei einer Raumkurve ist eine Unterscheidung zwischen Rechts- und Linkskrummung jedoch nicht moglich. Die Krummung ist hier stets positive (2)
Fur die Krummung einer ebenen Kurve gelten die folgenden Formeln: a) Kurve mit dem Ortsvektor r == r(t) K
xy - xy
== - - - - (x 2
(1-49)
+ Y2) 3/2
b) Kurve mit der expliziten Gleichung y == f(x) K
y" == - - - - [1
(I-50)
+ (y ') 2] 3/2
Herleitung dieser Formel: Siehe Ubungsautgabe 11) auf Seite 228
(3)
Wichtige Beispiele fur Kurven mit konstanter Krummung sind: Gerade:
K
== 0
Kreis:
K
== const. == 1/ r
(r: Kreisradius)
I Vektoranalysis
24 y
y
~
T
Kurve
x
•
x
a)
b)
Bild 1-22 Zur Krummung einer ebenen Kurve
a) Rech tskriimmung b) Linkskriimmung
Beispiele (1)
Die in Bild 1-23 dargestellte Mittelpunktsellipse mit den Halbachsen a und b liiBt sich durch den Ortsvektor -.r(t) == (a / . cos . t) b . SIn t
(0~t~2n)
darstellen (a, b > 0).
y b
a
x
Mit
x == -
a . sin t,
y == b . cos t,
x == -
a . cos t,
y == -
b . sin t
Bild 1-23 Mi ttelpunktsellipse, dargestellt durch einen parameterabhangigen Ortsvektor
1 Ebene und raumliche Kurven
25
erhalten wir dann nach Formel (1-49) die folgende Kriimmung.:
(- a . sin t) ( - b . sin t) - ( - a . cos t) (b . cos t) (a2. sin ' t + b 2 . cos ' t)3/2
K==------------------
a b . sin 2 t + a b . cos 2 t (a2. sin? t + b? . cos? t)3/2
+ cos '
ab(sin 2 t
t)
ab
Sonderfall: Fur a == b == r erhalten wir einen Mittelpunktskreis mit dem Radius r. Er besitzt die konstante Kriimmung
r2 r2 - . 2. 2. 2(sin 2 - (r sin ' t + r cos" t)3/2 - [r t + cos ' t)]3/2 -
K-
'-v-"
1
r2
r2
(r 2 ) 3/2
r3
Der Kriimmungsradius
r Q
ist daher mit dem Radius r des Kreises identisch:
1
Q==-==r K
(2)
Bild 1-24 zeigt eine Schraubenlinie mit dem Ortsvektor
r(t) == R . cos (w t) ex + R . sin (w t) e + c t e y
z
(Bahnkurve eines Elektrons im Magnetfeld, vgl. hierzu Beispiel (2) aus Abschnitt 1.1).
Richtung des Magnetfeldes
Bild 1-24 Schraubenlinie, dargestellt durch einen pararneterabhangigen Ortsvektor
1ft) y
x
I Vektoranalysis
26
Fur die Berechnung der Kurvenkriimmung benotigen wir die Ableitungen -; und
t.
; == - Rei sin(wt) ;==
ex
+ Rei cos(wt)ey + c
ez
-Rw 2'cos(wt) e x-Rw 2'sin(wt) e y
Hieraus lassen sich die in Formel (1-48) benotigten Grolien \; x ; wie folgt bestimmen:
\;1 == JR
2w 2
+ R 2w 2 . cos 2(wt) + c 2 ==
sin 2(wt)
•
I und I;I
== JR 2w 2 [sin2(wt) + cos 2(wt)] + c 2 == JR 2w2 + c 2 1
r:
- R t» . sin (w t)) Rw
-; x; = ,
(
= Rw
-Rw . Sin(wt)) ( - COS(wt)) Rw ·cCOS(wt) x - Si~(wt) =
2
== R w 2
2
( - R w • cos (w t) ) 2 x - Rw ~Sin(wt) =
(
) c . sin (co t) C . cos (w t) == 2 2 . sin ( co t) + R co . cos (w t) -
(
R t»
== Rw 2 (
)
~: :~~t})
_ 2
R to [sin (w t)
+ cos
2
==Rw 2
(
_
~ :~~:t;)) :
R oi
(w t)]
1
I; x;\ == Rw
2
Jc 2 . sin 2(wt)
.
+ c 2 . cos 2(wt) + R 2w2 ==
== Rw 2 . Jc 2 [sin2(wt) + cos 2(wt)] + R 2w 2 == 1
Nach Formel (1-48) erhalten wir damit die folgende Kurvenkriimmung:
. == I; x; / R ==
K
\ ; /3
(j)2 .
(JR
JR 2
w2
2
w2
+ c2
+ c2 ) 3
R w2 R2 w2
+ c2
== const.
Die Schraubenlinie besitzt somit in jedem Punkt die gleiche Krummung. Der konstante Krummungsradius betragt 1
(1---
K -
R 2 w 2 + c2 Rw 2
•
1 Ebene und raumliche Kurven
27
1.6 Ein Anwendnngsbeispiel: Zerlegnng von Geschwindigkeit und Beschleonigong in Tangential- und Normalkomponenten Ein Massenpunkt bewege sich auf einer (ebenen oder raumlichen) Bahnkurve mit dem zeitabhiingigen Ortsvektor r == r(t). Wir wollen jetzt den Geschwindigkeitsvektor == f sowie den Beschleunigungsvektor == fj == ~ in jeweils eine Tangential- und Normalkomponente zerlegen. Gesucht sind also Zerlegungen in der Form
v
a
und wobei
f
(I-51)
der Tangenteneinheitsvektor und
N
der Hauptnormaleneinheitsvektor ist.
Geschwindigkeitsvektor
Der Geschwindigkeitsvektor v == f liegt bekanntlich in Richtung der Kurventangente und laBt sich somit auch in der Form
Vx2 + y2 + z2
v= v T =
T
(I-52)
darstellen, wobei v =
~~
=
Vx2 + y2 + z2
(I-53)
der zeitabhangige Geschwindigkeitsbetrag und f der Tangenteneinheitsvektor ist. Die Geschwindigkeit v besitzt daher nur eine Tangentialkomponente v T == v, wahrend die Normalkomponente v N stets verschwindet: v N == 0 (Bild 1-25).
Bild 1-25 Der Geschwindigkeitsvektor besitzt nur eine Tangentialkomponente v T =
v V
Beschleunigungsvektor
Wir differenzieren den Geschwindigkeitsvektor v == v f nach der Zeit t und erhalten definitionsgemaf den Beschleunigungsvektor
a:
d -_ d v __ _d (v T-+ ) == -d v T dt dt dt
-+
+ v -ddtf ==
-+
iJT
f + vddt -
(I-54)
I Vektoranalysis
28
Ferner ist
dT (dT) ds - vds dt =(K N)V=KV N=Q N
(I-55)
di=
wobei wir von den Beziehungen
dT == K N,-
d;
ds == v
-
dt
und
1
(I-56)
K==Q
Gebrauch gemacht haben. Damit bekommt der Beschleunigungsvektor (I-54) die folgende Gestalt:
aaus Gleichung (I-57)
v2
Er besitzt somit die Tangentialkomponente aT == V und die N ormalkomponente aN == - , die auch als Zentripetalbeschleunigung bezeichnet wird (Bild 1-26). Q
Bild 1-26 Zerlegung des Beschleunigungsvektors a in eine Tangential- und Normalkomponente
Wir fassen diese Ergebnisse wie folgt zusammen:
29
1 Ebene und raumliche Kurven
•
Beispiele
(1)
Bei einer Kreisbewegung mit konstanter Geschwindigkeit v ist V == O. Die Tangentialbeschleunigung ist somit Null: aT == O. Die Normalkomponente (Zentripetalbeschleunigung) aN == v21r ist stets auf den Kreismittelpunkt gerichtet und andert Iaufend die Richtung der Geschwindigkeit, nicht jedoch den Geschwindigkeitsbetrag (r: Kreisradius; Bild 1-27). Es gilt somit unter Beriicksichtigung der Beziehung v == OJ r, wobei OJ die (konstante) Winkelgeschwindigkeit ist, mit der sich der Massenpunkt um den Kreismittelpunkt bewegt: --. _ v2 _ v2 v2 --. (OJ r)2 _ 2 _ a == aN N == - N == - - - == - - 2 r == - - 2- r == - OJ r r r r r r
r
y
x Bild 1-27 Kreisbewegung mit konstanter Winkelgeschwindigkeit OJ
30
I Vektoranalysis (2)
Die Bahnkurve eines Korpers laute wie folgt: (t
~
0)
Wir interessieren uns fur die Tangential- und N orrnalkornponenten von Geschwindigkeit und Beschleunigung
v
Geschwindigkeit
a.
v (es existiert bekanntlich nur eine Tangentialkomponente)
Somit besitzt der Geschwindigkeitsvektor
v die Tangentialkomponente
a
Beschleunigung
Wir berechnen zunachst alle benotigten Grolsen (v und K):
v== ~(J4t2 dt
+
2) = ~(4t2 + 2)1/2 = dt
1
4t
2
J4t 2 + 2
== - (4t 2 + 2)-1/2·8 t == - - - -
I; xii == J( - 2)2 + 02 + 22 == J8 == 2 J2 I;xil 2)2 K == - - == - - - 1;13
(4t 2
+ 2)3/2
Damit besitzt der Beschleunigungsvektor aT
==
.
v
==
adie Tangentialkomponente
4t J4t 2
+2
und die N ormalkornponente
•
2 FHichen im Raum
31
2 Flachen im Raum 2.1 Vektorielle Darstellung einer Flache Eine Flache im Raum Hifit sich durch einen Ortsvektorbeschreiben, der von zwei (reellen) Parametern u und v abhangt, d. h. die Vektorkoordinaten x, y und z sind Funktionen der beiden Variablen u und v: x(u; (1-60) r ==r(u; v) == x(u; v) + y(u; v) y + z(u; v) z == y(u; v) ( z(u; v) (Bild 1-28).
ex
e
y x
x
e
V))
BUd1-28
Vektordarstellung einer Flache im Raum
y
Die Flache wird dabei von einem Netz von Parameterkurven, auch Parameter- oder Koordinatenlinien genannt, durchzogen. Wir unterscheiden dabei die folgenden Linien (Bild 1-29):
u-Linien (u variabel; v == const.): r == r(u; v == const.)
(1-61 )
v-Linien (v variabel; u == const.) : r == r(u == const.; v)
(1-62)
Langs einer Parameterlinie ist also jeweils einer der beiden Parameter konstant. Die Parameterlinien haugen somit nur noch von einem Parameter abo
I Vektoranalysis
32
u = canst. =a1 u = canst. = a2 u = canst. = 83
v e const. =b 3 v = canst.
=b 2
Bild 1-29 Parameter- oder Koordinatenlinien einer FHiche
v = canst. = b,
Der in Bild 1-29 eingezeichnete Flachenpunkt P ist der Schnittpunkt der u-Linie v = const. = b2 mit der v-Linie u = const. = a2 und somit durch die Parameterwerte u = a 2 , v = b2 eindeutig festgelegt. Wir interessieren uns jetzt fur die Tangentenvektoren an die Parameterlinien (Bild 1-30). Da langs einer u-Linie der Parameter v konstant bleibt, hangt der Ortsvektor dieser Kurve nur vom Parameter u abo Dann ist nach den Ergebnissen aus Abschnitt 1.2 der Tangentenvektor an diese Kurve durch die 1. Ableitung des Ortsvektors = r(u; v = const.) nach dem Parameter u gegeben. Wir schreiben dafiir
r
- or
0
_
(1-63)
tu = ou = ou [r(u; v = const.)]
r
Es .handelt sich hier also urn eine partielle Ableitung 1. Ordnung, da formal von u und v, d. h. von zwei Variablen abhangt, Beim Differenzieren gilt dabei die bereits bekannte Regel, daB ein Vektor komponentenweise differenziert wird (hier also partiell nach der Variablen u). In ausfiihrlicher Schreibweise gilt also:
- or ox _ oy _ oz_
tu = OU = OU ex + OU ey
+ OU
Tv
(1-64)
ez
v-Linie
Bild 1-30 Tangentenvektoren an die Parameteroder Koordinatenlinien einer Flache u-Linie
2 FHichen im Raum
33
Analog erhalt man den Tangentenvektor an die v-Linie. Die beiden Tangentenvektoren lauten somit:
ar
--+
Tangentenvektor an die u-Linie :
t =-
Tangentenvektor an die v-Linie:
t
au
u
--+
v
ar
=~
av
Wir fassen die Ergebnisse wie folgt zusammen:
•
Beispiele
(1)
Die durch den Ortsvektor
erfaBten Punkte bilden die M antelfldche eines Rotationsparaboloids, das durch Drehung der Normalparabel urn die z-Achse entstanden ist (Bild 1..,31). Die Tangentenvektoren an die Parameterkurven lauten:
at=~= u au
(1) 0
2u
'
I Vektoranalysis
34
z
Bild 1-31 Mantelflache eines Rotationsparaboloids y
x
So gehort z. B. zu den Parameterwerten u == 1, v == 2 der Punkt P == (1; 2; 5) mit den Tangentenvektoren
~(1;2) (~)
und
=
(2)
~(1;2)=(~)
Bild 1-32 zeigt einen Zylinder vom Radius R == 1 und der Hohe H == 5. Die M antelfldche HiBt sich dann durch den Ortsvektor
COSU) r = r(u; v) =
(
(0 ~ u < 2n; 0
Si:u
~
v
~
5)
beschreiben. Ihre Parameterlinien sind (Bild 1-33): u-Linien (v == const.) :
Einheitskreise, deren Mittelpunkte auf der z-Achse liegen (0 ~ z ~ 5)
v-Linien (u == const.):
M antellinien des Zylinders
Die Tangentenvektoren an diese Parameterlinien lauten dann:
a- (- sinu ) t == ~ cosu a == u
u
0
'
~ ist dabei in jedem Flachenpunkt identisch mit dem kartesischen Einheitsvektor z •
e
35
2 FHichen im Raum z
z
u-Linie
x
x
Bild 1-32
Bild 1-33
Zur Vektordarstellung der Mantelflache eines Zylinders
Parameterlinien einer Zylindermantelflache
•
2.2 Flachenkurven Sind die Flachenparameter u und v Funktionen einer Variablen t, gilt also u
==
u(t)
und
(1-67)
v == v(t)
so beschreibt der letztlich nurvon t abhangige Ortsvektor
r == r(u(t); v(t)) == r(t) == (
x(u(t); V(t))) Y(u(t); v(t)) z(u(t); v(t))
(1-68)
eine sog. Fldchenkurve, d. h. eine auf der Flache r
==
r(u; v) verlaufende Kurve (Bild 1-34).
Bild 1-34
Flectie {(u;v)
Flachenkurve auf einer raumlichen Flache, dargestellt durch einen parameterabhangigen Ortsvektor
I Vektoranalysis
36
Der zum Parameter t gehorige Punkt P == P(t) der Flachenkurve besitzt dann den folgenden Tangentenvektor:
~r==-== dr (ar) du (ar) -+ -av dt au dt
dv -. -==t u+t- .v==u. t- +v. t dt U v U v
(1-69)
Die Ableitung wird hier wiederum komponentenweise tiber die Kettenregel gebildet, da die Vektorkoordinaten jeweils von u und v abhangen und diese wiederum Funktionen des Parameters t sind. Wir fassen zusammen:
•
Beispiel Elektronen, die schrdg in ein homognes Magnetfeld eintreten, bewegen sich auf der Mantelfldche eines Zylinders, beschrieben durch den Ortsvektor
r
=
r(u; v) =
(
R· COSU) R. u
:in
(Bild 1-35). Die Flachenparameter u und v sind dabei noch wie folgt von der Zeit t abhangig: u
== OJ t,
v
== ct
(OJ, c: Konstanten). Die von den Elektronen durchlaufene Bahnkurve ist eine Schraubenlinie (Bild 1-35).
2 FHichen im Raum
37
Richtung des Magnetfeldes
Bild 1-35 Schraubenlinienformige Bahn eines Elektrons in einem homogenen Magnetfeld, dargestellt durch einen parameterabhangigen Ortsvektor
f(t)
y
x
Wir bestimmen jetzt den Tangentenvektor dieser Kurve nach Formel (1-71):
SinU) - = -or_ = ( - RR··cosu ou '
t
u
u = OJ,
o
V
=
C
- R OJ . sin u ) =
(
RW · cosu
c
r:
( - R OJ . sin (OJ t) ) =
Rw
Dieses Ergebnis hatten wir bereits in Abschnitt 1.2.2 hergeleitet (Beispiel (2)). Der Tangentenvektor ; ist dabei nichts anderes als der Geschwindigkeitsvektor der eingeschossenen Elektronen, die sich auf der angegebenen Schraubenlinie bewe-
v
~~
.
2.3 Tangentialebene, Flachennormale, Flachenelement Flachennormale Die Tangentialebene in einem Flachenpunkt P = (x.,; Yo; zo) der Flache r = r(u; v) enthalt sdmtliche Tangenten, die man in P an die Flache anlegen kann. Sie wird dabei von den beiden Tangentenvektoren ~ und ~ aufgespannt, vorausgesetzt, daB diese nicht in einer Linie liegen, also die Bedingung ~ x ~ i= 0 crfiillcn (Bild 1-36) 2). 2)
Diese Bedingung bedeutet geometrisch, daB die beiden Tangentenvektoren ~ und ~ ein Parallelogramm aufspannen.
1 Vektoranalysis
38
Bild 1-36 Zum Begriff des Normaleneinheitsvektors einer FHiche (Flachennormale N) Flecne ((u;v)
Dann steht das Vektorprodukt ~ x ~ senkrechtauf der Tangentialebene des FHichenpunktes P. Durch N ormierung erhalten wir aus ~ x ~ den N ormaleneinheitsvektor der Flache, den wir kurz als Fldchennormale N bezeichnen wollen: (1-72) Es gehort also zu jedem Punkt der Flache genau eine Flachennormale. Tangentialebene
Wir wollen uns jetzt mit der Tangentialebene in einem festen Flachenpunkt P = (x o ; Yo; zo) naher auseinandersetzen und insbesondere deren Gleichung herleiten (Bild 1-37).
Tangentialebene in P
Bild 1-37 Tangentialebene einer Flache im Flachenpunkt P
o
2 Flachen im Raum
39
Ist Y der Ortsvektor eines beliebigen Punktes Q der Tangentialebene, so liegt der Vektor PQ == y - Yo in dieser Ebene und steht damit senkrecht zur Flachennormale No im Flachenpunkt P 3). Das Skalarprodukt dieser Vektoren verschwindet daher und fiihrt uns zu der gesuchten Gleichung der Tangentialebene. Diese HiBt sich somit in der Form
~
-+
No . (y - Yo) == 0
(1-73)
darstellen. Wir fassen zusammen:
Anmerkungen (1) Die Flachennormale ~ und r.. (2)
N ist
das normierte Vektorprodukt der Tangentenvektoren
Da die Vektoren ~ x ~ und durch die Gleichung
(~ x ~)o' (y - Yo) == 0
N parallel sind,
HiBt sich die Tangentialebene auch (1-76)
beschreiben (die Normierung des Vektorproduktes (~ x ~)o ist fur die Tangentialebene ohne Bedeutung).
3)
Urn Milrverstandnisse zu vermeiden, werden wir im folgenden aIle Grofien, die sich auf einen speziellen ( fest vorgegebenen) Punkt P = (x.,: Yo; zo) beziehen, durch den Index ,,0" kennzeichnen. So ist beispielsweise No die Flachennormale in demfesten Flachenpunkt P mit den Koordinatenwerten x o, Yo und zoo
40
•
I Vektoranalysis
Beispiel Durch den Ortsvektor
HiBt sich die Mantelfliiche eines Rotationsparaboloidsbeschreiben, die durch Drehung der Normalparabel um die z-Achse entstanden ist (Bild 1-38). Wie lautet die Gleichung der Tangentialebene im Flachenpunkt P mit den Parameterwerten u == 1, v == 1 ?
z
Bild 1-38 Mantelflache eines Rotationsparaboloids y
x
Losung: Zunachst bestimmen wir die beiden Tangentenvektoren des Flachenpunktes P == (1; 1; 2):
=>
~(1; 1) (~) =
Fur das Vektorprodukt der Tangentenvektoren erhalten wir damit:
~(1; ~(1; 1) x
1) = (
~) (~) = ( =~ ) x
2 FHichen im Raum
41
N ormierung fiihrt zur Fldchennormale im Punkt P:
Wir sind jetzt in der Lage, die Gleichung der Tangentialebene im Punkt P zu bestimmen:
r- ro =
(
~
No . (r - ro) = - 2)
(
- :
- 2x
.
~) ~ =~ )
) - (
= (
0 =>
~ =:).( ~ =~ ) (
=
0
(X-1) ~ ~ .;
. = - 2(x - 1) - 2(y - 1) + 1 (z - 2) = 0
+ 2 - 2y + 2 + z - 2 == 0
- 2x - 2y
+ z + 2 == 0
Die Tangentialebene im Punkt P HiBt sich somit durch die Gleichung
z==2x+2y-2
•
beschreiben.
Flachenelement Fur spatere Zwecke, z. B. fur die Berechnung von Oberfldchenintegraien, benotigen wir noch einen allgemeinen Ausdruck fur das Fldchenelement d A einer Flache r == r (u; v). Ein solches Flachenelement wird durch je zwei infinitesimal benachbarte u- und v-Parameterlinien begrenzt (Bild 1-39). Die Tangentenvektoren im Flachenpunkt P langs der u-Linie durch P und Q bzw. langs der v-Linie durch P und S lauten:
Tangentenvektor an die u-Linie in P:
Tangentenvektor an die v-Linie in P:
--+
ar
t ==u
au
42
I Vektoranalysis u +du
v = canst.
Bild 1-39 Flachenelement dA einer raumlichen Flache
u t-du
v+dv
Ftectienetement dA
v =canst. Bild 1-40 Das Flachenelement dA laBt sich durch ein Parallelogramm annahern
Die Lange des Bogens PQ auf der u-Linie durch P und Q wird dann angendhert durch die Lange des Vektors ~ du (Bild 1-40). Analog ist die Lange des Vektores ~ dv eine ~
Niiherung fur die Lange des Bogens PS auf der v-Linie durch P und S. Das Fldchenelement dA besitzt dann anndhernd den gleichen Inhalt wie das von den beiden Vektoren ~ du und ~ dv aufgespannte Parallelogramm. Somit ist dA ndherungsweise gleich dem Betrag des Vektorproduktes aus ~ du und ~ dv: dA == I(~ du) x (~ dv)1 == I~ x ~I du dv
(1-77)
2 Flachen im Raum
43
Wir fassen zusammen:
Anmerkung
Flachenelement dA und Flachennormale N verdndern sich im allgemeinen von Flachenpunkt zu Flachenpunkt, sind damit Funktionen der beiden Flachenparameter u und v.
2.4 Flachen vom Typ z
= f(x;y)
Aus Band 2, Abschnitt IV.1.2.3 ist uns bereits bekannt, daB eine Funktion vom Typ z == f (x; y) bildlich durch eine Fldche im Raum dargestellt werden kann (Bild 1-41). Ein beliebiger Punkt P auf dieser Flache besitzt dann die folgenden Koordinaten: P == (x; y; z == f (x; y)). Die Bildfldche der Funktion z == f (x; y) HiBt sich auch in vektorieller Form darstellen, wobei die kartesischen Koordinaten x und y als Fldchenparameter dienen:
r==r(x;y)==x e x+ y ey+f(x;y) e z==(
f
~
)
(1-79)
(x; y)
Damit erhalten wir die folgenden Tangentenvektoren an die Parameterlinien der Flache (x- Linien und y- Linien):
_(1)
- or
t ==-== x
ox
0
fx
(1-80)
'
I, und j, sind dabei die
partiellen Ableitungen 1. Ordnung von z == f(x; y).
44
I Vektoranalysis z
Flectie z = f(x;y)
y
/
y
/ /x
Bild 1-41 Flache vorn Typ z
x
=
f(x; y)
x Definitionsbereich D
Da eine Verwechslung mit Vektorkoordinaten an dieser Stelle nicht moglich ist, haben wir hier die Kurzschreibweise fiir partielle Ableitungen gewahlt, Das Vektorprodukt der beiden Tangentenvektoren lautet dann:
(1-81 )
(1-82) Durch Normierung erhalten wir daraus die Fldchennormale N:
--
- _ t x x ty N -
I i;
x
_
1
~ I - J!l' + !/ + 1
(-Ix) I. _
1
(1-83)
y
Wir bestimmen nun die Gleichung der Tangentialebene im Flachenpunkt P == (x o; Yo; zo) mit dem Ortsvektor E, nach Gleichung (1-75) bzw. (1-76):
(1-84)
2 FUichen im Raum
45
Die partiellen Ableitungen sind dabei im (fest vorgegebenen) Flachenpunkt P zu bilden, d.h. fur die Parameterwerte x == X o und y == Yo. Wir losen noch nach z auf und erhalten die bereits aus Band 2 bekannte Gleichung der Tangentialebene in der Form
z
==
fx(x o ; Yo) (x - x o) + fy(x o ; Yo) (y - Yo) + Zo
(1-85)
(Band 2, Abschnitt IV.2.3.1, Gleichung (IV-29)). Zum AbschluB geben wir noch das Fldchenelement dA an, ausgedruckt in den kartesischen Flachenparametern x und y. Es lautet: dA ==
I
r: x ~ I dx dy
==
J fx
2
+ I,2 + 1
dx d y
Wir fassen die Ergebnisse nun wie folgt zusammen:
(1-86)
46
•
I Vektoranalysis
Beispiel Die Flache
2 =
f (x; y) = x 2 • e X Y HiBt sich auch durch den Ortsvektor
mit den kartesischen Flachenparametern x und y beschreiben. Wir interessieren uns fur die Gleichung der Tangentialebene im Punkt P mit den Parameterwerten x = 1, y = O. Losung: Der Punkt P besitzt die Koordinaten X o = 1, Yo = 0 und 2 0 = f(x o; Yo) = f (1; 0) = 1. Wir bestimmen zunachst die benotigten Tangentenvektoren in diesem Punkt:
~ ~~ =
-.
ar ay
=
t = --= Y
(2X .e (
XY :
01 x3 .
e
x 2 y . e XY ) =
((2X +
X~
y) . e
y )
) XY
~(l;O) = (~} Das Vektorprodukt dieser Vektoren lautet dann:
(~x ~)o ~(l;O) x ~(l;O) (~) x ( : ) =
=
=
(=:)
3 Skalar- und Vektorfelder
47
Wir konnen jetzt die Tangentialebene im Punkt P = (1; 0; 1) nach Formel (1-91) bestimmen:
- 2(x - 1) - 1 (y - 0) + 1 (z - 1) = 0
+2- y+z- 1=0 - 2x - y + z + 1 = 0
- 2x
Die Gleichung der gesuchten Tangentialebene lautet damit: z
= 2x +
3 Skalar-
•
y- 1
ODd
Vektorfelder
3.1 Ein einfiihrendes Beispiel Die in Naturwissenschaft und Technik so grundlegenden Begriffe "Skalarfeld" und "Vektorfeld" sollen anhand eines einfachen physikalischen Beispiels eingefiihrt werden. Wir betrachten dazu das elektrische Feld in der Umgebung einer positiven Punktladung Q. In jedem Punkt P dieses Feldes erfahrt eine positive Probeladung q eine radial nach aujJen gerichtete Kraft F(P), deren Betrag mit zunehmendem Abstand r von der felderzeugenden Ladung Q abnimmt (Bild 1-42). Es gilt das von Coulomb stammende Kraftgesetz 1 Qq F=--·2
4 tt
(8 0:
80
r
r- = -1 _ .Qqr
4n
80
elektrischeFeldkonstante).
r2
-+
e
e = -rr ist dabei ein radial nach r
(1-93)
r
auBen gerichteter Ein-
heitsvektor. Er hat die gleiche Richtung wie der Ortsvektor r = r(p).
Die Kraftwirkung nach dem Coulombgesetz ist dabei von art zu art verschieden, hangt allerdings auch noch von der Probeladung q selbst ab, wobei gilt: (1-94) Wir verdeutlichen diesen Sachverhalt durch die Schreibweise F = F(P; q). Urn die Coulombkraft von der Probeladung q unabhdngig zu machen, wird die Kraftwirkung auf die Einheitsladung (q = 1) bezogen.
I Vektoranalysis
48
~
F(P)
p +q
r
+0
a)
Bild1-42 Kraftfeld in der Umgebung einer positiven Punktladung Q a) Kraftwirkung auf eine positive Probeladung q b) Die Kraftwirkung des elektrischen Feldes nimmt nach auBen hin ab (Coulomb-Gesetz; die Kraftvektoren sind der besseren Ubersicht wegen nicht maBstabsgetreu gezeichnet)
Wir erhalten dann den als elektrische Feldstdrke bezeichneten Vektor 1 Q_ E==--·-2 e
4n8 o r
(1-95)
r
der von der Probeladung vollkommen unabhdngig ist und somit nur noch yom betrachteten Ort abhangt (bei fest vorgegebener Ladung Q). ZU jedem Punkt P des elektrischen Feldes gehort somit genau ein Feldstarkevektor E(P). Er beschreibt die Kraftwirkung des Feldes auf eine Einheitsladung nach Richtung undGrofic in eindeutiger und vollstdndiger Weise. Man spricht daher in diesem Zusammenhang auch von einem elektrischen Kraftfeld oder etwas allgemeiner von einem Vektorfeld. Ein ebener Schnitt durch dieses Feld (die Schnittebene enthalt die felderzeugende Ladung Q) fiihrt uns zu dem in Bild 1-43 dargestellten ebenen Vektorfeld. Alle Feldstarkevektoren liegen in der Schnittebene und sind in der iiblichen Weise durch Pfeile gekennzeichnet. Das elektrische Feld in der Umgebung der positiven Punktladung Q kann aber auch durch eine skalare Grobe eindeutig und vollstdndig beschrieben werden. Als geeignet erweist sich dabei die physikalische Arbeit die man an einer positiven Probeladung q verrichten muB, urn diese aus dem "Unendlichen" in einen Punkt P des elektrischen Feldes zu bringen. Bei dieser Verschiebung muB die abstoBende Coulomb-Kraft iiberwunden werden. Es zeigt sich nun, daB die dabei aufzubringende Arbeit W vollig un-
u-:
3 Skalar- und Vektorfelder
49
-..
P
E(P)
Bild 1-43
+0
Ebener Schnitt durch das elektrische Feld einer positiven Punktladung Q (Schnitt durch die felderzeugende Ladung Q)
abhdngig von dem eingeschlagenen Verbindungsweg C ist und somit nur vom Endpunkt P des Weges abhangt, In Bild 1-44 wird diese Aussage verdeutlicht: Wenn wir die Probeladung q langs der eingezeichneten Wege C 1 , C 2 und C 3 aus dem "Un-, endlichen" in den gemeinsamen Endpunkt P verschieben, so miissen wir dabei jeweils die gleiche Arbeit verrichten. Allerdings ist diese Arbeit auch noch von der Probeladung q abhangig, wobei gilt:
(1-96) Wir bringen diese Abhangigkeit durch die Schreibweise W = W(P; q) zum Ausdruck.
Bild 1-44
Die Arbeit eines elektrischcn Feldes an einer Probeladung ist unabhdngig vom eingeschlagenen Verbindungsweg
Urn die Arbeit von der Probeladung q unabhdngig zu machen, verwenden wir wiederurn die Einheitsladung (q = 1) und erhalten auf diese Weise eine von q unabhdngige Arbeitsgrobe, die als elektrostatisches Potential U = U (P) bezeichnet wird. Zu jedem Punkt P des elektrischen Feldes gehort somit genau ein Potential U (P). Es beschreibt die physikalische Arbeit, die man aufbringen muB, wenn man die Einheitsladung aus dem "Unendlichen" in den Punkt P verschieben will. Da es sich urn eine skalare, von Ort zu Ort variierende Grobe handelt, spricht man in diesem Zusammenhang von einem Potentialfeld oder etwas allgemeiner von einem Skalarfeld.
I Vektoranalysis
50
3.2 Skalarfelder Im einfiihrcnden Beispiel haben wir erstmals den Begriff eines skalaren Feldes kennengelernt. Jedem Punkt P des elektrischen Feldes konnten wir namlich in eindeutiger Weise ein Potential U (P), also eine skalare GroBe, zuordnen. Dies fuhrt uns zu der folgenden Begriffsbildung:
Anmerkungen.
(1)
Skalare Felder verandern sich haufig mit der Zeit, d. h. die skalare Grobe ¢ ist oft noch zeitabhdngig. Ein Beispiel dafiir liefert die Temperaturverteilung in einem Raum. Wir beschaftigen uns in diesem Kapitel jedoch ausschlieBlich mit stationdren, d. h. zeitunabhdngigen Skalarfeldern.
(2)
Eine Flache im Raum, auf der das skalare Feld einen konstanten Wert annimmt, heiBt Niveaufldche. Die Niveauflachcn eines Skalarfeldes cjJ(x; y; z) werden daher durch die Gleichungen cjJ(x; y; z) :=: const. beschrieben. In den technischen Anwendungen wird eine solche Niveauflache meist als ;fquipotentialflache bezeichnet. Bei einem ebenen Feld wird durch die Gleichung cjJ(x; y) :=: const. eine sog. Niveaulinie definiert. Auf ihr besitzt das skalare Feld einen konstanten Wert.
•
Beispiele (1)
Wir nennen einige Beispiele fur skalare Felder: Dichteverteilung im Innern der Erdkugel Temperaturverteilung in einem Raum Elektrostatisches Potential in der Umgebung einer geladenen Kugel
(2)
Beispiele fur N iveaufldchen liefern die ;fquipotentialfliichen elektrisch geladener Korper: Aquipotentialflachen einer Punktladung: Konzentrische Kugelschalen (Bild 1-45) Aquipotentialflachen eines geladenen Plattenkondensators: Ebenen parallel zu den Plattenflachen (Bild 1-46) Aquipotentialflachen eines geladenen Zylinders: Koaxiale Zylindermantel (Bild 1-47)
3 Skalar- und Vektorfelder
51 Kondensatorplatten
Aquipotentialflache (Kugelschale)
1 1/
~
/ .1/
/ Aquipotentialflache (Ebene)
Bild 1-46 Aquipotentialflachen eines geladenen Plattenkondensators
Bild 1-45 Aquipotentialflachen einer Punktladung (ebener Schnitt durch die Punktladung)
1-- Zylinderachse
-, I
.--+--
--
-,
-
~
/
----:.
geladener Zylinder
- ",-
/ ,..---
.......
_I
"" <,
\
Aouipotentietttecne (Zylindermantel)
Bild 1-47 Aq uipotentialflachen eines geladenen Zylinders
-
•
3.3 Vektorfelder Das Kraftfeld in der Umgebung einer Punktladung fuhrte uns zu dem Begriff eines "Vektorfeldes". Jedem Punkt P des elektrischen Feldes konnten wir in eindeutiger Weise eine vektorielle Grobe, namlich die elektrische Feldstarke E(P), zuordnen.
I Vektoranalysis
52
Wir definieren daher:
y
1I Bild 1-48 Ebenes Vektorfeld
x
x
Anmerkungen (1) Haufig verdndern sich Vektorfelder im Laufe der Zeit. Beispiele hierfiir sind die Geschwindigkeitsfelder strornender Fliissigkeiten und die zeitabhdngigen magnetischen oder elektrischen Felder. Wir beschrankcn uns wiederum (wie bereits bei den skalaren .Feldern) auf die stationdren, d. h. zeitunabhdngigen Vektorfelder.
(2)
Ein Vektorfeld laBt sich durch Feldlinien sehr anschaulich darstellen. Die Feldlinien sind dabei Kurven, die in jedem Punkt P durch den dortigen Feldvektor F(P) tangiert werden (Bild 1-49). Durch jeden Punkt des Vektorfeldes geht genau eine Feldlinie, und Feldlinien schneiden sich nie.
53
3 Skalar- und Vektorfelder
Bild 1-49
Bild I-50
Bildliche Darstellung eines Vektorfeldes durch Feldlinien
Der Feldvektor PcP) verlauft parallel zum Tangentenvektor -; derFeldlinie
Die Feldlinien lassen sich aus der Bedingung
f
x ; == -0
oder
f
x dr == -0
(I-101)
bestimmen, da der Feldvektor f stets parallel zum Tangentenvektor; der Feldlinie verlauft (das differentielle Wegelement dr liegt ebenfalls in der Kurventangente; Bild I-50).
•
Beispiele
(1)
Die Feldlinien des ebenen Vektorfeldes
~ (x; y) == x ex + y ey == r
(/r I ~ R)
sind radial nach aujJen gerichtet (Bild I-51).
y
x Bild I-51
Ebenes Vektorfeld mit Radialsymmetrie (nach auBen)
I Vektoranalysis
54
Die Feldlinien des ebenen Vektorfeldes F;(x; y)
=- x
e
x -
y
e=y
(1,1
,
~ R)
sind dagegen radial nach innen gerichtet (Bild I-52).
y
x Bild I-52 Ebenes Vektorfeld mit Radialsymmetrie (nach innen)
(2)
Das Magnetfeld in der Umgebung eines stromdurchflossenen linearen Leiters HiBt sich durch den magnetischen Feldstdrkevektor -+
H =
I --2 ( -
2nr
-+
-+
y ex + x ey
+0
-+
ez ) =
I --2
2nr
(
-y) X
o
beschreiben. Dabei ist r der senkrechte Abstand von der Leiterachse (zAchse) und I die Stromstarke. Wir betrachten jetzt das Magnetfeld in einer zur Leiterachse senkrechten Ebene (x, y- Ebene) und wollen zeigen, daB die ringfiirmig verlaufenden Feldlinien konzentrische Kreise darstellen. Die Feldlinien miissen die Bedingung (1-101), d.h. hier
if x
d, =-0
erfiillen. Aus ihr folgt I I - xy ) x ( dx - -2 dy ) = - -2 ( ( 211: r 0 0 211: r
und somit
- ydy - xdx = 0
0 0 _
y dy _ x dx
)
= ( 00 ) 0
3 Skalar- und Vektorfelder
55
Diese Differentialgleichung I, Ordnung losen wir durch .Trennung der Variabien" (Band 2, Abschnitt V.2.2): - y dy = x dx
f
ydy = -
1
2
1
f
x dx
2
-y =--x +C
2
y dy = - x dx
oder
2
oder
Wir erhalten fur C > 0 konzentrische Kreise urn den Nullpunkt der x, yEbene mit den Radien j2C. Bild I-53 zeigtden Verlauf der kreisfiirmigen magnetischen Feldlinien in der x, y-Ebene.
stromdurchflossener Iinearer Leiter (Querschnitt)
Bild I-53 Kreisformige magnetische Feldlinien in der Umgebung eines stromdurchflossenen linearen Leiters (Leiterachse senkrecht zur Bildebene)
x
magnetische Feldlinie
-
3.4 Spezielle Vektorfelder aus Physik und Technik 3.4.1 Homogenes Vektorfeld Ein homogenes Vektorfeld liegt vor, wenn der Feldvektor die gleiche Richtung und den gleichen Betrag hat: -
---+
F = const.
F in jedem Punkt des Feldes (1-102)
56
•
I Vektoranalysis
Beispiel Wir betrachten das elektrische Feld in einem geladenen Plattenkondensator. Der elektrische Feldstdrkevektor E besitzt in jedem Punkt des Kondensatorfeldes die gleiche Richtung und den gleichen Betrag. Fur das in Bild I-54 skizzierte homogene Feld gilt dann:
E(P) =
ex + Eo e + 0 e =
0
z
y
(
~o
(Eo == const.)
)
z
Bild I-54 Homogenes elektrisches Feld in einem geladenen Plattenkondensator (eingezeichnet sind die Feldstarkevektoren) y
• x
3.4.2 Kugelsymmetrisches Vektorfeld (Zentralfeld) Ein Vektorfeld trisch:
f
(P) mit den folgenden Eigenschaften heiBt kugel- oder radialsymme-
1. Der Feldvektor zeigt in jedem Punkt des Feldes radial nach aujJen (oder radial nach innen); 2. Der Betrag des Feldvektors hangt nur vom Abstand r vom Koordinatenursprung abo Bild I-55 zeigt ein typisches Radialfeld mit nach aujJen gerichteten Feldlinien (Feldlinienbild einer positiven Punktladung in einer Schnittebene durch die felderzeugende Ladung Q). Daher ist ein kugelsymmetrisches Vektorfeld stets in der Form -+
-+
r f
(r)
r
r
-+
F(P)==f(r) er==f(r)-==- r
e
darstellbar, wobei r ==
r r
ein radial nach aujJen gerichteter Einheitsvektor ist.
(1-103)
3 Skalar- und Vektorfelder
57
Bild I-55
Radialsymmetrisches elektrisches Feld einer positiven Punktladung Q (ebener Schnitt durch die Punktladung)
Der Betrag des Feldvektors entspricht dabei dem Betrag der radialsymmetrischen Funktion f(r):
IF(P) I == F (r) == If (r) I
(1-104)
Radial- oder kugelsymmetrische Vektorfelder spielen in Naturwissenschaft und Technik eine iiberragende Rolle und werden auch als Zentralfelder bezeichnet (Beispiele: Elektrisches Feld einer Punktladung, Gravitationsfeld einer Masse). •
Beispiel
Ein sehr anschauliches Beispiel fur ein radial- oder kugelsymmetrisches Vektorfeld liefert das Gravitationsfeld der Erde. Nach dem Gravitationsgesetz von Newton wird eine Masse m im Abstand r vom Erdmittelpunkt von der Erdmasse M mit der Kraft -+
F (P)
mM
== - y -
r2
r
mM mM-+ er == - y - == - y - 3 r
-+
r?
r
r
(r > 0)
angezogen (y: Gravitationskonstante). Die Gravitationskraft F(P) ist dabei stets radial auf den Erdmittelpunkt zu gerichtet und betragsmabig nur vom Abstand r der Masse abhangig, Das Gravitationsfeld der Erde ist somit radialsymmetrisch. Bild 1-56 zeigt einen ebenen Schnitt durch dieses Feld.
Bild I-56
Radialsymmetrisches Gravitationsfeld der Erde (ebener Schnitt durch den Erdmittelpunkt)
•
I Vektoranalysis
58
3.4.3 Zylindersymmetrisches Vektorfeld Ein Vektorfeld
F(P)
mit den folgenden Eigenschaften heilit zylinder- oder axialsym-
metrisch:
1. Der Feldvektor zeigt injedem Punkt des Feldes axial nach aufien (oder axial nach innen);
2. Der Betrag des Feldvektors hangt nur vom Abstand g von der Symmetrieachse (z-Achse) ab 4). Der typische Verlauf eines zylindersymmetrischen Vektorfeldes ist in Bild I-57 in einem ebenen Schnitt senkrecht zur Symmetrieachse (Zylinderachse, z-Achse) dargestellt.
F(P)
Bild I-57 Zylindersymmetrisches Vektorfeld (ebener Schnitt senkrecht zur Zylinderachse)
Ein zylinder- oder axialsymmetrisches Vektorfeld la13t sich stets in der Form
F(P) == f
(g)
e(!
darstellen. Dabei ist
(1-105)
e(! ein
axial nach aufien gerichteter Einheitsvektor und
IF(P) I == F (g) == I f (g)I
(1-106)
der Betrag des Feldvektors F(P). •
Beispiel
Das elektrische Feld in der Umgebung eines homogen geladenen Zylinders besitzt Z ylindersymmetrie (Bild I-58). Fur den Vektor der elektrischen Feldstdrke gilt dabei: (Q ~ R)
Ladungsdichte des Zylinders; R: Zylinderradius; eo: elektrische Feldkonstante).
(Qel:
4)
Bei Zylindersymmetrie wird der Abstand von der Aehse mit Q und nieht mit r bezeiehnet. Eine einleuehtende Begrundung erfolgt in Absehnitt 6.2.
3 Skalar- und Vektorfelder
59
Die Grobe, d. h. der Betrag der Feldstarke hangt nur vom Abstand Q von der Zylinderachse ab, der Feldvektor selbst ist senkrecht vom Zylindermantel nach aufJen gerichtet (Bild I-58).
z
-+
E
geladener Zylinder
a) Zylindersymmetrisches Feld
Zylinderquerschnitt
b) Ebener Schnitt durch das Feld (senkrecht zur Zylinderachse)
Bild I-58
Elektrisches Feld in der Umgebung eines homogen geladenen Zylinders (positive Ladungsdichte)
•
60
I Vektoranalysis
3.4.4 Zusammenstellung der behandelten Vektorfelder Wegen der groBen Bedeutung in den Anwendungen fassen wir die Eigenschaften der besprochenen Vektorfelder wie folgt zusammen:
4 Gradient eines Skalarfeldes
61
4 Gradient eines Skalarfeldes 4.1 Definition und Eigenschaften des Gradienten Die partiellen Ableitungen 1. Ordnung einer differenzierbaren skalaren Funktion
Anmerkung Bei einem ebenen Skalarfeld
(1-111 )
Der Gradient eines ebenen Skalarfeldes ist somit ein ebener Vektor. Wir wollen uns jetzt mit den Eigenschaften des Gradienten naher befassen, beschranken uns jedoch dabei zunachst auf ein ebenes Skalarfeld
a
ax dx + -ay dy
d
(1-112)
I Vektoranalysis
62 grad
(/>
Niveaulinie (/>
=canst. =c Bild I-59
Der Gradient eines skalaren Feldes im Punkt P steht senkrecht auf der Niveaulinie durch P
Es UiBt sich auch als Skalarprodukt der Vektoren grad ¢ und dr darstellen:
o¢
o¢ dx + -o¢ dy = ax ax oy o¢
d¢ = -
. (::) =
grad ¢ . dr
(1-113)
oy Auf einer Niveaulinie ist aber wegen ¢ = const. = c stets d¢ = 0 und somit grad ¢. dr
~
0
(1-114)
Das skalare Produkt aus dem Gradienten von ¢ und dem in der Tangentenrichtung liegenden Vektor dr verschwindet somit. Dies aber ist nur moglich, wenn die beiden Vektoren senkrecht aufeinander stehen. Der Gradient eines Skalarfeldes verlauft somit stets senkrecht zu den N iveaulinien des Feldes. Eine weitere wichtige Eigenschaft lautet: Der Gradient zeigt immer in die Richtung des groflten Zuwachses von ¢(x;- y). Der Betrag des Gradienten ist somit ein Mafl fur die ;fnderung des Skalarfeldes senkrecht zu den Niveaulinien. Entsprechende Aussagen gelten auch fur ein rdumliches Skalarfeldo = ¢(x; y; z). Der Gradient von ¢ steht jetzt senkrecht auf den Niveaufliichen des Feldes und zeigt wiederum in die Richtung des groj3ten Zuwachses von ¢. Mit Hilfe des sog. "Nabla-Operators"
a ax a oy a oz
-
v=
-
(1-115)
UiBt sich der Gradient von ¢ formal auch in der Form grad ¢ = v¢
(1-116)
4 Gradient eines Skalarfeldes
63
darstellen (Multiplikation des" Vektors" Vmit dem Skalar ¢). Der "Nabla-Operator" ist ein vektorieller Differential-Operator, dessen Komponenten die partiellen Ableitungs-
a a d a .d ax -ay un -az SIn.
operatoren - ,
Wir fassen nun die wichtigsten Eigenschaften des Gradienten wie folgt zusammen:
Anmerkung
Bei einem ebenen Skalarfeld ¢(x; y) steht der Gradient von ¢ senkrecht auf den Niveaulinien des skalaren Feldes (Bild I-59). •
Beispiele
(1)
Wir bestimmen die Niveaulinien und den Gradient des ebenen Skalarfeldes ¢(x; y) = x 2 + y2. Niveaulinien ¢
= const. = c:
Wir erhalten konzentrische Kreise urn den Koordinatenursprung mit den Radien r = ~ (Bild 1-60): x2
+ y2 =
y Niveaulinie
const. = c x
(fur c > 0).
BUd 1-60
64
I Vektoranalysis
Gradient von ¢: grad ¢ = 2 x
ex + 2 ye = 2 (;) y
=2
Der Gradient ist radial nach aufJen gerichtet und steht auf den Niveaulinien (konzentrischen Kreisen) senkrecht (Bild 1-61).
r y grad 4>=2r
p
x
Bild 1-61
(2)
Niveaulinie (Kreis)
Wir berechnen den Gradient des == x 2 Z2 + xy2 im Punkt P == (1; 1; 2):
grad ¢
==
2 X Z2 + y2 ) 2x y ( 2x 2z
~
raumlichen
(grad ¢)o
==
Skalarfeldes
( 9) 2 4
Wir schlieBen mit einigen wichtigen Rechenregeln fur Gradienten:
¢(x; y; z)
•
4 Gradient eines Skalarfeldes
65
4.2 Richtungsableitung Haufig interessiert man sich fur die ;fnderung des Funktionswertes einer skalaren Funktion ¢, wenn man von einem Punkt P aus in einer bestimmten Richtung fortschreitet. Wir wollen uns bei den nachfolgenden Uberlegungen zunachst auf ein ebenes Skalarfeld ¢ == ¢ (x; y) beschranken, Die Fortschreitungsrichtung wird meist durch einen sog. Richtungsvektor festgelegt.
a
Durek N ormierung erhalten wir daraus den Einheitsvektor
e = I~ I a, a
der die gleiehe
Richtung besitzt wie der Richtungsvektor a. Die Komponente des Gradienten von ¢ in Richtung dieses Einheitsvektors wird dann als Richtungsableitung des Skalarfeldes ¢ in Riehtung des Vektors tionsgemaf gilt daher: o¢
a bezeiehnet und dureh das
_
oa = (grad ¢). e
a
1
=
Symbol
o~ gekennzeiehnet. Definiaa
_
lal (grad ¢). a
(I -123)
Die Richtungsableitung ist also die Projektion des Gradienten von ¢ auf den normierten Richtungsvektor a und somit eine skalare Grobe (Bild 1-62). Sie gibt die ;fnderung des Funktionswertes von ¢ an, wenn man von einem Punkt P aus in Richtung des Vektors urn eine Langeneinheit fortschreitet.
e
a
grad lP
Bild 1-62 Zum Begriff der Richtungsableitung eines skalaren Feldes Niveaulinie lP= const.
Tangente in P
Die Richtungsableitung ist somit (bei fest vorgegebenem Raumpunkt P) noch von Richtung zu Richtung verschieden und erreicht offensichtlich ihren M aximalwert, wenn der Richtungsvektor a und damit auch der zugeordnete normierte Richtungsvektor ea in die Richtung des Gradienten von ¢ zeigen.
I Vektoranalysis
66 Denn definitionsgemaf gilt ja
oc/J
---=; =
oa
_ 1_ I (grad c/J) . ea = Igrad c/J I· ea· cos qJ = Igrad c/J I . cos tp ~
(1-124)
1 und dieses Produkt ist genau dann am groj3ten, wenn cos tp = 1 und somit qJ = 0 ist (vgl. hierzu Bild 1-62). Dann aber zeigen Gradient und Richtungsvektor in die gleiche Richtung. Der Begriff der .Richtungsableitung" laBt sich ohne Schwierigkeiten auch auf rdumliche Skalarfelder iibertragen.
Anmerkung Die Richtungsableitung ist das skalare Produkt aus dem Gradienten des Skalarfeldes c/J und dem normierten Richtungsvektor. Sie verschwindet, wenn man sich langs einer Niveaulinie (bei einem ebenen Feld) bzw. auf einer Niveaufldche (bei einem rdumlichen Feld) bewegt.
•
Beispiel Wir berechnen jetzt die Richtungsableitung des skalaren Feldes c/J (x; y; z)
= x 2 y2 Z2 + 2xz 3 im Punkt P = (-1; 1; 1) in Richtung des Vektor li = ( Zunachst normieren wir den Richtungsvektor
Ilil=J2
2 + ( - 1 f + 22 = 3
=>
a:
ea=I~1 li=~(-~)
~)
4 Gradient eines Skalarfeldes
67
Als nachstes berechnen wir den Gradient von ¢ im Punkt P:
Damit besitzt die Richtungsableitung
~~
im Punkt P den folgenden Wert:
• 4.3 Flachen vom Typ F(x; y; z)
=0
In den Abschnitten 2.3 und 2.4 haben wir uns bereits mit den Eigenschaften von Flachen beschaftigt, die entweder in der vektoriellen Form r == r(u; v) oder aber in Form einer Funktionsgleichung vom expliziten Typ z == f (x; y) gegeben waren. Jetzt beschaftigen wir uns mit Flachen vom impliziten Funktionstyp F(x; y; z) == o. Eine solche Flache F(x; y; z) == 0 liiBt sich dann auffassen als eine spezielle Niveaufldche des skalaren Feldes ¢ == ¢(x; y; z) == F(x; y; z), dessen Niveauflachen ja bekanntlich durch die Gleichung ¢ (x; y; z) == F(x; y; z) == const. == c
(1-126)
definiert sind. Fur den speziellen Wert c == 0 erhalten wir gerade die vorgegebene Flache F(x; y; z) == o. Da der Gradient des skalaren Feldes ¢ == F(x; y; z) stets senkrecht auf den N iveaufldchen steht, verlauft er auch senkrecht zu unserer Flache und ist somit ein Normalenvektor dieser Flache, Die in einem Flachenpunkt P == (x o; Yo; zo) mit dem Ortsvektor o errichtete Tangentialebene liiBt sich dann in der Form
r
(1-127)
darstellen, wobei ebene ist.
r der Ortsvektor eines beliebigen Punktes Q == (x; y; z)der Tangential-
1 Vektoranalysis
68
Anmerkung Eine Flache vom expliziten Typ z = f (x; y) kann als eine spezielle Niveauflache des skalaren F eldes ¢ = ¢(x; y; z) = z - f(x; y)
aufgefaBt werden. Dann ist grad ¢ = Vektor (Normalenvektor) und
(1-129)
(
-fx) I, -
ein auf der Flache senkrecht stehender
1
(1-130)
die zum Flachenpunkt P gehorige Tangentialebene. Zu diesem Ergebnis sind wir bereits in Abschnitt 2.4 gelangt. •
Beispiel
Die Kugeloberfldche x 2 + y2 + Z2 = 49 ist eine spezielle Niveauflache des Skalarfeldes ¢(x; y; z) = x 2 + y2 + Z2. Wir bestimmen die Gleichung der Tangentialebene im Flachenpunkt P = (2; 3; 6). Zunachst berechnen wir den Gradient von ¢ im Punkt P:
69
4 Gradient eines Skalarfeldes Damit erhalten wir die folgende Tangentialebene:
(grad ¢)o . (r - ro) = 2 (
~ ) . ( ~ =~ )
=
0
2[2(x - 2) + 3(y - 3) + 6(z - 6)] == 0 2(x - 2) + 3(y - 3) + 6(z -6) == 0
2x - 4 + 3y - 9 + 6z - 36 == 0
•
2 x + 3 y + 6 z == 49
4.4 Ein Anwendungsbeispiel: Elektrisches Feld einer Punktladung Wir betrachten das elektrische Feld in der Umgebung einer positiven Punktladung Q (Bild 1-63). Die elektrischen Feldlinien verlaufen dabei radial nach aujJen. In jedem Punkt P des Feldes herrscht ein bestimmtes elektrostatisches Potential U (P) und eine bestimmte elektrische Feldstdrke E(P). Das Potential hangt dabei wegen der Radial- oder Kugelsymmetrie nur vom Abstand r des Punktes P vom Koordinatenursprung ab 5):
Q
U(P) == U(r) = = - -
4ne or
(r > 0)
(1-131)
(eo: elektrische Feldkonstante). Die Niveaufldchen, hier ;fquipotentialjlachen genannt, sind konzentrische Kugelschalen (Bild 1-63).
FeIdlinie
.4quipotentialflache
Bild 1-63
Niveauflachen (Aquipotentialflachen) des elektrischen Feldes einer positiven PunktladungQ (ebener Schnitt durch die Punktladung)
5)
Die felderzeugende Punktladung Q befindet sich im Koordinatenursprung.
I Vektoranalysis
70
Zwischen dem Feldstarkevektor dabei die folgende Beziehung:
£ == -
£ (P) == £ (r)
und dem Potential U (P) == U (r) besteht
(1-132)
grad U
d. h. die Feldstarke ist - vom Vorzeichen abgesehen - der Gradient des Potentials. Mit ihrer Berechnung wollen wir uns jetzt beschaftigen. Dazu benotigen wir die partiellen Ableitungen 1. Ordnung der Potentialfunktion U, die sich unter Berucksichtigung von
r == Jx 2
+ y2 + Z2 == (x 2 + y2 + Z2)1/2
(1-133)
auch in der Form
(1-134) durch kartesische Koordinaten darstellen laBt. Wir differenzieren diese Funktion mit Hilfe der Kettenregel zunachst partiell nach der Variablen x:
Q x == _~.~ 3 = - 4nso . (x 2 + y2 + Z2)~ 4nso r
(1-135)
Entsprechende Ausdriicke erhalten wir fur die partiellen Ableitungen 1. Ordnung nach y bzw. z:
au ay == -
au fu == -
Q y 4 n C;o • r 3 '
Fur den Feldstdrkevektor
-
£ folgt
Q
z
(1-136)
4 n C;o • r 3
damit:
(au _e + -au _e + -au _) ax x ay Y az ez ==
E == - grad U == - .. -
z_)
Q y _ Q Q x _ == - . _ - - . -3 e - - _ . -3 e - - - . -3 e == ( 4 tt e0 Y r x 0 4 ti e r 0 4 tt c; r z Q
---.
- 4nc;0
x
ex + y e + z ez - -Q- . r - - -Q- . r- - - Q_ -- e y
r3
-
4nc;0 r 3
-
4nc;o r2 r - 4nc;o r2
r
(1-137)
e == -rr ein Einheitsvektor in radialer Richtung und somit von gleicher Richtung wie der Ortsvektor r. Der Feldstdrkevektor £ zeigt daher in jedem Punkt des
Dabei ist
r
Feldes radial nach aufien, sein Betrag
1£1 == E(r) == _Q4nc; or
2
(r > 0)
(1-138)
5 Divergenz und Rotation eines Vektorfeldes
71
ist wegen der Kugelsymmetrie des Feldes nur vom Abstand r abhangig, d. h. auf einer Kugelschale urn den Nullpunkt hat die elektrische Feldstarke E einen konstanten Betrag. Die ;fquipotentialflachen des elektrischen Feldes einer Punktladung Q sind demnach die Oberflachcn konzentrischer Kugeln, die ihren gcmcinsamen Mittelpunkt am Ort der felderzeugenden Ladung Q haben (Bild 1-64).
Aquipotentialflache (Kugelschale)
Bild 1-64
Die Aquipotcntialflachen des elektrischen Feldes einer Punktladung Q sind konzentrische Kugelschalen (ebener Schnitt durch die Punktladung)
5 Divergenz und Rotation eines Vektorfeldes 5.1 Divergenz eines Vektorfeldes 5.1.1 Ein einfiihrendes Beispiel Wir wollen den etwas abstrakten Begriff der .Divergenz" eines Vektorfeldes am Modell einer stromenden Fliissigkeit einfiihren. Die Geschwindigkeit eines Fliissigkeitsteilchens wird dabei im allgemeinen von Ort zu Ort verschieden sein. Die Strornung laBt sich dann durch das Geschwindigkeitsfeld (1-139) beschreiben, wobei die Geschwindigkeitskomponenten noch ortsabhdngig, d. h. Funktionen von x, y und z sind: (1-140) In diese Stromung bringen wir einen kleinen Quader mit den achsenparallelen Kanten der Langen ~x, ~y und ~z (Bild 1-65). Dabei setzen wir voraus, daB die Quaderflachen fur die Fliissigkeit vollig durchldssig sind. Durch das Einbringen des quaderformigen Korpers wird also die Fliissigkeitsstromung in keinster Weise behindert.
I Vektoranalysis
72
z
x
y
L\y
Bild 1-65 Vollig durchlassiger quaderformiger Korper in einer Fliissigkeitsstromung
Zunachst interessieren wir uns fur den Fliissigkeitsstrom durch die beiden zur x, zEbene parallelen Quaderflachen, die wir in Bild 1-66 grau unterlegt haben. Beitrage kommen dabei ausschliejJlich durch die y-Komponente des Geschwindigkeitsfeldes zustande.
v
Eintrtttsttecbe L\x L\z
Vy (x;
Y +L\y ;z)
L\y
Austrittstlectie L\x L\z
Bild 1-66 Fliissigkeitsstrom durch die Quaderoberflache in y-Richtung
Bei einem Quader mit sehr kleinen Kantenlangen (wie hier vorausgesetzt) konnen wir dann davon ausgehen, daB die Geschwindigkeitskomponente "» auf beiden Flachen einen jeweils nahezu konstanten Wert annimmt. Die Geschwindigkeitskomponente vy besitzt daher auf den grau unterlegten Quaderflachen die folgenden Werte (der Abstand der Flachen betragt i1y): .Einiriusflache", vy(x; y; z) "Austrittsfliiche": vy(x; y
+ i1y; z)
5 Divergenz und Rotation eines Vektorfeldes
73
Wir bestimmen nun die Fliissigkeitsmengen (Fliissigkeitsvolumina), die in dem sehr kleinen Zcitintervall Ar durch die beiden grau unterlegten Quaderflachen in den Quader ein- bzw. austreten. Die .Jiintriusmenge'' betragt dabei (1-141)
Denn aIle diejenigen Fliissigkeitsteilchen, die sich zu einem Zeitpunkt t links von der "Eintrittsflache" befinden und von dieser einen Abstand haben, der nicht grofler ist als vy(x; y; z) I1t, legen in der nachfolgenden Zeit I1t den Weg I1s == vy(x; y; z) I1t zuriick und flieBen somit in diesem Zeitintervall durch die Eintrittsflache I1x I1z in den Quader herein. Analog erhalt man fur die in der gleichen Zeit durch die rechte Quaderflache ausgetretene Fliissigkeitsmenge den Wert
[vy(x; y
+ l1y; z) I1t] I1x I1z == vy(x; y + l1y; z) I1x I1z I1t
(1-142)
Die Differenz zwischen abgeflossener und zugeflossener Menge ist somit
+ l1y; z) I1x I1z I1t - vy(x; y; z) I1x I1z I1t == == [vy(x; y + l1y; z) - vy(x; y; z)] I1x I1z I1t
vy(x; y
(1-143)
Auf die Zeiteinheit bezogen ergibt dies einen .Uberschufs" von
[vy(x; y
+ l1y; z) -
vy(x; y; z)] I1x I1z
(1-144)
Wir erweitern diesen Ausdruck noch mit l1y und beachten dabei, daB 11 V == I1x l1y I1z das Quadervolumen bedeutet: (1-145)
Wenn wir diese Grobe noch durch das Quadervolumen 11 V dividieren, erhalten wir den" Volumengewinn" an Fliissigkeit pro Volumen- und Zeiteinheit. Er betragt somit
vy(x; y
+ l1y; z) - vy(x; y; z) l1y
(1-146)
Analoge Beitrage ergeben sich fur die x- und z-Richtung: In der x-Richtung durch die Geschwindigkeitskomponente vx(x; y; z):
vx(x
+ I1x; y; z) -
vx(x; y; z)
I1x
(1-147)
In der z-Richtung durch die Geschwindigkeitskomponente vz(x; y; z}:
vz(x; y; z
+ I1z) I1z
vz(x; y; z)
(1-148)
Man beachte dabei, dalidiese Beitrage aus mathematischer Sicht Differenzenquotienten darsteIlen!
I Vektoranalysis
74
Wir " verkleinern" jetzt unseren Quader, d. h. wir lassen die Kantenlangen ~x, ~y und ~z jeweils gegen Null gehen. Mit anderen Worten: Wir gehen von unserem Quader mit dem Volumen ~ V = ~x ~y Az zu einem infinitesimal kleinen (quaderformigen) Volumenelement dV = dx dy dz iiber, Bei diesem Grenziibergang streben die drei Differenzenquotienten gegen die entsprechenden partiellen Differentialquotienten oder partiellen Ableitungen 1.0rdnung:
Vx(x + ~x; y; z) - vx(x; y; z) ~x
Vy(x; y
+ ~y; z) -
vy(x; y; z)
~y
~
oV y oy
(1-149)
Durch Addition der einzelnen Beitrage in x-, y- und z- Richtung ergibt sich damit der folgende "Volumengewinn" an Fliissigkeit pro Volumen- und Zeiteinheit: (1-150) Man bezeichnet diese skalare Grobe als die .Divergenz" des Geschwindigkeitsfeldes v(x; y; z) und schreibt dafiir symbolisch:
(I-151) Im Volumenelement dV wird somit in der Zeiteinheit das Fliissigkeitsvolumen diIVV- dV= .(OV - x+oV -y+OV-z ) d V
ox
oy
oz
"erzeugt" oder " vernichtet". Die skalare Grobe div mungsmodell wie folgt anschaulich deuten:
(I -152)
v laBt sich daher in unserem Stro-
v
div > 0: Der abfliej3ende Anteil iiberwiegt, d. h. es tritt mehr Fliissigkeit aus als ein. Im Volumenelement dV befindet sich eine "Quelle", in der Fliissigkeit "erzeugt" wird.
v
div < 0: Der zufliej3ende Anteil iiberwiegt, d. h. es tritt mehr Fliissigkeit ein als aus. Im Volumenelement dV befindet sich eine .Senke", in der Fliissigkeit " vernichtet" wird.
v
div = 0: ZuflieBender und abflieBender Anteil halten sich das Gleichgewicht. Im Volumenelement dV befindet sich daher weder eine "Quelle" noch eine "Senke", das Stromungsfeld ist hier "quellenfrei".
75
5 Divergenz und Rotation eines Vektorfeldes
5.1.2 Definition und Eigenschaften der Divergenz Aufgrund unseres Beispiels definieren wir den Begriff .Divergenz eines Vektorfeldes" allgemein wie folgt:
Anmerkungen (1) Bei einem ebenen Vektorfeld F(x; y) = zwei Summanden:
. -
oFx
( . )
(Fx(X~ y )
reduziert sich die Divergenz auf
F; x; y)
oFy oy
(1-154)
dIVF=-+-
ox
(2)
Die Bezeichnung .Divergenz" stammt aus der Hydrodynamik und bedeutet soviel wie "Auseinanderstromen einer Fliissigkeit" ("Divergieren "). Die skalare Grobe div F wird daher auch als "Quelldichte" oder "Quellstiirke pro Volumenelement" bezeichnet. Dabei gilt in Analogie zum Geschwindigkeitsfeld einer strornenden Fliissigkeit:
div i> 0: 1m Volumenelement befindet sich eine "Quelle". div i < 0: 1m Volumenelement befindet sich eine "Senke". div i = 0: 1m Volumenelement befindet sich weder eine "Quelle" noch eine "Senke", das Vektorfeld ist an dieser Stelle "quellenfrei".
F heiBt in
einem Bereich quellenfrei, wenn dort iiberall div F = 0
(3)
Ein Vektorfeld gilt.
(4)
In den Anwendungen in Physik und Technik werden Vektorfelder haufig durch Feldlinien veranschaulicht (z.B. elektrische Felder von Ladungen oder Geschwindigkeitsfelder bei stromenden Fltissigkeiten). Die Feldlinien "entspringen" dabei den "Quellen" und "enden" in den "Senken". Bei einem elektrischen Feld sind die positiven Ladungen als die "Quellen" und die negativen Ladungen als die "Senken" anzusehen. Bild 1-67 zeigt das Feldlinienbild zweier entgegengesetzt gleichgrofJer Ladungen.
76
I Vektoranalysis
Bild 1-67
"Quellen" und "Senken" in einem elektrischen Feld (hier ; Feldlinienbild fur zwei entgegengesetzt gleichstark geladene Kugeln)
Die Divergenz eines Vektorfeldes FUiBt sichformal auch als skalares Produkt aus NablaOperator Vund Feldvektor F darstellen:
e ox div
o
F == V. F ==
(1-155)
oy
o oz •
Beispiele
(1)
Wir nennen einige Beispiele fur quellenfreie Felder, die in den Anwendungen eine gewisse Rolle spielen: Homogene Vektorfelder wie z. B. das elektrische Feld in einem geladenen Plattenkondensator Elektrisches Feld einer Punktladung Gravitationsfeld einer Masse Magnetfeld in der Umgebung eines stromdurchflossenen linearen Leiters
(2)
Wir bilden die Divergenz des Ortsvektors In der Ebene gilt:
_ (x) r ==
y
==>
._
div r == -
0
ox
(x)
+ -0
oy
r in Ebene und Raum:
(y) == 1
+ 1 == 2
1m Raum dagegen gilt:
_ div r
==
0 0 0 -5 (x) + - (y) + - (z) == 1 + 1 + 1 == 3 x
oy
oz
77
5 Divergenz und Rotation eines Vektorfeldes
(3)
W~ b~re~h~en die Divergenz des Vektorfeldes F = ( - ::~2Z2) im Punkt P - (1,2,1).
-
xyz
a ax
a
a az
div F = -(x 2z) + -(- 4 y 2 Z 2 ) + _( x y z 2 ) = 2xz - 8 y z 2
ay
+ 2xyz
(div F)o = 2 - 16 + 4 = - 10 (4)
1m Innern einer homogen geladenen Kugel herrscht die elektrische Feldstarke
(1;1
~ R)
(R: Kugelradius; Q: Ladung der Kugel;
8 0: elektrische Feldkonstante). Wir bestimmen die Divergenz dieses kugelsymmetrischen Vektorfeldes und verwenden dabei das Ergebnis aus Beispiel (2):
(nach Beispiel (2) ist div F = 3 bei einem rdumlichen Ortsvektor). Mit der Ladungsdichte QI= e
Ladung Volumen
Q
3Q
=--=-~nR3 4nR 3
konnen wir dafur auch schreiben: div
E = Qel
/ 80
Diese wichtige Beziehung besagt, daB jeder Punkt im Innern der geladenen Kugel eine Quelle des elektrischen Feldes ist.
•
Wir schlieBen mit einigen wichtigen Rechenregeln fur Divergenzen:
1 Vektoranalysis
78
5.1.3 Ein Anwendungsbeispiel: Elektrisches Feld eines homogen geladenen Zylinders Wir wollen uns nun mit dem elektrischen Feld eines unendlich langen homogen geladenen Zylinders beschaftigen (Zylinderradius: R; Ladungsdichte: Qel). Im Innern des Zylinders besitzt das axialsymmetrische Feld die elektrische Feldstarke
E==~(~) 2E 0
(1-161)
o .
im AufJenraum dagegen die Feldstarke
(1-162)
(EO: elektrische Feldkonstante). Bild 1-68 zeigt einen ebenen Schnitt durch das Feld senkrecht zur Zylinderachse (z-Achse), wobei wir von einer positiven Ladungsdichte ausgegangen sind. Da die z-Komponente der Feldstarke im gesamten Bereich verschwindet tE, == 0), haben wir es mit einem ebenen Vektorfeld zu tun.
y
Aquipotentialflache
x Zylinderquerschnitt
Bild 1-68
Elektrisches Feld in der Umgebung eines homogen geladenen Zylinders (positive Ladungsdichte; ebener Schnitt senkrecht zur Zylinderachse)
Elektrisches Feld au6erhalb des Zylinders
Wir zeigen zunachst, daB das ·elektrische Feld aufJerhalb des Zylinders quellenfrei ist (div E == 0).
5 Divergenz und Rotation eines Vektorfeldes Dazu benotigen wir die partielIen Ableitungen
oe,
fu = _
Gel
R
2
~.
a(
x
)
ax x + y2 2
oE _x
ax
und
oE oy
_Y,
die wir nun berechnen:
=
R 2 .1(x 2 + y2) -2-.x' x = 28 (X2 + y2)2
R 2 . y2 - x 2 280 (X2 + y2)2
Gel
-
79
GeI
0
(1-163)
Analog: oE y
Gel
R2
a(
ay = ~ . oy
R 2 x 2 _ y2 ) Gel + y2 = ~ . (X2 + y2)2 y
X2
(1-164)
Somit ist _
oE X.
div E = OX
se
+ 0; =
G R 2 ( y2 -
;[;0
(X2
X
2
X
2
_
y2 )
+ y2)2 + (X2 + y2)2 = 0
(1-165)
Das elektrische Feld im Auj3enraum des geladenen Zylinders ist daher quellenfrei. Physikalische Begriindung: Auj3erhalb des Zylinders befinden sich keine Ladungen.
Elektrisches Feld innerhalb des Zylinders Im lnnern des Zylinders dagegen verschwindet die Divergenz des Vektorfeldes
E nicht.
Vielmehr gilt: divE =
~(~(X) + ~(y)) = ~(1 + 1) = Gel 28 ax oy 28 8 0
0
(1-166)
0
Diese wichtige Beziehung gehort zu den Maxwellschen Gleichungen der Elektrodynamik und besagt, daB die positiven Ladungen im Zylinderinnern die Quellen des elektrischen Feldes sind.
5.2 Rotation eines Vektorfeldes 5.2.1 Definition und Eigenschaften der Rotation Bei der mathematischen Behandlung elektrischer und magnetischer Felder sowie der Geschwindigkeitsfelder stromender Fliissigkeiten erweist sich eine weitere Differentialoperation als sehr niitzlich, die als "Rotation" des entsprechenden Vektorfeldes bezeichnet wird. Ein einfaches Beispiel fur ein solches Geschwindigkeitsfeld v = v(x; y; z) liefert die (stationare) Wasserstromung in einem Kanal. Die Stromungsgeschwindigkeit ist dabei in der Kanalmitte am grolrten, nimmt jedoch (durch Reibungskrafte bedingt) zum Ufer hin abo Kleine, in die Stromung gebrachte Kugeln rotieren in Ufernahe infolge des dortigen Geschwindigkeitsgefalles urn ihre Achsen und erlauben somit einen anschaulichen Einblick in die Bewegung der dortigen Wasserteilchen. Diese Rotation laBt sich nun in geeigneter Weise durch einen Vektor mit der Bezeichnung "Rotation des Geschwindigkeitsfeldes" beschreiben. (Siehe Skizze nachste Seite oben).
1 Vektoranalysis
80
Die Richtung dieses Vektors fallt dabei in die jeweilige Drehachse der rotierenden Kugel (bzw. des Wasserteilchens), wahrend der Betrag des Vektors als ein geeignetes MaB fiir die Starke der "Fliissigkeitswirbel" dient. Allgemein definieren wir den Begriff "Rotation eines Vektorfeldes" wie folgt:
Anmerkungen
(1)
Bei einem ebenen Vektorfeld F(x; y) =
(Fx({X: Y))) r; x,y
verschwindet sowohl die x-Kom-
ponente als auch die y-Komponente der Rotation automatisch. Die verbleibende z-Komponente lautet:
-
aF aFx ax ay y
(1-168)
(rotF) = - - z
Somit gilt fur ein ebenes Vektorfeld:
- (aF aFx ax ay y
rotF= - - -) _e
(1-169)
Z
(2)
Die Bezeichnung "Rotation" stammt aus der Hydrodynamik und beschreibt dort die Bildung von "Wirbeln" (geschlossene Feldlinien bei Geschwindigkeitsfeldern stromcnder Fliissigkeiten).
(3)
Der Vektor rot F wird auch als "Wirbeldichte" des Feldes F bezeichnet.
(4)
Das Vektorfeld rot F wird haufig auch als Wirbelfeld zu F bezeichnet.
(5)
Ein Vektorfeld F heiBt in einem Bereich wirbelfrei, wenn dort iiberall rot F =
0gilt.
5 Divergenz und Rotation eines Vektorfeldes
81
Die Rotation eines Vektorfeldes f Hifit sich formal auch als Vektorprodukt aus dem "Nabla-Operator" Vund dem Feldvektor f darstellen:
aFz _ aF ay az
a
y
ax rot
a
f == V x f ==
ay
x
et;
st,
az
ax
(1-170)
---
a
az Desweiteren besteht die Moglichkeit der Determinantenschreibweise 6): ex
rot
a
F == -ax r,
ey
e.
a
ay
a az
r;
Fz
-
(1-171)
Durch Entwicklung dieser Determinante nach den Elementen der ersten Zeile erhalt man genau die Definitionsformel (1-167). •
Beispiele
(1)
Die folgenden Vektorfelder der Physik sind stets wirbelfrei: Homogene Vektorfelder (Beispiel: elektrisches Feld in einem geladenen P lattenkondensator) Kugel- oder radialsymmetrische Vektorfelder (Zentralfelder) (Beispiele: elektrisches Feld einer Punktladung, Gravitationsfeld einer Masse)
Z ylinder- oder axialsymmetrische Vektorfelder (Beispiel: elektrisches Feld in der Umgebung eines geladenen Zylinders) (2)
Die Rotation desOrtsvektors -; verschwindet (in Ebene und Raum):
rot -; ==
V x -; ==
a ax a ay
a az
6)
x x
y
z
a
a az a -(z) ax a -(x)
-(z) - -(y) ay
a az a -(y) ax -(x) -
ay
0 0
==0
0
In Band 1, Abschnitt 11.3.4.1 haben wir gezeigt, daf sich ein Vektorprodukt formal durch eine 3-reihige Determinante darstellen HiBt.
82
I Vektoranalysis
(3)
Wir berechnen die Rotation des Geschwindigkeitsfeldes Punkt P == (1; - 1; 1). Zunachst erhalten wir fiir rot
ex rot
v == ox0 x z"
_
4:~4) im 2 y Z2
v in der Determinantenschreibweise:
ey
ez
0
0
oy
OZ
- 4xz
2 y z2
-
-
v == (
Entwicklung nach den Elementen der ersten Zeile liefert:
2 0
- [0
rotv= -(2yz )--(-4xz) oz oy
J -e [0-(2yz 2)--(xz) 0 4J-e + ox oz x -
y
4J-e.> 0 0 + [ -(-4xz)--(xz) ox
oy
ex- (O - 4 x z e + ( + 4x) ex + 4xz e 4z e
==(2z 2 +4x) (2z 2
==
ImPunkt P
==
3
)
y -
y
4 z - 0)
e= z
z
(1; - 1; 1) gilt dann:
(rot F)o == (2 + 4) (4)
3
ex + 4 ey - 4 e == 6 ex + 4 ey - 4 e z
z
Im Innern einer homogen geladenen Kugel wird das elektrische Feld durch den Feldstdrkevektor
dargestellt (R: Kugelradius; Q: Ladung der Kugel; stante). Die Rotation dieses Feldes verschwindet: rot E ==
Q . rot 4n Go R 3
GO:
elektrische Feldkon-
r == 0 r
Denn nach Beispiel (2) ist rot == O. Das elektrische Feld im I nnern der geladenen Kugel ist somit wirbelfrei.
•
5 Divergenz und Rotation eines Vektorfeldes
83
AbschlieBend geben wir noch die wichtigsten Rechenregeln fur Rotationen an:
5.2.2 Ein Anwendungsbeispiel: Geschwindigkeitsfeld einer rotierenden Scheibe Eine dunne homogene Scheibe rotiere mit der konstanten Winkelgeschwindigkeit z urn die Symmetrieachse der Scheibe (z-Achse; Bild 1-69) 7).
OJ == W o
e
rotierende Scheibe
Bild 1-69
y
Gleichmalsig urn die Symmetrieachse (z-Achse) rotierende Scheibe
p
x
Wir betrachten jetzt ein beliebiges Teilchen auf der Scheibe mit dem Ortsvektor besitzt den folgenden Geschwindigkeitsvektor:
v = wx r = ( 7)
~o
) x(
~
)
= (
-
~:~
)
Die Scheibe wird als [ldchenhafter Korper angesehen (Schichtdicke ~ Null).
r. Es
(1-177)
1 Vektoranalysis
84
Dieses ebene Geschwindigkeitsfeld ist ein Wirbelfeld, da die Rotation von v nicht verschwindet, wie wir gleich zeigen werden. Da bei einem ebenen Vektorfeld die ersten beiden Komponenten der Rotation automatisch verschwinden, miissen wir nur noch die z-Komponente bestimmen. Nach Formel (1-168) gilt dann:
oVy
-+
(rot v)z
= -
ox
ov x
- -
oy
0
0
(wox) - - (- woy) ox oy
= -
=
Wo + Wo = 2w o i= 0
(1-178)
Damit ist rot
v = 0 ex + 0 e + 2w o ez = y
2w o
e= z
2 W i=
0
(1-179)
Das Geschwindigkeitsfeld ist also - wie behauptet - ein Wirbelfeld. Die Feldlinien (Teilchenbahnen) sind dabei konzentrische Kreise, wie man der Anschauung unmittelbar entnehmen kann (Bild 1-70).
~
v
kreistormiqe Feldlinie
Bild 1-70 Geschwindigkeitsfeld einer gleichmabig urn die Symmetrieachse (z-Achse) rotierenden Scheibe
Sie konnen auch aus der Bedingung (1-101), d.h. hier also aus der Gleichung
v x dr = 0
(1-180)
direkt ermittelt werden:
vx dr
=
d;
- Wo Y ) ( dx ) ~o x x = (
= Wo
Wo
( - y)
~
x
d;
( dx )
( 0 ) (0) =
0
- y dy - x dx
=
(I-181)
0
0
Somit gilt: - y dy - x dx = 0
oder
y dy
+ x dx =
0
(1-182)
5 Divergenz und Rotation eines Vektorfeldes
85
Diese Differentialgleichung 1. Ordnung haben wir bereits in Abschnitt 3.3 (Beispiel (2)) gelost. Sie fiihrte uns zu den Kurven x2
+ y2 == const. == c
(c > 0)
(1-183)
d. h. zu konzentrischen Kreisen urn den Koordinatenursprung mit den Radien r == ~.
5.3 Spezielle Vektorfelder 5.3.1 Quellenfreies Vektorfeld Ein Vektorfeld F, dessen Divergenz verschwindet (div frei. Wir wollen zunachst zeigen, daB ein Wirbelfeld somit der Gleichung div
F == 0), heiBt bekanntlich quellenF == rot E stets quellenfrei ist und
F == div(rot E) == 0
(1-184)
geniigt. Mit
E == Ex
ex
+ E y e y + Ez"oez
(1-185)
und
y) x OE z) _ (OE y OE x)_ rot E- == (OE - z - -OE _e + (OE oy oz x -oz - -ox ey + -ox - -0y ez
(1-186)
erhal ten wir
(1-187) Denn die in den Klammern stehenden Ausdriicke verschwinden nach dem Satz von Schwarz, wenn wir voraussetzen, daB die Vektorkoordinaten von E stetige partielle Ableitung 2. Ordnung besitzen 8). Unter diesen Voraussetzungen gilt somit div(rot E) == 0
(1-188)
und ein Wirbelfeld ist daher stets quellenfrei.
Umgekehrt laBt sich zeigen, daB ein quellenfreies Vektorfeld Vektorfeldes E, Vektorpotential genannt, darstellbar ist: div
8)
F == 0
=>
F == rot E
F stets
als Rotation eines (1-189)
Die Reihenfolge, in der die Differentiationen ausgefiihrt werden, spielt dann keine Rolle und die in den jeweiligen Klammern enthaltenen partiellen Ableitungen sind somit gleich.
86
1 Vektoranalysis
Das Vektorpotential deutig bestimmt.
_
E ist
dabei bis auf den Gradienten einer skalaren Funktion ¢ ein-
Beispiele
Die folgenden Vektorfelder der Physik sind quellenfrei: H omogenes elektrisches Feld in einem geladenen Plattenkondensator
Elektrisches Feld einer Punktladung Gravitationsfeld der Erde Magnetfeld in der Umgebung eines stromdurchflossenen linearen Leiters _
5.3.2 Wirbelfreies Vektorfeld Ein Vektorfeld If, dessen Rotation verschwindet (rot F == 0), bezeichnen wir bekanntlich als wirbelfrei. Wir zeigen zunachst, daB ein Gradientenfeld F == grad ¢ stets wirbelfrei ist und somit die Bedingung rot
F == rot (grad ¢) == 0
(1-192)
erfiillt, Mit
grad ¢
o¢ _ o¢ _ o¢_ ox ex + -oy e + -OZ ez
== -
(1-193)
y
folgt zunachst (in der speziellen Determinantenschreibweise)
rot (grad
0
¢) == ox o¢ ox
ez
ey
ex
0
0
oy
oz
-
o¢
-
oy
o¢
-
oz
(1-194)
5 Divergenz und Rotation eines Vektorfeldes
87
Wir entwickeln diese Determinante nach den Elementen der ersten Zeile und erhalten rot (grad
¢) == [~oy (o¢) ex - [~(o¢) oz - ~oz (o¢)J oy ox oz - ~oz (o¢)J ox e + y
(1-195) Wenn wir voraussetzen, daB die partiellen Ableitungen 2. Ordnung des skalaren Feldes ¢ stetig sind, so verschwinden nach dem Satz von Schwarz die in den Klammern stehenden Ausdriicke und es gilt rot (grad ¢) ==
0
(1-196)
Unter den genannten Voraussetzungen ist ein Gradientenfeld also stets wirbelfrei. Umgekehrt HiBt sich zeigen, daB ein wirbelfreies Feld stets als Gradient eines skalaren Feldes dargestellt werden kann: rot
•
F == 0 => F == grad ¢
(1-197)
Beispiele
Die folgenden Vektorfelder der Physik sind stets wirbelfrei:
Homogene Vektorfelder wie z. B. das elektrische Feld in einem geladenen Plattenkondensator Kugel- oder radialsymmetrische Vektorfelder (Zentralfelder) wie z. B. das elektrische Feld einer Punktladung oder das Gravitationsfeld der Erde Z ylinder- oder axialsymmetrische Vektorfelder wie z. B. das elektrische Feld in der Umgebung eines geladenen Zylinders
•
88
I Vektoranalysis
5.3.3 Laplace- und Poisson-Gleichung Fur ein quellen- und zugleich wirbelfreies Vektorfeld jf miissen die folgenden Gleichungen erfiill t sein: div jf == 0
rot jf ==
und
0
(1-200)
Ein solches Vektorfeld ist dann wegen seiner Wirbelfreiheit als Gradient eines skalaren Feldes cjJ darstellbar:
jf == grad cjJ
(1-201)
Wir setzen diese Beziehung in die erste der beiden Gleichungen (1-200) ein und erhalten div jf
== div(grad cjJ) ==
0
(1-202)
Mit
acjJ -+e + -acjJ -+e ax x ay
grad cjJ == -
Y
acjJ-+
+ -az ez
(1-203)
wird daraus schlieBlich
~ (acjJ) + ~ (acjJ) + ~ (acjJ) == a 2 + a + a 2 == 0 ax ax ay ay az az ax ay2 az 2cjJ
div(grad ¢) =
2cjJ
2cjJ
(1-204)
Diese partielle Differentialgleichung 2. Ordnung fur das skalare Feld cjJ HiBt sich mit Hilfe des sog. "Laplace-Operators"
(1-205) vcrkiirzt auch wie folgt schreiben: div(grad cjJ)
==
~cjJ
== 0
(1-206).
Sie wird in den Anwendungen als Laplacesche Differentialgleichung oder kurz als Laplace-Gleichung bezeichnet.Der Laplace-Operator ~ kann dabei auch als das skalare Produkt des Nabla- Vektors V mit sich selbst aufgefaBt werden:
~==V·V==
a ax a
-
a ax a -
a az
a az
ay
ay
a2 ax
a2
a2 az
==-+-+2 2
ay2
(1-207)
In der Operatoren-Schreibweise gilt somit: div(grad cjJ)
== V· (VcjJ) == (V· V)cjJ == ~cjJ
(1-208)
5 Divergenz und Rotation eines Vektorfeldes
89
Die Losungen der Laplace-Gleichung 11¢ = 0 werden als harmonische Funktionen bezeichnet. Die Laplace-Gleichung ist dabei ein Sonderfall der allgemeineren Poissonschen-Differentialgleichung
11¢ = f(x; y; z)
(1-209)
die auch als Potentialgleichung bezeichnet wird, da sie z. B. bei der Beschreibung des Potentials eines elektrischen F eldes von groBer Bedeutung ist. Die Losung ¢ der Poissonoder Potentialgleichung heiBt daher auch Potentialfunktion oder kurz Potential. Wir fassen zusammen:
Anmerkungen
(1)
Die Hintereinanderanwendung der Differentialoperatoren "div" und "grad" fuhrt somit zum "Laplace-Operator" 11: div(grad) =
V.V = 11
11 ist ebenfalls ein Differentialoperator (von 2. Ordnung).
(I-213)
90
1 Vektoranalysis
(2)
Ein wirbelfreies Vektorfeld ff (rot ff = 0) HiBt sich stets als Gradient eines skalaren Feldes ¢ darstellen: ff = grad ¢. Ist das Vektorfeld zusatzlich auch noch quellenfrei (div ff = 0), so ist ¢ eine Losung der Laplace-Gleichung, ansonsten jedoch eine Losung der Poisson-Gleichung.
(3)
Ein wirbelfreies Quellenfeld div
ff #0
und
ff erfiillt die rot ff = 0
Bedingungen (1-214)
und wird auch als ein Poisson-Feld bezeichnet, da in diesem Fall die zugehorige Potentialfunktion ¢ eine Losung der Poisson-Gleichung ist. 1st das Vektorfeld ff jedoch quellen- und wirbelfrei, gilt somit div
ff = 0
rot ff =
und
0
(I-215)
so heiBt dieses Feld auch ein Laplace-Feld. Denn die zugehorige Potentialfunktion ¢ ist in diesem Fall eine Losung der Laplace-Gleichung. (4)
Bei einem ebenen Problem reduziert sich der Laplace-Operator auf
a ax
a ay 2
2 2 ~ ~ ~=V·V=-+2
•
(1-216)
Beispiele
(1)
Wir zeigen, daf die Funktion ¢ = In
(~) im Zweidimensionalen eine harmo-
nische Funktion ist, d. h. eine spezielle Losung der Laplace-Gleichung ~¢ = 0 darstellt (r > 0). Zunachst bringen wir die Funktion ¢ durch elementare Umformungen und unter Beriicksichtigung von r = x 2 + y2 = (x 2 + y2) 1/2 auf eine fur die
J
Differentiation geeignetere Form:
¢ = In
G)
= In 1 -Inr = -Inr = -In(x
2
+ y2)1/2 =
-
~
o
In(x 2
Die benotigten partiellen Ableitungen 2. Ordnung lauten dann:
a¢ a[ ax 2 = ax 2
Analog:
a2 ¢
ay 2
y2 _ x2 (x2
J
2 x 1 (x + y2) - 2x . X x 2 - y2 2 2 x + y2 = (x + y2)2 = (x 2 + y2)2
+ y2)2
+ y2)
5 Divergenz und Rotation eines Vektorfeldes
91
Somit gilt:
Die Funktion ¢ = In (2)
(~) ist daher eine Losung der Laplace-Gleichung.
Das rdumliche skalare Feld ¢ == In r ist eine (spezielle) Losung der Poisson-
Gleichung 11¢ = 12 (r > 0). Urn dies zu zeigen, bringen wir die gegebene Funkr
J
tion zunachst einmal unter Beachtung der Beziehung r == x 2 + (x 2 + y2 + Z2) 1/2 auf eine beim Differenzieren giinstigere Form:
Wir differenzieren jetzt zweimal partiell nach x und erhalten:
_ x2 +
y2
+
Z2
+ y2 + Z2)2
(x 2
Analog: 02 ¢
x2
oy2
(x +
y2
_
2
y2
+ Z2 +
02¢
Z2)2'
OZ2
x2
(x 2
+ y2 +
y2
_
Z2
+
Z2)2
Somit ist:
_ x2
x2 (x 2
+ y2 + Z2 + x 2 _ y2 + Z2 + x 2 + y2 (x 2 + y2 + Z2)2
+
y2
+
1
Z2
+ y2 + Z2)2
x2
+ y2 + Z2
1 r2
_
Z2
y2
+
Z2
==
I Vektoranalysis
92
Damit haben wir gezeigt, daB die Funktion cjJ == In r tatsachlich eine (spe1 zielle) Losung der Poisson-Gleichung J1.¢ = 2" ist (im Zweidimensionalen ist r _ dies aber nicht der Fall).
5.3.4 Ein Anwendungsbeispiel: Potentialgleichung des elektrischen Feldes In einem elektrischen Feld besteht zwischen dem elektrostatischen Potential U und der elektrischen Feldstdrke E die Beziehung
E ==
-
grad U
(1-217)
Das Feld wird dabei von einer Raumladung mit der (im allgemeinen ortsabhangigen) Ladungsdichte Qel == Qel (x; y; z) erzeugt. Feldstarke E und Ladungsdichte Qel sind dabei durch die fundamentale M axwellsche Gleichung diIV E- ==Qel
(I-218)
80
miteinander verkniipft (80: elektrische Feldkonstante). Das Potential U geniigt dann einer Poisson-Gleichung. Denn aus div
E = div( -
grad U) == - div(grad U) = - J1.U ==
Qel
(1-219)
80
folgt
J1.U = _
Qel
(1-220)
80
Diese partielle Differentialgleichung 2. Ordnung wird in der Elektrodynamik als Potentialgleichung bezeichnet. Sie geht im Falle eines ladungsfreien Feldes in die Laplace'sche Differentialg leichung
J1.U=O
(1-221)
iiber.
6 Spezielle ebene und raurnliche Koordinatensysteme 6.1 Polarkoordinaten 6.1.1 Definition und Eigenschaften der Polarkoordinaten Polarkoordinaten verwendet man vorzugsweise bei ebenen Problemen mit Kreis- oder Radialsymmetrie. Wir haben sie bereits in Band 1 (Abschnitt 111.3.3) ausfiihrlich beschrieben und beschranken uns daher auf eine kurze Zusammenfassung ihrer wichtigsten Eigenschaften, die fiir die weiteren Ausfiihrungen benotigt werden.
6 Spezielle ebene und raumliche Koordinatensysteme
93
94
I Vektoranalysis
Anmerkungen (1) Die Abstandskoordinate r ist die Lange (der Betrag) des Ortsvektors == OP. Daher ist stets r ~ o.
r
~
(2)
Der Winkel qJ wird positiv gezahlt bei Drehung im Gegenuhrzeigersinn (mathematisch positiver Drehsinn), negativ dagegen bei Drehung im Uhrzeigersinn (mathematisch negativer Drehsinn). Er ist jedoch nur bis auf ganzzahlige Vielfache von 360° bzw. 2n bestimmt. Man beschrankt sich bei der Winkelangabe daher meist auf den im Intervall 0° ~ qJ < 360° bzw. 0 ~ qJ < 2n gelegenen Hauptwert.
(3)
Der Koordinatenursprung, in diesem Zusammenhang auch als Pol bezeichnet, hat die Abstandskoordinate r == 0, die Winkelkoordinate qJ dagegen ist unbestimmt.
(4)
Die Berechnung der Polarkoordinaten aus den (gegebenen) kartesischen Koordinaten erfolgt am zweckmafiigsten anhand einer Lageskizze des Punktes P, urn Fehler bei der Winkelberechnung zu vermeiden. Der Winkel tp wird dabei iiber einen Hilfswinkel in einem rechtwinkligen Dreieck berechnet (Einzelheiten und Beispiele hierzu in Band 1, Abschnitt 111.3.3.1).
6.1.2 Darstellung eines Vektorsin Polarkoordinaten In einem (ebenen) kartesischen Koordinatensystem wird ein Vektor
ain der Form (1-224)
dargestellt (Bild 1-73). Dabei sind ex und e y zwei Einheitsvektoren in Richtung der xbzw. y-Achse. Sie bilden die Basis fur diese Vektordarstellung und werden daher als Basisvektoren bezeichnet. y
Bild 1-73
Darstellung eines Vektors im kartesischen Koordinatensystem
x
a
Die Vektorkoordinaten ax und ay sind dabei die Projektionen des Vektors auf diese Einheitsvektoren, unter Beriicksichtigung der Richtung, in die diese Projektionen fallen 9). 9)
Vereinbarungsgemdfi gilt: Eine Vektorkoordinate wird positiv gezahlt, wenn der Projektionsvektor die gleiche Richtung hatwie der entsprechende Einheitsvektor. Ansonsten wird die Vektorkoordinate negativ gezahlt,
6 Spezielle ebene und raumliche Koordinatensysteme
95
a
Unsere Aufgabe besteht nun darin, den Vektor in Polarkoordinaten darzustellen, wobei wir zunachst zwei geeignete Einheitsvektoren als Basisvektoren benotigen, Basisvektoren in Polarkoordinaten
Die im kartesischen Koordinatensystem verwendeten Basisvektoren ex und e y sind die (konstanten) Tangenteneinheitsvektoren an die x- bzw. y- Koordinatenlinien. Analog verfahren wir bei den Polarkoordinaten. Auch hier erweisen sich die Tangenteneinheitsvektoren an die r- bzw. cp- Koordinatenlinien als eine geeignete Basis fur die Darstellung eines beliebigen Vektors (Bild 1-74). Wir bezeichen diese Einheitsvektoren (Basisvektoren) mit e r und e
e.: Tangenteneinheitsvektor an die r-Koordinatenlinie (radial nach aufJen gerichtet) e
y
~
r- Linie
er
cos
qJ
sin - sin
qJ
p
cos
qJ
Bild 1-74 Basisvektoren im Polarkoordinatensystem
qJ
r qJ-
Linie
x
e und e
y,
Die Basisvektoren (Einheitsvektoren) e r und e.
-I>
-I>
(1-225)
e
-I>
•
-I>
-I>
(
-
sin cp ) cos cp
96
I Vektoranalysis
Diese Transformationsgleichungen lassen sich unmittelbar aus Bild 1-74 ablesen. Denn die Projektion von r auf die x- bzw. y- Richtung ergibt cos ip bzw. sin sp. Analog fuhrt die Projektion von e
e
_e; . _e = (cos.qJ) . ( - sin tp ) = - cos
qJ .
. . SIn qJ + sIn qJ • cos
Der Ubergang von der "alten" Basis ex, eyzur "neuen" Basis en folgt durch eine Transformationsmatrix A beschreiben: sin tp ) cos qJ
qJ
=0
e
(~x) = A (~x) ey
(1-226) auch wie
(1-227)
ey
A
Sie ist wegen detA =
cos qJ sin qJ I = cos" tp . I SIn qJ cos qJ
. tp = + sin?
(1-228)
1
sogar orthogonal. Die Matrix A entspricht dabei der Transformationsmatrix, die man bei einer Drehung des ebenen x, y-Koordinatensystems urn den Winkel qJ urn den Nullpunkt erhalt, Dies jedoch ist kein Zufall, denn das "neue" Basisvektorensystem er , e
y
~
er
/ /
Bild 1-75 Zusammenhang zwischen den kartesischen Basisvekund y und den toren Basisvektoren ey und eqJ des Polarkoordinatensystems
/ / /
ex
-o-
er
x
e
6 Spezielle ebene und raumliche Koordinatensysteme
97
Umgekehrt lassen sich auch die "alten" Basisvektoren ex, e y durch die "neuen" Basisvektoren er , eq> ausdrucken: - sin qJ) cos qJ
(~r) = A-I (~r) eq>
(1-229)
eq>
A-I ist dabei die inverse Matrix von A. Vektordarstellung in Polarkoordinaten
Wir wollen jetzt einen im kartesischen Koordinatensystem gegebenen Vektor
(1-230) im Polarkoordinatensystem beschreiben. Dort besitzt dieser Vektor, bezogen auf die neuen Basisvektoren e r und eq>' die folgende Darstellung:
(1-231)
y
8r
Bild 1-76 Darstellung eines Vektors im Polarkoordinatensystem
r
x
Dabei sind a, and aq> die mit einem Vorzeichen versehenen Projektionen des Vektors Q auf die beiden Basisvektoren r und eq> (Bild 1-76) 10). Mit anderen Worten: Die (positiven oder negativen) Grollen a, und aq> sind die Vektorkoordinaten oder skalaren Vektorkomponenten des Vektors Q, bezogen auf die Basis r , eq>' Uns interessiert nun natiirlich, wie sich die neuen Vektorkoordinaten an aq> aus den alten (kartesischen) Vektorkoordinaten ax, "» berechnen lassen.
e
e
10)
Beziiglich des Vorzeichens gilt die gleiche Vereinbarung wie bei der kartesischen Vektordarstellung.
98
I Vektoranalysis
Aus diesem Grund driicken wir in Gleichung (1-224) die alten Basisvektoren ex, e y mittels der Transformation (1-229) durch die neuen Basisvektoren eq> aus:
en
a== ax ex + a
ey
y
==
ax (cos cp e r
==
ax . cos cp e r
==
(ax' cos tp
==
sin cp eq»
-
+ ay (sin tp e r + cos
cp eq»
==
ax . sin cp eq> _+ a; . sin cp e r + ay • cos cp eq>
-
+a
y '
sin cp) e r
+ (-ax'
sin cp
+a
y '
==
cos cp) eq>
(1-232)
a, Wir erhalten somit die folgenden Transformationsgleichungen:
a,
==
aq>
== -
+ ay • sin cp ax . sin cp + ay • cos cp
ax . cos cp
(1-233)
Oder - in der Matrizenform -: (1-234) A
Die Transformationsmatrix A ist dabei die gleiche wie bei der entsprechenden Transformation der Basisvektoren. Die Vektorkoordinaten eines beliebigen Vektors transformieren sich somit beim Ubergang von den kartesischen Koordinaten zu den Polarkoordinaten in der gleichen Weise wie die Basisvektoren!
a
Umgekehrt lassen sich auch die kartesischen Vektorkoordinaten ax, ay durch die Vektorkoordinaten an aq> im Polarkoordinatensystem ausdrucken. Die Transformation erfolgt dabei iiber die zu A inverse Matrix A-I:
a
(a
r ) - sin cp ) ( r ) == A-I cos cp aq> aq>
Wir fassen die wichtigsten Ergebnisse wie folgt zusammen:
(1-235)
6 Spezielle ebene und raumliche Koordinatensysteme
99
Anmerkung
Die Riicktransformation, d. h. der Ubergang von den Polarkoordinaten zu den kartesischen Koordinaten, erfolgt tiber die zu A inverse Matrix A-I. Sie lautet: A-I =
(c~s cp SIn
•
cp
- sin cp) cos cp
(1-239)
Beispiel
In einem kartesischen Koordinatensystem ist das folgende Geschwindigkeitsfeld definiert: _ v
=
_() v x; y
=
1 x
2
+y
( 2
-
_ _) Y ex + x ey
Es besitzt im Polarkoordinatensystem die Darstellung v = v(r; cp) = u,
e + v
I Vektoranalysis
100
Die neuen Vektorkoordinaten », und Vcp lassen sich dann aus den Gleichungen (1-238) wie folgt berechnen:
o, ==
Vx •
cos
tp
1
+ vy • sin cp ==
x
2
+
. cp . cos cp + r . cos == -12 ( - r . SIn
y
2 (-
. qJ . Slf]
r
v == - vx . sin cp cp
==
+ vY . cos qJ ==
y . cos cp
+ x . sin qJ) ==
cp ) == 0
1
x2
+ y2 (Y . sin qJ + x . cos cp) ==
1 1 1 2" (r . sin? cp + r . cos ' cp) == - (sin' qJ + cos? cp) == r
r'-v-" 1
r
Dabei haben wir die Transformationsgleichungen x == r . cos
y
qJ,
==
r .
sin
qJ,
benutzt. Das Geschwindigkeitsfeld besitzt somit nur eine tangentiale Komponente: _ _ v == v(r;
_
qJ)
1_
== 0 er + - ecp r
1_ ecp
:Z: -
r
(r > 0)
•
6.1.3 Darstellung von Gradient, Divergenz, Rotation und Laplace-Operator in Polarkoordinaten Die Differentialoperationen Gradient, Divergenz und Rotation sowie der Laplace-Operator lassen sich auch durch Polarkoordinaten ausdriicken. Sie besitzen dann die folgende Gestalt 11):
11)
Auf die Herleitung dieser Ausdriicke wollen wir verzichten und verweisen den an Einzelheiten interessierten Leser auf die Spezialliteratur (siehe Literaturverzeichnis).
6 Spezielle ebene und raumliche Koordinatensysteme
101
Anmerkung
Der in Polarkoordinationen ausgedriickte Laplace-Operator enthalt auch eine leitung im Gegensatz zur kartesischen Darstellung.
•
j
0
Ab-
Beispiele (1)
Wir berechnen die Divergenz des ebenen Ortsvektors Radialkomponente r besitzt:
r = r er, der nur eine
10 10 1 dlvr=dlv(r er)=-o-(ror)=-o-(r 2 )=-02r=2 0_
0
_
r or
r or
r
Zum gleichen Ergebnis kamen wir bereits in der kartesischen Darstellung (Beispiel (2) aus Abschnitt 5.102)~ (2)
Wir wollen zeigen, daB das Geschwindigkeitsfeld _ v
=
_() v x; y
=
1
x
2
+y
( 2
quellen- und wirbelfrei ist.
-
_ _) Y ex + x ey
102
I Vektoranalysis In Polarkoordinaten besitzt dieses Vektorfeld die folgende, besonders einfache Darstellung: _
_
1_ (r > 0)
v == v(r; r
(siehe hierzu das Beispiel im vorherigen Abschnitt 6.1.2). Fur die Divergenz und Rotation des Geschwindigkeitsfeldes erhalten wir dann:
. _ . (1r _)q> == -1r . -o
div v == div - e
- [ (1 -)J == -'1r -or0( 1r ) == -1r . -or0(1) == 0
[rot v]z == rot - e r q>
v
r' -
z
=>
rot
v == 0
v
Wegen div == 0 und rot == 6 handelt es sich in der Tat urn ein quellen- und wirbelfreies Geschwindigkeitsfeld. (3)
Wir interessieren uns nun fur diejenigen Losungen der Laplace-Gleichung i1¢ == 0, die Rotationssymmetrie besitzen, d. h. nur von der Abstandskoordinate r abhangen: ¢ == 1(r). Die Laplace-Gleichung lautet in diesem Fall wie folgt:
Diese Differentialgleichung 2. Ordnung konnen wir auch in der Form 1
+ -' ¢'(r) == 0
¢"(r)
(cP/(r) =
r
~~)
schreiben. Wir losen sie mit Hilfe der Substitution u == ¢' (r),
u' == ¢" (r)
durch "Trennung derVariablen" (Band 2, Abschnitt V.2.2):
+ ~ . u == 0
u'
du dr
f
u
du
r
u
dU --; == - fdr --;:
In u
du dr
=>
u r
-+-==0
oder
r
dr r In u == - In r
+ In r == In (u r) == In C 1
+ In C 1
6 Spezielle ebene und raumliche Koordinatensysteme
103
Rucksubstitution und anschlieBende unbestimmte Integration ergeben dann: u = ep'(r) = C 1 r
Die rotationssymmetrischen Losungen der LapIace-GIeichung sind somit (im ebenen Fall) durch die logarithmischen Funktionen cjJ (r) = C 1 . In r
+ C2
(r > 0)
•
gegeben (C 1 , C 2 ElR).
6.1.4 Ein Anwendungsbeispiel: Geschwindigkeitsvektor bei einer glelchformlgen Kreisbewegung Ein MasseteiIchen bewege sich gleichfiirmig, d. h. mit der konstanten WinkeIgeschwindigkeit co auf einer Kreisbahn mit dem Radius R (BiId 1-77). Wir beschreiben diese Bahn durch den zeitabhdngigen Ortsvektor -+
r(t)
fur t
~
=
R· cos(wt) ex + R· sintoir) ey - + .
-+
t))
(COS(W R.. . sint«i t)
=
0 (Anfangslage zur Zeit t = 0: Punkt A).
y
A
x Bild 1-77 Gleichformige Kreisbewegung
(1-246)
I Vektoranalysis
104
Durch Differentiation nach dem Zeitparameter t erhalten wir daraus den Geschwindigkeitsvektor
~
-+
v(t)=r(t)=R
(-w,sin(wt)) (-sin(wt)) =Rw co . cos(wt) cos(wt)
(1-247)
Das Teilchen besitzt somit die kartesischen Geschwindigkeitskomponenten Vx
= - Rw' sin(wt)
"» = Rei cos(wt)
und
Wir interessieren uns jetzt fur die Darstellung des Geschwindigkeitsvektors koordinaten, d. h. fur eine Darstellung in der Form
(1-248)
v in Polar(1-249)
Beim Ubergang von den kartesischen Koordinaten zu den Polarkoordinaten transformieren sich die kartesischen Geschwindigkeitskomponenten V x und vy nach Gleichung (1-234) bzw. (1-238) wie folgt: (1-250)
Wir setzen noch fur V x und "» die Zeitabhangigkeiten ein und beachten ferner, daB bei der gleichformigen Kreisbewegung die Beziehung cp = cot gilt: Vr (
vq>
) =(
cos(wt) - sin(wt)
= Rw (
Sin(wt))RW(-sin(wt))= cos(wt) cos(wt)
cos(w t) - sin(wt)
sin(w t)) ( - sin(w t) ) cos(wt) cos(wt)
(1-251)
Nach Durchfuhrung der Matrizenmultiplikation erhalten wir fur die gesuchten Geschwindigkeitskomponenten u, und vq> dann die folgenden Ausdrucke: v, = Rio [- cos(wt)· sin(wt)
vq> = Rio [sin2(wt)
+ sin(wt)· cos(wt)] = 0
+ cos 2(wt)] =
Rw
(1-252)
6 Spezielle ebene und raumliche Koordinatensysteme
105
Das Masseteilchen besitzt also nur eine (konstante) tangentiale Geschwindigkeitskomponente vq> = Reo, in Ubereinstimmuug mit unseren Uberlegungen in Abschnitt 1.6. Der Geschwindigkeitsvektor lautet somit in der Polarkoordinatendarstellung wie folgt (Bild 1-78): (1-253)
y
x
Bild 1-78 Geschwindigkeitsvektor bei einer glcichformigen Kreisbcwegung, dargestellt im Polarkoordinatensystem
6.2 Zylinderkoordinaten 6.2.1 Definition und Eigenschaften der Zylinderkoordinaten Zylinderkoordinaten werden vorzugsweise bei raumlichen Problemen mit Axial- oder Zylindersymmetrie bzw. Rotationssymmetrie verwendet. Wir haben sie bereits in knapper
Form in Band 2 (Abschnitt IV.3.2.2.2) kennengelernt und beschranken uns daher auf eine kurze Zusammenfassung ihrer wichtigsten Eigenschaften.
106
12)
13)
I Vektoranalysis
Die Zylinderkoordinate (l gibt den senkrechten Abstand des Raumpunktes P von der z-Achse an und ist daher nicht zu verwechseln mit dem Abstand r desselben Punktes Yom' Koordinatenursprung 0, d.h. mit der Lange des Ortsvektors r = GP. Urn solche Verwechslungen zu vermeiden, verwenden wir hier ausschliefilich das Symbol (l fur die Abstandskoordinate. Fur die Punkte der x, y- Ebene besteht allerdings kein Unterschied zwischen r und (l. Daher hatten wir auch bei den Polarkoordinaten der Ebene das Symbol r fur den Abstand eines Punktes vom Koordinatenursprung gewahlt. Dieser Eigenschaft verdanken die Zylinderkoordinaten ihren Namen.
6 Spezielle ebene und raumliche Koordinatensysteme
107
z
Z
4.
"
",I
.,.'"
,
p = canst.
."..,.
"-
--- - r
!iiiii·~-~r---
qJ
......... .........
p
y
Y
I
.
...........
~
x
x
Bild 1-80
Bild 1-81
Koordinatenflache (Zylindermantel)
Q=
const.
Koordinatenflache tp = const. (Halbebene, begrenzt durch die z-Achse)
z
,
I I I I I I
Bild 1-82
."..,.----t--- . . . .
"
}-- - "-+--~
/
x
= canst.
y
Koordinatenflache z = const. (zur x, y-Ebene parallele Ebene)
108
I Vektoranalysis
p-Linie
t------I--
z- Lln ie Bild 1-83
Koordinatenlinien des Zylinderkoordinatensystems
x
6 Spezielle ebene und raumliche Koordinatensysteme
z
dqy
dz dA
= p do dz
pdqy
y
x
Bild 1-84 Flachenelement dA auf dem Zylindermantel
109
I Vektoranalysis
110
z
Volumenelement dV = dA dz = P ikp do dz dz
dA=pdcpdp dcp
p dtp
x
y
p+dp dA =pdcpdp
Bild 1-85 Volumenelement dV in Zylinderkoordinaten
6.2.2 Darstellung eines Vektors in Zylinderkoordinaten In einem raumlichcn kartesischen Koordinatensystem wird ein Vektor
ain der Form (1-260)
ex, e
e
dargestellt. Dabei sind y und z Einheitsvektoren in der positiven x, y- und z-Richtung. Sie bilden die Basis fur diese Vektordarstellung. Unsere Aufgabe besteht nun darin, den Vektor in Z ylinderkoordinaten darzustellen. Dazu benotigen wir aber zunachst drei geeignete Einheitsvektoren als Basisvektoren.
a
6 Spezielle ebene und raumliche Koordinatensysterne
111
Basisvektoren in Zylinderkoordinaten
Wir iibernehmen die beiden Basisvektoren der Polarkoordinaten, also die Einheitsvektoren eQund e
eQ: Tangenteneinheitsvektor an die Q-Koordinatenlinie (axial nach auj3en gerichtet)
e
z Bild 1-86
y
Basisvektoren im Zylinderkoordinatensystem
x
Wahrend sich die Einheitsvektoren e(J und e
e
Die Basisvektoren (Einheitsvektoren) e(J' e
- sin cp )
elfJ = -
14)
sin
qJ
ex + cos qJ ey + 0 ez = .(
CO~ qJ
(1-261)
Den Basisvektor er der Polarkoordinaten bezeichnen wir jetzt aus den bereits genannten Grunden mit
s;
I Vektoranalysis
112
Denn die Basisvektoren e g und eq> sind ebene Vektoren (sie liegen in einer Ebene parallel zur x, y-Ebene und sind mit den Basisvektoren des Polarkoordinatensystems dieser Ebene identisch), wahrend der Basisvektor z auf dieser Ebene senkrecht steht. Die Basisvektoren e g , eq> und ez sind daher orthogonal, d. h. sie stehen paarweise senkrecht aufeinander.
e
e
e
Der Ubergang von der kartesischen Basis ex, ey, z zur "neuen" Basis e g , eq>' z laBt sich wie bei den ebenen Polarkoordinaten durch eine orthogonale Transforrnationsrnatrix A wie folgt beschreiben:
(. ~ee
eq>
)
=
(
c~s tp
-
(1-262)
SIn
0
z
A
Auf die gleiche Matrix staBt man, wenn man das raumliche kartesische Koordinatensystem urn die z-Achse dreht (Drehwinkel:
Umgekehrt konnen auch die "alten" Basisvektoren ex, e y, e z ausden "neuen" Basisvektoren e{l' eq>' e z bestimmt werden. Die Transformationsmatrix ist in diesem Fall die zu A inverse Matrix A-I:
(1-263)
Vektordarstellung in Zylinderkoordinaten
Ein im kartesischen Koordinatensystem gegebener Vektor (1-264) laBt sich in Zylinderkoordinaten, bezogen auf die Basis e g , eq>' e z ' wie folgt darstellen: (1-265) Dabei sind ag , aq> und az der Reihe nach die mit einem Vorzeichen versehenen Projektionen von auf die drei Basisvektoren e g , eq> und e z • Diese (positiven oder negativen) skalaren Groben sind die Vektorkoordinaten oder skalaren Vektorkomponenten des Vektors im Z ylinderkoordinatensystem. Sie lassen sich wie folgt aus den kartesischen Vektorkoordinaten ax, ay und a, bestimmen:
a
a
ag = ax . cos
ip
+ ay • sin qJ (1-266)
6 Spezielle ebene und raumliche Koordinatensysteme
113
Die ersten beiden Transformationsgleichungen haben wir direkt von den Polarkoordinaten iibernommen, wahrend die dritte Vektorkoordinate a, unverdndert bleibt (denn sie wurde ja aus der kartesischen Darstellung iibernommen). Die Transformationsgleichungen (1-266) lassen sich auch in der M atrizenform darstellen:
c~s qJ sin tp a; ) ( aqJ = - SIn tp cos tp ( az 0 0
(1-267)
A
Wie bei den Polarkcordinaten gilt auch hier: Die Vektorkoordinaten eines beliebigen Vektors transformieren sich beim Ubergang von den kartesischen Koordinaten zu den Zylinderkoordinaten in der gleichen Weise wie die Basisvektoren. Umgekehrt erfolgt der Ubergang von den skalaren Vektorkomponenten a(J' aqJ' az des Zylinderkoordinatensystems zu den kartesischen Komponenten ax, ay , a z mit Hilfe der zu A inversen Matrix A-I:
a
(1-268)
Wir fassen die Ergebnisse wie folgt zusammen:
114
1 Vektoranalysis
Anmerkung
Die Riicktransformation, d. h. der Ubergang von den Z ylinderkoordinaten zu den kartesischen Koordinaten, erfolgt iiber die zu A inverse Matrix A-I. Sie lautet:
0)
- sin cp~ cos cp
(1-272)
o •
Beispiel Wir wollen das im kartesischen Koordinatensystem gegebene Vektorfeld
in Zylinderkoordinaten, d. h. in der Form F == F(Q; o; z) == Fg e g
darstellen (x
2
+ y2
+ FqJ
eqJ
+ r;
ez
#- 0).
Die gesuchten Vektorkoordinaten Fg , FqJ und F; lassen sich unter Verwendung von x == Q . cos sp •
y
==
Q.
sin cP,
z == z,
6 Spezielle ebene und raumliche Koordinatensysteme
1t5
aus den Gleichungen (1-271) wie folgt berechnen: . F Q == Fx . cos cp + Fy • SIn cp ==
1
Jx2 1
== -
(Q .
cos" cp
+ y2
+ Q . sin? cp) == cos"
cp
. (x . COS cp + Y . SIn cp) ==
+ sin'
cp == 1
Q
F
1
+ Fy • cos cp == Jx2
1
== - (-
Q.
cos cp . sin
qJ
+ y2
(- x . sin cp + Y . cos cp) ==
+ Q . sin qJ . cos cp) == 0
Q
(unverandert) Das Vektorfeld besitzt somit in axialer Richtung die konstante Komponente FQ == 1, wahrend die tangentiale Komponente F
F == F(z) == 1 e + 0 e
Q
•
6.2.3 Darstellung von Gradient, Divergenz, Rotation und Laplace-Operator in Zylinderkoordinaten Die Differentialoperationen Gradient, Divergenz und Rotation sowie der Laplace-Operator besitzen in Z ylinderkoordinaten das folgende Aussehen:
I Vektoranalysis
116
Anmerkung Der in Zylinderkoordinaten ausgedriickte Laplace-Operator enthalt auch eine 1. Ableitung, da der in Gleichung (1-278) auftretende 1. Summand (1-279) ergibt (im Unterschied zum kartesischen Fall).
•
Beispiele (1)
1
-+
Das axialsymmetrische Vektorfeld F = -
Q
ell ist quellen- und wirbelfrei. Denn
sowohl die Divergenz als auch die Rotation dieses Feldes verschwindet. Mit 1 F{! = -, Fcp = 0 und F, = 0 folgt namlich: Q
-+ of{! -+ 1 of{! -+ -+ -+-+ rot F = oz ecp - -Q . -oqJ ez = 0 ecp - 0 ez = 0
1
(die partiellen Ableitungen von F{! = - nach
qJ bzw.
z verschwinden beide).
Q
Wegen rot i! = 0 ist i! ein Gradientenfeld: i! = grad ¢. Dieskalarc Funktion ¢ ist somit eine Losung der Laplace-Gleichung, die wir nun bestimmen wollen. Dabei beriicksichtigen wir, daB ¢ wegen der Zylindersymmetrie nur von Q
6 Spezielle ebene und raumliche Koordinatensysteme
117
abhangen kann: cjJ = cjJ (g). Die Laplace-Gleichung lautet dann:
11¢ = ! . ~ (e . o¢) = Q oQ
oQ --..,--
°
const. Die in dieser Gleichung enthaltene partielle Ableitung kann nur Null werden, v . ocjJ. wenn Q . oQ e1ne Konstante ist: ocjJ g . - = const. == C 1
og
Wir losen diese einfache Differentialgleichung 1. Ordnung nach o¢ = ¢'(e) auf und integrieren anschlieBend: og ¢'(e) = C 1
e
·f~de=Cl·lne+C2.
¢(e)=C 1
Die Konstante C 1 konnen wir aus der Bedingung Fe =
o¢ = ! ermitteln: oQ
ocjJ
-
oQ
== C 1
1 . -
Q
1
=-
~
Q
Q
C 1 == 1.
Die zweite Konstante dagegen bleibt unbestimmt. Das gesuchte skalare Feld lautet damit: cjJ == cjJ (g) == In {} (2)
+ C2
Ein homogener EIektronenstrahi mit der Stromdichte i == io ringformiges Magnetfeid mit der magnetischen Feldstdrke
(Bild 1-87). Wir bestimmen die Rotation dieses Feides. Mit den FeIdkomponenten H(J == 0, Hq> == nach Gleichung (1-277) zunachst:
oHq> rot H == - e OZ (J -+
-+
1 0
+ -g .-oQ ({} . H q> )
-+
e
z
1
2 io g
und Hz =
e erzeugt ein z
°
erhalten wir
118
I Vektoranalysis z
ririqtormiqes Magnetfeld
Bild 1-87
Ringformiges Magnetfeld eines homogenen Elektronenstrahls mit der Stromdichte 7
Da H qJ von z unabhdngig ist, verschwindet die erste der beiden partiellen Ableitungen. Fur die zweite erhalten wir:
Somit ist
-la _ 1 __ rot H = -g . -ag (g . H qJ ) eZ = -g . i0 g eZ = i0 eZ = i Diese Beziehung besitzt allgemeine Giiltigkeit und reprasentiert eine der vier M axwellschen Grundgleichungen der Elektrodynamik.
•
6.2.4 Zylindersymmetrische Vektorfelder Ein zylindersymmetrisches Vektorfeld vom allgemeinen Typ
F =f(g)
e
(1-280)
g
ist fur g > 0 stets wirbelfrei. Denn das Feld besitzt nur eine einzige skalare Vektorkomponente in axialer Richtung und diese wiederum ist nur von g abhangig: (1-281) Die Rotation dieses Feldes verschwindet daher nach Gleichung (1-277): rot F = rot (f (g)
e =0
(1-282)
g)
(alle partiellen Ableitungen sind gleich Null). I
Dagegen ist ein zylindersymmetrisches Vektorfeld im allgemeinen nicht quellenfrei. Denn aus Gleichung (1-276) erhalten wir fur die Divergenz des Vektorfeldes den folgenden Ausdruck: . div F
~
1
a (g . F) = -1 . -a (g . f
- .-
g ag
e
g ag
(g))
(1-283)
6 Spezielle ebene und raumliche Koordinatensysteme Er kann nur dann verschwinden, wenn das Produkt (2 .
f
((2)
= const.
oder
f
((2)
(2 .
119
f((2) eine Konstante ist, also
= const.
(1-284)
(2
gilt. Dieser Sonderfall tritt also genau dann ein, wenn der Betrag des Feldvektors umgekehrt proportional zum Abstand (2 ist.
•
F
Beispiel Ein Musterbeispiel fur ein wirbel- und quellenfreies Vektorfeld mit Zylindersymmetrie liefert das elektrische Feld in der Umgebung eines homogen geladenen Zylinders (Bild 1-88).
Aquipotentialflache Bild 1-88
Zylinderquerschnitt
I Vektoranalysis
120 Fur die elektrische Feldstdrke
E gilt namlich 15):
_ QeI R 2 1_ E==E(Q)==--'- e
2 Go
Q
(Q ~ R)
g
Ladungsdichte; R: Zylinderradius; Go: elektrische Feldkonstante). Das E-Feld ist wegen der Zylindersymmetrie wirbelfrei und wegen
(QeI:
auch quellenfrei.
•
6.2.5 Ein Anwendungsbeispiel: Geschwindigkeitsvektor eines Massenpunktes in Zylinderkoordinaten Ein Massenpunkt bewege sich auf einer rdumlichen Bahnkurve mit dem zeitabhdngigen Ortsvektor
r(t) == x(t)
ex + y(t) e + z(t) e == x ex + y e + z e y
z
z
y
(1-288)
Der zugehorige Geschwindigkeitsvektor (1-289) mit den kartesischen Geschwindigkeitskoordinaten Zylinderkoordinaten, d. h. in der Form
Vx
==
x, vy == y und v; == i
solI nun in (1-290)
dargeste11t werden. Beim Ubergang zu den Zylinderkoordinaten gelten die Transformationsgleichungen (1-271). Sie lauten hier:
+ vy • sin
==
Vx .
cos tp
(1-291)
Wir driicken nun x und y durch die Zylinderkoordinaten Q und
Q.
cos
~
x == Q. cos
Y ==
15) 16)
Q.
sin
~
sin
. sin tp
Y== Q. sin
Vgl. hierzu auch das Anwendungsbeispiel in Abschnitt 5.1.3. Die Zylinderkoordinaten sind ebenso wie die kartesischen Koordinaten zeitabhdngig.
(1-292)
(1-293)
6 Spezielle ebene und raumliche Koordinatensysteme
121
ve
vlp
Damit nehmen die gesuchten Geschwindigkeitskomponenten und die folgende Gestalt an (die Geschwindigkeitskomponente Vz ist in beiden Koordinatensystemen gleich: Vz == i): ve
== X . cos
qJ
== (Q . cos
+ Y. sin Q cP
qJ -
2
==
Q. cos
==
Q. (cos"
Q cP
qJ qJ
+
qJ
. sin . sin
sirr'
== qJ) . qJ .
qJ) ==
\,
cos cos
qJ tp
+ (Q
. sin
+ Q. sin
qJ
2
qJ
+ Q cP . cos + Q cP . cos
qJ) • sin qJ qJ .
sin
==
tp ==
Q
(1-294)
I
x. sin qJ + Y. cos qJ ==
v qJ == == -
(Q . cos
== -
Q. cos
Q cP
qJ -
qJ • sin qJ
== Q cP (sin ' qJ
+ cos '
. sin
qJ) .
sin
+ Q cP . sin 2
+ (Q . sin. qJ + Q cP . cos qJ) . cos qJ == qJ + Q. sin qJ . cos qJ + Q cP . cos 2 qJ == qJ
(1-295)
qJ) == QcP
Somit ist
v == veee + vlp elp + u, ez == Q ee + (Q cP) elp + i ez
(1-296)
der gesuchte Geschwindigkeitsvektor in Zylinderkoordinaten. Sein Betrag ist
v== Jv; +!!v; + v; == J
Q2
+ (Q cP)2 + i 2
(1-297)
Konkretes Beispiel: Ein Massenpunkt bewege sich auf einer Schraubenlinie mit dem zeitabhangigen Ortsvektor
r(t)
==
R . cos(wt)
ex + R . sin(wt) e + ct e
z
(1-298)
== ct
(1-299)
y
(Bild 1-89). Mit x == R . cos(wt),
y == R . sin (w t ),
z
erhalten wir aus den Transformationsgleichungen (1-256) die zugehorigen zeitabhdngigen Z ylinderkoordinaten: Q
== Jx 2 + y2 == JR 2. cos 2(wt) + R 2. sin2(wt) ==
tan
JR
2
qJ ==
yR'sin(wt) - == x R . cos(wt)
z == ct
[cos 2 ( w t)
==
+ sin 2 ( w t )] == R == const. (1-300) ==
tan(wt) =>
qJ
==
cit
122
I Vektoranalysis z
Bild 1-89 Bewegung eines Massenpunktes auf einer Schra ubenlinie
((t) y
x
Die benotigten Ableitungen der Zylinderkoordinaten Q
=R,
qJ =
cot;
z
= ct
(1-301)
nach der Zeit t lauten dann:
g = 0,
cP = w,
i=c
(1-302)
Damit erhalten wir den folgenden Geschwindigkeitsvektor, ausgedruckt in Z ylinderkoordinaten: (1-303)
Der Betrag der Geschwindigkeit ist konstant. Wir erhalten das bereits aus Abschnitt 1.3 (Beispiel (2)) bekannte Ergebnis:
v=
/;1 = J g2 + (QcP)2 + i 2 = JR 2 w 2 + c
2
(1-304)
6.3 Kugelkoordinaten 6.3.1 Definition und Eigenschaften der Kugelkoordinaten Kugelkoordinaten werden vorzugsweise bei raumlichen Problemen mit Kugel- oder Radialsymmetrie verwendet. Sie bestehen aus einer Abstandskoordinate r und zwei Winkelkoordinaten {) und qJ (Bild 1-90). Wir geben jetzt eine exakte Definition der Kugelkoordinaten und beschreiben ihre wichtigsten Eigenschaften, soweit sie fur unsere weiteren Uberlegungen von Bedeutung sind.
6 Spezielle ebene find raumliche Koordinatensysteme
17)
Dieser Eigenschaft verdanken die Kugelkoordinaten ihren Namen.
123
I Vektoranalysis
124
z
z
r= canst.
,-.
I
1---
iJ = canst.
y
y
x
x
Bild 1-91
Bild 1-92
Koordinatenflache r = canst. (Kugelschale)
Koordinatenflache :) = canst. (Kegelmantel)
z
"
"
" qJ=
co nst. Bild 1-93
'""
y
qJ
x
"
Koordinatenflache qJ = canst. (Halbebene, begrenzt durch die z-Achse)
6 Spezielle ebene und raumliche Koordinatensysteme
125
I Vektoranalysis
126
z r . siniJdcp
r
diJ
y x Bild 1-97 Flachenelement dA auf der Kugeloberflache r· sin i» dcp
6 Spezielle ebene und raumliche Koordinatensysteme
127
z dV = dA dr = r 2 . siniJdrdiJdcp
dA
=r 2 . siniJ diJ dcp
r diJ
y
x
Bild 1-98
Volumenelement dV in Kugelkoordinaten
Anmerkungen
(1)
Die Kugelkoordinaten werden manchmal auch als rdumliche Polarkoordinaten bezeichnet.
(2)
Fiir die beiden Winkelkoordinaten sind auch folgende Bezeichnungen iiblich:
9-: Breitenkoordinate qJ:
(3)
Ldngenkoordinate
Die durch 9- = 90 oder 9- = 0
~ festgelegte x, y-Ebene heiBt auch Aquaiorebene.
1 Vektoranalysis
128
6.3.2 Darstellung eines Vektors in Kugelkoordinaten
a
Urn einen beliebigen Vektor in Kugelkoordinaten darstellen zu konnen, werden zunachst drei geeignete Einheitsvektoren benotigt, die als Basis fur die gesuchte Darstellung dienen konnen. Basisvektoren in Kugelkoordinaten (Bild 1-99)
Wir wahlen als Basisvektoren die Tangenteneinheitsvektoren der drei Koordinatenlinien
e
Tangenteneinheitsvektor an die r-Koordinatenlinie (radial nach aufien gerichtet, steht senkrecht auf der Kugeloberflache r == const.)
es :
Tangenteneinheitsvektor an den Ldngenkreis, d. h. an die 9-Koordinatenlinie (steht senkrecht auf der Koordinatenflache 9 == const., d. h. auf dem Kegelmantel mit dem Offnungswinkel 29)
r:
eq>: Tangenteneinheitsvektor an den Breitenkreis, d. h. an die cp-Koordinatenlinie
(steht senkrecht auf der Koordinatenflache tp == const.)
z
y
Bild 1-99 Basisvektoren im Kugelkoordinatensystem
x
Die Lage der drei Basisvektoren verdndert sich dabei von Punkt zu Punkt. Sie besitzen im kartesischen Koordinatensystem die folgende Darstellung (ohne Beweis):
e, =
sin 9 . cos
qJ
ex + sin 9 . sin qJ e + cos 9 ez =
e» =
cos 9 . cos
qJ
ex + cos 9 . sin qJ e
e", =
~ sin qJ
y
y -
ex + cos qJ e + 0 e = y
z
sin 9
e= z
- sin cp ) (
co~ qJ
sin 9 . cos cp ) sin 9 . sin tp ( cos 9 9 . cos cp ) cos 9 '.sin qJ - SIn 9
COS (
(1-310)
6 Spezielle ebene und raumliche Koordinatensysteme
129
Wirkonnen den Ubergang von der kartesischen Basis ex, e y , e z zur "neuen" Basis e r , e 9 , eq> auch durch eine orthogonale Transformationsmatrix A wie folgt beschreiben:
er )
( ~.9eq>
(Sin:) . cos q> = cos 9 '. cos tp - SIn q>
sin 9 . sin q> cos:) . sin q> cos q>
(1-311)
A
Umgekehrt lassen sich die "alten" Einheitsvektoren aus den "neuen" Einheitsvektoren mittels der zu A inversen Matrix A-I bestimmen: ex ) (
~y
ez
(Sin 9 . cos q> =. sin 9 . sin qJ cos:)
cos 9 . cos q> cos S . sin qJ - sin 9
Vektordarstellung in Kugelkoordinaten
Ein im kartesischen Koordinatensystem gegebener Vektor (1-313)
HiBt sich in Kugelkoordinaten, bezogen auf die Basis e r , e 9 , eq>' wie folgt darstellen: (1-314)
Dabei sind a., a9 und aq> der Reihe nach die mit einem Vorzeichen versehenen Projektionen des Vektors auf die drei Basisvektoren e r , e 9 und eq>. Diese (positiven oder negativen) skalaren Groben sind die Vektorkoordinaten oder skalaren Vektorkomponenten des Vektors im Kugelkoordinatensystem. Sie lassen sich wie folgt aus den kartesischen Vektorkoordinaten ax, ay und az bestimmen:
a
a
+ ay • sin 9 . sin tp + az . cos 9 a9 = ax . cos 9 . cos qJ + ay • cos:) . sin qJ - az • sin :) aqJ = - ax . sin qJ + ay • cos qJ a, = ax . sin 9 . cos tp
(1-315)
Diese Transformationsgleichungen lauten in der Matrizenform:
(
a; ) a9
a.;
(Sin 9 . cos = . cos t) .. cos
- sm
tp
qJ qJ
sin 9 . sin tp cos:) . sin qJ cos qJ
(1-316)
A
a
Auch fur die Kugelkoordinaten gilt: Die Vektorkoordinaten eines beliebigen Vektors transformieren sich beim Ubergang von den kartesischen Koordinaten zu den Kugelkoordinaten in der gleichen Weise wie die Basisvektoren.
I Vektoranalysis
130
Umgekehrt erfolgt der Ubergang von der Darstellung in Kugelkoordinaten zur kartesischen Darstellung mit Hilfe der zu A inversen Matrix A -1 :
(
aax) == A - ( asa; ) y
a,
1
aqJ
cos 9 . cos qJ ( sin 9 . cos qJ == sin 9 . sin tp cos 9 . sin qJ - sin 9 cos 9v
A -1
Wir fassen nun die wichtigsten Ergebnisse zusammen:
- sin qJ) cos qJ
o
(
a; ) as aqJ
(1-317)
6 Spezielle ebene und raumliche Koordinatensysteme
131
Anmerkung Die Riicktransformation, d. h. der Ubergang von den Kugelkoordinaten zu den kartesischen Koordinaten, erfolgt tiber die zu A inverse Matrix A-I. Sie lautet: A-I ==
•
(
sin 9 . cos
qJ
.sin 9 . sin
qJ
cos 9 . cos qJ cos 9 . sin qJ - sin 9
cos 9
- sin qJ) cos tp
(1-321)
o
Beispiele (1)
Wie lautet die Darstellung des Feldvektors
F == F(x; y; z) == x ex + y ey + ez in Kugelkoordinaten?
Liisung: Der gegebene Feldvektor soll in der Form
F == F(r; 9; qJ) == F,.
+ t;
er
eij + F({J e({J
dargestellt werden. Die gesuchten Vektorkoordinaten F',., Fij und F({J lassen sich dann unter Verwendung von x
==
y == r . sin 9 . sin
r . sin [) . cos qJ,
qJ,
z == r : cos [)
aus den Gleichungen (1-320) wie folgt berechnen: F, == F; . sin [) . cos
== x . sin 9- . cos == r . sin 2 ==
2
[) .
qJ
+ F; . sin 9 . sin tp + F, . cos 9 ==
qJ +
cos 2
qJ
Y . sin [) . sin
+ r . sin 2 [)
2
2
r . sin 9 (cos qJ + sin qJ)
.
qJ +
sin 2
1 . cos 9- ==
+ cos [) ==
qJ
+ cos [) ==
r . sin 2
[)
+ cos 9-
1
Fij == F; . cos 9- . cos qJ + F; . cos [) . sin qJ - Fz . sin [) ==
== ==
x . cos [) . cos qJ + Y . cos r . sin
9- . cos [) . cos
== r . sin 9 . cos [)(cos 2
2
qJ qJ
9- . sin
+r
qJ -
1 . sin 9 ==
. sin [) . cos
+ sin 2 qJ) -
9- . sin 2
qJ -
sin [) ==
sin 9 ==
1
== r . sin [) . cos [) - sin 9- == (r . cos 9- - 1) . sin 9F({J == - Fx . sin qJ, + Fy • cos
== - r . sin [) . cos
qJ
qJ • sin qJ
== - x . sin
qJ
+ Y . cos qJ ==
+ r . sin [) . sin qJ . cos qJ == 0
132
1 Vektoranalysis Somit ist
ff = (r . sin 2 [) + cos [)) er + (r . cos [) -
1) . sin [)
e:J
die gesuchte Darstellung des Feldvektors in Kugelkoordinaten. Man beachte, daB diese Darstellung unabhdngig vom Winkel tp ist und keine Komponente in Richtung des Breitenkreises besitzt. (2)
Ein Massenpunkt bewege sich auf dem Breitenkreis einer Kugel mit dem Radius r (Bild 1-100). Die Bahn ist dann durch Angabe der Breitenkoordinate [) eindeutig festgelegt. Wir interessieren uns nun fur den Geschwindigkeitsvektor v des Teilchens, ausgedriickt in Kugelkoordinaten.
z
Breitenkreis
y
Bild 1-100 Zur Bewegung eines Massenpunktes auf dem Breitenkreis 9- = canst.
x
r
Dabei gehen wir zunachst von kartesischen Koordinaten aus. Ortsvektor und Geschwindigkeitsvektor lauten dann (beide sind zeitabhiingig):
v
r=r(t)=x v=v(t)=x
ex+y ey+z ez ex+Y ey+i ez
Der Geschwindigkeitsvektor
v besitzt in Kugelkoordinaten die Darstellung
Zwischen den "alten" und den "neuen" Geschwindigkeitskomponenten bestehen dabei nach den Gleichungen (1-320) die folgenden Beziehungen:
o, = = Vs
+ vy • sin [) . sin tp + Vz • cos [) = x. sin [) . cos qJ + Y. sin [) . sin qJ + i . cos [) Vx •
sin [) . cos tp
= o; . cos [) . cos qJ + vy . cos [) . sin qJ -
Vz .
sin [) =
x. cos [) . cos qJ + Y. cos [) . sin qJ - i . sin [) VqJ = - V sin qJ + v cos qJ = - x. sin qJ + Y. cos qJ =
x .
y •
6 Spezielle ebene und raumliche Koordinatensysteme
133
Wir driicken nun x, y und z mittels der Transformationsgleichungen (1-305) durch die Kugelkoordinaten r, :) und qJ aus und differenzieren die Gleichungen anschlieBend nach der Zeit t. Da auf dem Breitenkreis r und :) feste Grobe sind, gilt = 0 und :) = o. Unter Beriicksichtigung dieser Bedingungen erhalten wir dann:
r
x = r . sin :) . cos qJ
--+
y = r . sin :) . sin tp
--+
x = - r . sin :) . sin qJ . cP Y = r . sin :) . cos tp . cP
z = r . cos :)
--+
i
=
0
Damit nehmen die gesuchten Geschwindigkeitskomponenten Vr' V s und v({J die folgende Gestalt an: X . sin S . cos (p,+ Y. sin S . sin
Vr =
qJ
+ i . cos:) =
= - r . sin 2 :) . sin qJ • cos qJ • cP +
+r Vs
=
.
sin 2
:) •
sin
qJ • cos tp .
cP
+ 0 . cos :) =
x. cos:) . cos qJ + Y. cos:) . sin qJ -
= -
r . sin S . cos :) . sin
qJ • cos qJ •
cP
+ r . sin :) . cos :) . sin qJ • cos qJ • cP v({J
= -
0
i . sin S =
+ - 0 . sin :) = 0
x. sin qJ + Y. cos qJ =
+ r . sin :) . cos 2 qJ • cP = = r . sin :) . cP (sin2 tp + cos 2 qJ) = r . sin :) . cP
=
r . sin :) . sin 2
qJ • cP
Das Teilchen bewegt sich somit auf dem Breitenkreis mit dem Geschwindigkeitsvektor
v = r . sin [) . cP
e({J
Erfolgt die Bewegung mit konstanter Winkelgeschwindigkeit OJ, so ist qJ = OJ t und cP = OJ und wir erhalten das bereits aus Abschnitt 6.1.4 bekannte Ergebnis
v=
r . sin S . OJ e({J ,=
OJ r
. sin S e({J
= ROJ e({J
Dabei ist R = r . sin S der Radius des Breitenkreises aus Bild 1-100.
•
134
I Vektoranalysis
6.3.3 Darstellung von Gradient, Divergenz, Rotation und Laplace-Operator in Kugelkoordinaten Die Differentialoperationen Gradient, Divergenz und Rotation sowie der Laplace-Operator besitzen in Kugelkoordinaten das folgende Aussehen:
6 Spezielle ebeneund raumliche Koordinatensysteme
135
Anmerkung Der in Kugelkoordinaten ausgedriickte Laplace-Operator enthalt auch partielle Ableitungen 1. Ordnung (im Unterschied zum kartesischen Fall):
(1-328)
a¢. a2¢ a9a (a¢) sin 9. a9 = cos 9. a9 + SIn 9. a9 2 •
Beispiele (1)
Wir bestimmen den Gradient des skalaren Feldes ¢ = ¢(r; 9;
a¢
a¢ a a;: = ar (r + 9 +
-=1
a
Somit gilt: _ grad ¢ = e, (2)
1 _
+-
r
efj
1_
+ --.-0 r . SIn cr
eqJ
Eine Kugel mit dem Radius r rotiere mit der konstanten Winkelgeschwindigkeit co urn die z-Achse (Bild 1-101). Unser Interesse gilt zunachst dem Geschwindigkeitsfeld auf der Kugeloberflache, z
z OJ
Bild 1-101 Gleichformige Rotation einer Kugel urn einen Durchmesser (z-Achse)
Bild 1-102 Der Punkt P bewegt sich auf einem Breitenkreis mit dem Radius (] = r . sin S
I Vektoranalysis
136
Dazu betrachten wir einen beliebigen .Punkt P auf der Kugeloberflache. Er bewegt sich bei der Drehung der Kugel auf einem Breitenkreis mit dem Radius Q == r . sin 9, wie man aus Bild 1-102 leicht entnehmen kann. Der Geschwindigkeitsvektor ist dabei tangential zum Breitenkreis orientiert und besitzt daher nur eine tp-Komponente
v
vq> ==
W Q
==
r . sin 9
W
Das Geschwindigkeitsfeld auf der Kugeloberflache hangt somit nur von der Winkelkoordinate 9 ab: v == v(9) == vq> eq> == oir : sin 9 eq>.
Fur die Rotation des Feldvektors
verhalten wir dann nach Gleichung (1-326):
1 (a rot _ v == - - . - - (sin 9 . vq» r . SIn 9 a9
)_e, - -l(a-a· (r· .)_ vq» es ==
.2)-
== - -1. - (a - (wr . SfIl 9) er r . SIn
9 a9
1 r . SIn 9
== --.-. wr(2· sin
9· cos 9)
r
-
r
l(a- (wr r ar
-
2.)- == . SIn 9)
es
_1_ e, - _. w· sin 9· (2r) es == r
Der in der Klammer stehende Vektor ist aber nach Gleichung (1-312)genau der Einheitsvektor z . Somit gilt:
e rot v == 2 co e == 2 OJ . Dabei ist OJ == co e der in der positiven z-Achse liegende Vektor der Winkelgez
z
schwindigkeit. Das Geschwindigkeitsfeld auf einer rotierenden Kugel ist somit ein Wirbelfeld, ein Ergebnis, das wir bereits von einer rotierenden Scheibe her kennen (vgl. hierzu Abschnitt 5.2.2).
•
6.3.4 Kugelsymmetrische Vektorfelder (Zentralfelder) Ein kugel- oder radialsymmetrisches Vektorfeld, in den naturwissenschaftlichen Anwendungen meist als Zentralfeld bezeichnet, vom allgemeinen Typ (1-329) ist fur r #- 0 stets wirbelfrei. Denn das Feld besitzt nur eine Komponente in radialer Richtung und diese wiederum ist nur von r abhangig, nicht aber von den beiden Winkelkoordinaten 9 und tp:
F,. == f (r),
(1-330)
6 Spezielle ebene und raumliche Koordinatensysteme
137
Daher verschwinden in dem Formelausdruck (1-326) fur die Rotation samtliche partiellen Ableitungen, d. h. es gilt rot
F == rot (f (r)
e
r ) ==
0
(1-331 )
Ein Zentralfeld ist somit immer wirbelfrei. Es ist dagegen im allgemeinen nicht quellenfrei, da die Divergenz des Feldes nur in Sonderfdllen verschwindet. Nach Gleichung (1-325) gilt namlich fur die Divergenz: div F
10 2 . - (r . F,.) r 2 or
== -
10 2 . - (r . f (r)) r 2 or
(1-332)
== -
e
Die Divergenz des Zentralfeldes F(r) == f(r) r kann daher nur dann den Wert Null annehmen, wenn das Produkt r2 . f(r) eine Konstante ist, d.h. r 2 . f (r) == const.
oder
f( r)
const.
==2
r
(I-333)
gilt. Dies ist genau dann der Fall, wenn der Betrag des Feldvektors F umgekehrt proportional zum Quadrat des Abstandes r ist.
Wir fassen zusammen:
138
•
I Vektoranalysis
Beispiele (1)
Das Gravitationsfeld der Erde ist ein wirbel- und quellenfreies Zentralfeld. Nach dem Gravitationsgesetz von Newton erfahrt eine Einheitsmasse (m == 1) die folgende Anziehungskraft: -
M_ e,
(r > 0)
F == - y 2 r
(M: Erdmasse; y: Gravitationskonstante; Bild 1-103).
Fur den Betrag dieser Kraft gilt somit:
-I -_ M _ 1F Y r
y M _ const.
2 -
r
2-
r
2'
Bild 1-103
Gravitationsfeld der Erde (ebener Schnitt durch den Erdmittelpunkt)
(2)
Das elektrische Feld in der Umgebung einer (positiven) Punktladung Q ist ein wirbel- und quellenfreies Zentralfeld mit der elektrischen Feldstarke
Q E==---e 2 4n 8 0 r
(r > 0)
r
(Bild 1-104). Denn der Feldstdrkebetrag ist dem Quadrat des Abstandes umgekehrt proportional:
Q- == -Q- . -1 == (const.) . -1 == const. 1E-I == 4 8 r 4 tt 8 r r r tt 0
2
2
0
2
2
6 Spezielle ebene und raumliche Koordinatensysteme
139
-+-
E
•
Bild 1-104 Radialsymmetrisches elektrisches Feld in der Umgebung einer posiliven Punktladung Q (ebener Schnitt durch die Punktladung)
+Q
• 6.3.5 Ein Anwendungsbeispiel: Potential und elektrische Feldstarke in der Umgebung einer geladenen Kugel Eine homogen geladene Kugel mit dem Radius R und der (positiven) Ladung Q erzeugt in ihrer Umgebung ein kugel- oder radialsymmetrisches elektrisches Feld, dessen Potential U = U (~) der Laplace-Gleichung I1U
=
I1U(r)
=0
(r
~ R)
(1-337)
geniigt (Bild 1-105).
geladene Kugel
Bild 1-105 Radialsymmetrisches elektrisches Feld in der Umgebung einer positiv geladenen Kugel (ebener Schnitt durch den Kugelmittelpunkt)
I Vektoranalysis
140
Unter Beriicksichtigung der Kugelsymmetrie lautet diese Differentialgleichung 2. Ordnung dann wie folgt:
(2
au)
dU =
au). or
-12 . -a r . r or or
( u '(r) =
dr
== -1 . -d
r2 dr
2
(r . U (r) == 0 I
(1-338)
Die in dieser Gleichung auftretende Ableitung kann nur dann
verschwinden, wenn das Produkt r2 . U' (r) eine Konstante ist, d. h. wenn r2 • U (r) == const. I
==
C1
(1-339)
gilt. Wir losen diese Gleichung nach U (r) auf und integrieren anschlieBend unbestimmt: I
U'(r) = C21 r
U(r)
== C 1 ·
1 r
C1 r
f
2. dr == - -
+ C2
(1-340)
Das Potential wird dabei iiblicherweise so festgelegt, daBes im Unendlichen verschwindet. Aus der Bedingung U (r == 00) == 0 folgt dann:
U (r
==
00) == 0
C2
=>
==
0
(1-341)
Somit ist
C1
U(r)== - -
(1-342)
r
Die Konstante C 1 UiBt sich aus der Kapazitat C == 4ns oR der Kugel bestimmen (R: Kugelradius; so: elektrische Feldkonstante). Aus der Definitionsformel der Kapazitat
Q
C == - - == 4 tt Eo R U(R)
(1-343)
folgt dann fur das Potential U (R) auf der Kugeloberfldche: U(R)==-Q-
(1-344)
4nsoR
Zusammen mit der Gleichung (1-342) erhalten wir daraus eine Bestimmungsgleichung fur die Konstante C 1 : U(R)==
C1
Q
R
4ns oR
--==--
=>
(1-345)
6 Spezielle ebene und raumliche Koordinatensysteme
141
Das Potential im Auj3enraum der Kugel wird somit durch die kugelsymmetrische Funktion
Q U=U(r)=-4ne or
(r
~
R)
(1-346)
beschrieben. Die elektrische Feldstdrke E ist der negative Gradient des Potentials. Wegen der Kugelsymmetrie gilt dann nach Gleichung (1-324)
-
E = - grad U = -
au _
a;:
e, = -
dU _ e,
a;:
(1-347)
Mit der Ableitung dU
d (
a;: = dr
Q)
4 n Eo r
Q d -1 Q -2Q = 4 n Eo . dr (r ) = 4 n Eo ( - r ) = - 4 n Eo r 2
(1-348)
erhalten wir schlielilich den radial nach auj3en gerichteten Feldstarkevektor dU _ Q_ E=--e=---e dr r 4neor2 r
(r
~
(1-349)
R)
Der Betrag der Feldstarke nimmt dabei mit zunehmender Entfernung r vom Kugelmittelpunkt ab und zwar umgekehrt proportional zum Quadrat des Abstandes (Bild 1-106).
E(r)
E(R)
Bild 1-106 Verlauf der elektrischen Feldstarke in der Umgebung einer positiv geladenen Kugel
R
r
142
I Vektoranalysis
7 Linien- oder Kurvenintegrale 7.1 Ein einfiihrendes Beispiel Wir fiihren den Begriff eines Linien- oder Kurvenintegrals in anschaulicher Weise am Beispiel der physikalischen Arbeit ein, die von einer Kraft bzw. einem Kraftfeld beim Verschieben eines Massenpunktes verrichtet wird. Schrittweise gehen wir dabei wie folgt vor: Verschiebung lings einer Geraden durch eine konstante Kraft (Bild 1-107)
Der Massenpunkt wird durch eine konstante Kraft F langs einer Geraden urn den Vektor s verschoben. Die dabei verrichtete Arbeit ist definitionsgemaf das skalare Produkt aus dem Kraftvektor Fund dem Verschiebungsvektor s:
W=F's=P's'cosqJ
(1-350)
(vgl. hierzu auch Band 1, Abschnitt 11.3.3.5).
s
Bild 1-107 Zum Begriff der Arbeit einer konstanten Kraft beim Verschieben langs einer Geraden
Verschiebung lings einer Geraden durch eine ortsabhangige Kraft (Bild 1-108) Frs)
s
dss +ds
s
Bild 1-108 Zum Begriff der Arbeit einer ortsabhdngigen Kraft beim Verschieben langs einer Geraden
Die auf den Massenpunkt einwirkende Kraft ist jetzt von Ort zu Ort verschieden: F = F(s). Wir zerlegen das geradlinige Wegstiick in eine groBe Anzahl von sehr kleinen Wegelementen, Iangs eines jeden Wegelementes darf dann die einwirkende Kraft als nahezu konstant betrachtet werden. Die bei einer infinitesimal kleinen Verschiebung des Massenpunktes urn ds verrichtete Arbeit betragt dann definitionsgemaf
dW = F (s) . ds = F;;(s) ds
(1-351)
~(s) ist dabei die Kraftkomponente in Wegrichtung. Durch Integration erhalten wir die insgesamt von der Kraft F(s) langs des (geradlinigen) Weges von Sl nach S2 geleistete Arbeit.
143
7 Linien- oder Kurvenintegrale Sie fuhrt uns zu dem Arbeitsintegral
f ff
S2
W=
f
S2
dW =
S2
(s) . ds =
(1-352)
Fs(s) ds
(vgl. hierzu auch Band 1, Abschnitt V.l0.6) Allgemeiner Fall: Verschiebung lings einer Kurve in einem Kraftfeld (Bild 1-109)
Die bisher betrachteten Verschiebungswege waren ausschlieBlich geradlinig. Diese Einschrankung lassen wir nun fallen, wir wenden uns dem allgemeinen Fall zu: In einem ebenen Kraftfeld F(x; y) solI ein Massenpunkt vom Punkt ~ aus langs einer Kurve emit dem Ortsvektor r == r(t) in den Punkt ~ verschoben werden (t 1 ~ t ~ t 2 ) . Welche Arbeit wird dabei vom Kraftfeld an der Masse verrichtet? y
Bild 1-109 Zum Begriff der Arbeit in einem (beliebigen) ebenen Kraftfeld
x
Bei der Berechnung der Arbeit miissen wir beriicksichtigen, daB die auf den Massenpunkt langs der Kurve C einwirkende Kraft von Ort zu Ort variiert. Wir gehen daher analog vor wie in Fall 2 und zerlegen die Kurve C zunachst in eine groBe Anzahl von Wegelementen, wobei wiederum langs eines jeden Wegelementes eine nahezu konstante Kraft angenommen werden darf. Beim Verschieben des Massenpunktes von P aus urn ein infinitesimal kleines Wegelement dr in den Punkt Q verrichtet das Kraftfeld die Arbeit - _ (Fx(X; y)) . (dX) ==Fx(x;y)dx+F(x;y)dy dW==F·dr== Fy(x; y) dy y
(1-353)
(Bild 1-110). Die bei einer Verschiebung auf der Kurve C von ~ nach ~ insgesamt vom Kraftfeld aufzubringende Arbeit erhalten wir dann durch Integration: W=
f ff . f dW =
c
d'f =
c
(Fx(x; y) dx
c
+ Fy(x~ y) dy)
(1-354)
I Vektoranalysis
144 y
c
Bild 1-110 Zur Herleitung des Arbeitsintegrals
x
Da die Integration langs einer bestimmten Kurve, auch Weg oder Linie genannt, erfolgt, bezeichnet man ein solches Integral als Linien- oder Kurvenintegral und schreibt verabredungsgemaf das Kurvensymbol (hier: C) unten an das Integralzeichen. Bei der Berechnung des Integrals ist dabei zu beachten, daB das Kraftfeld noch von den Koordinaten x und y des Kurvenpunktes P abhangt. Diese jedoch sind keineswegs voneinander unabhangig, sondern tiber die Kurvengleichung miteinander verkniipft. Fiir die Koordinaten x und y setzt man daher die Parametergleichungen x (t) bzw. y(t) der Integrationskurve C ein. Die langs dieses Weges wirkende Kraft hangt dann nur noch yom Kurvenparameter tab. Das Wegelement dr ersetzen wir noch durch den Tangentenvektorr = ;(t) und das Differential dt des Parameters t. Es ist ~ dr r=-
und somit
dt
_
~ d r = r dt =
Das Arbeitsintegral (Linienintegral)
(x(t)) Y(t) dt
(1-355)
f
F . dr geht schlieBlich mit Hilfe dieser Substitu-
c tion in ein gewohnliches Integral iiber:
W=
t2
f
f
C
t1
F . dr =
(11 . -;) dt =
t2
=
f
fFx(x(t); y(t))· x(t) + Fy(x(t); y(t)) . y(t)) dt
(1-356)
t1
•
Beispiel
Wir berechnen die Arbeit, die das ebene Kraftfeld F(x; y) =
G~2)
Massenpunkt bei einer geradlinigen Verschiebung von Pi = (0; 0) nach verrichtet (Bild 1-111).
an einem ~
= (1;
1)
7 Linien- oder Kurvenintegrale
145
y
c Bild 1-111
x
P t = (0;0)
Der Integrationsweg C lautet in vektorieller Darstellung:
c: Fur
F, ;
r(t) =
C~:;) = (:)
und das Skalarprodukt
(0 ~ t ~ 1)
F.; erhalten wir dann:
Die vom Kraftfeld geleistete Arbeit betragt somit nach der Integralformel (1-356): 2
W
==
f t
t1
-.
~
(F· r) dt
==
fi (t 3 + t 2 ) dt ==
[1 t + -1t ] 7 -
4
4
3
3
1
0
== -
12
•
0
7.2 Definition eines Linien- oder Kurvenintegrals Die Berechnung der Arbeit eines ebenen Kraftfeldes an einer punktformigen Masse fiihrte uns zu dem Begriff eines Linien- oder Kurvenintegrals. Wir iibertragen diesen Begriff nun auf ein rdumliches Vektorfeld.
146
I Vektoranalysis
Anmerkungen (1) Das Linien- oder Kurvenintegrai (1-357) lautet in ausfiihrlicher Schreibweise wie folgt: t2
f
[FAx; y; z) dx
+ Fy(x; y; z) dy + FzCx; y; z) dz]
C
=
f
(Fx x + FyY
+ Fzz) dt
t 1
(1-358)
F(x; y) und
(2)
Die Definition (1-357) gilt sinngemaf auch fur ein ebenes Vektorfeld eine ebene Kurve == r(t).
(3)
Man beachte, daB der Wert eines Linien- oder Kurvenintegrals i. a. nicht nur vom Anfangs- und Endpunkt des Integrationsweges, sondern auch noch vom eingeschlagenen Verbindungsweg abhangt.
(4)
Wird der Integrationsweg C in der umgekehrten Richtung durchlaufen (symbolische Schreibweise: - C), so tritt im Integral ein Vorzeichenwechsel ein:
r
fl.
dr
= -
-c (5)
fl.
(1-359)
dr
c
Fiir ein Kurvenintegral langs einer geschlossenen Linie C verwenden wir das Symbol
fl.
dr oder auch
fl.
dr (Bild 1-112). Ein so1ches Kurvenintegral wird
c in den physikalisch-technischen Anwendungen auch als Zirkulation des Vektorfeldes F langs der geschlossenen Kurve C bezeichnet.
BUd 1-112 Geschlossener Integrationsweg C mit dem Anfangs- und Endpunkt Pi
c (6)
fl. fl. f(I.T)
Das Kurvenintegral
dr HiBt sich auch wie folgt ausdriicken:
c
dr
c
=
ds
(1-360)
c
Dabei ist T der Tangenteneinheitsvektor und ds das Linienelement der Kurve C (Bild 1-113). Integriert wird dann tiber die Tangentialkomponente des Vektorfeldes F langs der Kurve C.
147
7 Linien- oder Kurvenintegrale
Kurve C
Tang~ntialkomponente
von F
Bild 1-113 Zur Integration tiber die Tangentialkomponente des Vektorfeldes F
Analog HiBt sich auch ein Kurvenintegral tiber die N ormalkomponente von langs des Weges C definieren:
F
(1-361)
N ist dabei der
Hauptnormaleneinheitsvektor der Kurve C.
7.3 Berechnung eines Linien- oder Kurvenintegrals Die Berechnung eines Linien- oder Kurvenintegrals wird wie folgt vorgenommen:
148
•
I Vektoranalysis
Beispiele (1)
Wir berechnen das Linienintegral f (y . eX dx
+ eX dy)
langs des parabel-
c [iirmigen Verbindungsweges C: x = t, Y = t 2 der beiden Punkte 0 = (0; 0) und P = (1; 1) (Bild 1-114). y P
= (1 ;1)
Bild 1-114 Parabelformiger Integrationsweg C
o
x
Langs dieses Weges gilt: x = t,
.
x
dx dt
=- =1
dx = dt
'
. dy Y=dt=2t,
dy=2tdt
::s; t ::s; 1). Durch Einsetzen dieser Ausdriicke in das Linienintegral erhalten wir dann:
(0
1
f (y. e" dx
+ eX dy) =
C
f (t 2 • e' dt
+ e t • 2t dt) =
0 1
=
f (t 2 • c'
+ 2t· e') dt =
o 1
=
=
f t
1 2
•
c' dt
+ 2 . ft.
o
0
[(t2 - 2t + 2)·
etI
= (e - 2) + 2(0
c' dt =
+ 2[(t -
+ 1) = e -
2
1)·
etI
+ 2 = e = 2,7183
Die anfallenden Integrale haben wir dabei der I ntegraltafel der Formelsammlung entnommen (IntegraleNr. 313 bzw. Nr. 314).
7 Linien- oder Kurvenintegrale (2)
149
Welchen Wert besitzt das Linienintegral des raumlichen Vektorfeldes F(x; y; z) =
(2:2::2)
langs der Kurve C, die durch den Ortsvektor
x+z
r(t)
=(;2)
mit 0 :::;: t:::;: 1 beschrieben wird?
Liisung :
Es ist x = t, Y =
und z = t und somit
t? 4
_ F
=
(2t+t t5
)
,
2t
= (2 t + t 4 ) . 1 + t 5 . 2 t + 2 t . 1 = 2 t'' + t 4 + 4 t 87
35
•
Bei einem ebenen Problem, d. h. einem Linienintegral in der Ebene, liegt der Integrationsweg C haufig in Form einer expliziten Funktionsgleichung y = f (x) vor. Die Berechnung des Linienintegrals
fi
0
dr wird dann wie folgt vorgenommen: Man ersetzt
C
die Koordinate y durch die Funktionf(x) und das Differential dy durchf'(x)dx und erhalt auf diese Weise ein gewohnliches Integral mit der Integrationsvariablen x (die Integrationsgrenzen sind dabei die Abszissenwerte der beiden Kurvenrandpunkte):
fi
0
dr =
c
f
(FAx; y) dx
+ Fy(x; y) dy) =
c
f
X2
=
•
[FAx;f(x))
+ Fy(x;f(x)) of'(x)] dx
Beispiel Wir berechnen das Kurvenintegral
f
(x y2 dx
+ x y dy) fur
(1-362)
die in Bild 1-115 skiz-
c zierten Verbindungswege der Punkte 0 = (0; 0) und P =(1; 1).
150
I Vektoranalysis y P
= (1;1)
y=x 3 Bild 1-115
Drei verschiedene Verbindungswege der Punkte 0 = (0; 0) und P = (1; 1)
x
0=(0;0)
Integrationsweg C 1: Y = dy == 1 dx '
X,
0
~ X ~
1
dy == dx 1
f
(X
y2 dx
+ X Y dy) =
C1
f
1 (X .
2
x dx
+ X . X dx) =
0
f (x
3
+ x 2) dx
0
Integrationsweg C 2 : Y = x 3 , 0 ~
X
~
1
dy == 3x 2 dx 1
f(
x y2 dx
+ xy dy) =
C2
f
(X .
x" dx
+ X . x 3 • 3x 2 dx) =
0 1
f
[
== (x7 + 3 x 6 ) dx == -1 x 8 + -3 X 7 .
o
Integrationsweg C 3
= Ci + c;*
Teilweg Cf ldng« der y-Achse von 0 nach Q:
x == 0,
f Cf
dx == 0, 1
(X
y2 dx
+ X Y dy) =
f
0 dy = 0
0
8
7
J1 == -3156 0
=
151
7 Linien- oder Kurvenintegrale Teilweg Cj* ldngs der Geraden y = 1 von Q nach P: dy = 0,
y = 1,
Langs des Gesamtweges C 3 gilt somit:
Wir stellen fest: In diesem Beispiel hangt das Linienintegral nicht nur vom Anfangs- und Endpunkt des Weges, sondern auch noch von dem eingeschlagenen Verbindungsweg selbst abo Wir erhalten fur jeden der drei Verbindungswege einen anderen Wert.
•
7.4 Wegunabhangigkeit eines Linien- oder Kurvenintegrals. Konservative Vektorfelder Wir untersuchen in diesem Abschnitt die Voraussetzungen, unter denen der Wert eines Linien- oder Kurvenintegrals nur vom Anfangs- und Endpunkt, nicht aber vom eingeschlagenen Verbindungsweg der heiden Punkte abhangt, wobei wir uns zunachst auf ebene Vektorfelder beschranken wollen. Ein Linienintegral vom Typ
fi . f dr =
c
(FAx; y) dx
+ Fy(x; y) dy)
(1-363)
c
ist wegunabhdngig, wenn die lineare Differentialform
p. dr = Fx(x; y) dx + Fy(x; y) dy
(1-364)
vollstdndig ist, d. h. das totale oder vollstdndige Differential d¢ einer ortsabhangigen Funktion <jJ(P) = <jJ(x; y) darstellt: d¢ = F; dx
+ F; dy =
o¢
o¢
ox dx + oy dy
(1-365)
Dann namlich gilt:
fi . f dr =
c
(Fx dx
c
+ Fy dy) =
f(~~ c
P2
dx
+ ~~ dy) =
f
d¢ = [¢(P)J; =
Pt
(1-366)
152
1 Vektoranalysis
Das Linienintegral hangt in diesem Fall nur vom Anfangspunkt ~ == (Xl; Y1) und dem Endpunkt ~ == (x 2; Y2) des Integrationsweges abo Ein Vektorfeld mit dieser Eigenschaft wird in den Anwendungen als konservatives Feld oder Potentialfeld, die Funktion ¢(x; y) als Potentialfunktion oder kurz als Potential des Feldes bezeichnet.
Woran aber kann man nun erkennen, ob ein vorgegebenes (ebenes) Vektorfeld F(x; y) mit den skalaren Komponenten Fx(x; y) und Fy(x; y) konservativ ist oder nicht? Die Beantwortung dieser Frage ist in der Praxis von groBer Bedeutung. Falls F(x; y) konservativ, d. h. ein Potentialfeld ist und ¢ (x; y) die zugehorige Potentialfunktion 18), so gilt jedenfalls:
a¢
F ==x
ax
und
a¢
F ==y
ay
(1-367)
Die skalaren Komponenten des Feldvektors F(x; y) sind in diesem Fall die partiellen Ableitungen i.Ordnung der Potentialfunktion ¢(x; y), d.h. der Feldvektor F(x; y) ist der Gradient der Potentialfunktion ¢(x; y):
F(x; y) == grad ¢(x; y) ==
(1-368)
Die Wegunabhdngigkeit eines Linienintegrals bedeutet also, daB das Vektorfeld als Gradient einer Potentialfunktion darstellbar ist. Unter den Voraussetzungen des Schwarzschen Satzes gilt dann weiter: und somit
(1-369)
Diese Bedingung ist notwendig und zugleich hinreichend fur die Wegunabhangigkeit eines Linienintegrals vom Typ (1-363). Sie laBt sich auch durch die Gleichung rot
F == 0
beschreiben.
18)
Die Potentialfunktion ist bis auf ein konstantes Glied eindeutig bestimmt.
(1-370)
7 Linien- oder Kurvenintegrale
153
Denn bekanntlich verschwindet bei einem ebenen Feld F == F(x; y) sowohl die x-Komponente als auch die y-Komponente des Vektors rot F automatisch, wahrend die z-Komponente
-
oPy - -oPx ox oy
(rot P) == z
(I -371)
offensichtlich genau dann Null wird, wenn die Bedingung (1-369) erfullt ist:
-
(rot P)
oPy - -oP ox oy
== z
x
==
0
<=>
oPy == -oP ox oy
-
x
(1-372)
Fur ein rdumliches Verktorfeld ergeben sich analoge Beziehungen zwischen den partiellen Ableitungen 1. Ordnung der skalaren Vektorkomponenten. Auch in diesem Fall ist rot F == 0 eine notwendige und hinreichende Bedingung fur die Wegunabhdngigkeit.
I Vektoranalysis
154 Anmerkungen
(1)
Ein Bereich heiBt einfach-zusammenhiingend, wenn sich jede im Bereich gelegene geschlossene Kurve auf einen Punkt "zusammenziehen" HiBt. Ein ebener einfachzusammenhangender Bereich wird von einer einzigen geschlossenen Kurve begrenzt. Beispiele sind in Bild 1-116 dargestellt (rechteckiger bzw. kreisformiger Bereich).
,
.
".
-
"
J I I
.
.
'\
I
.
.
..
.
v
~
- -----x
x b)
a)
Bild 1-116 Eitifach-zusammenhangende Bereiche a) Rechteckiger Bereich b) Kreisformiger Bereich
innerer Rand iiuBerer Rand
Bild 1-117
Bild 1-118
Zweifach-zusammenhangender Bereich
x, y-Ebene mit einem "Loch" im Koordinatenursprung
Besteht der Rand eines Bereiches jedoch aus mehreren geschlossenen Kurven, so liegt ein mehrfach-zusammenhdngender Bereich vor. Bild 1-117 zeigt einen (ebenen) zweifach-zusammenhdngenden Bereich. Auch die x, y-Ebene ohne den Nullpunkt stellt einen zweifach-zusammenhdngenden Bereich dar (Bereich mit einem sog. "Loch"; Bild 1-118).
7 Linien- oder Kurvenintegrale
155
(2)
Die Bedingung (1-373) bzw. (1-374) wird auch als Integrabilitiitsbedingung bezeichnet.
(3)
Im FaIle der Wegunabhangigkeit verschwindet das Linienintegral langs einer geschlossenen Kurve. Sind namlich C l und C 2 zwei verschiedene Verbindungswege der Punkte Ii und ~ (Bild 1-119), so ist wegen der Wegunabhiingigkeit
f F' dr f F' dr
(1-378)
=
C1
C2
Bild 1-119 Im Falle der Wegunabhdngigkeit verschwindet das Linienintegral langs des geschlossenen Weges C l - C2 (C l und C 2 sind zwei von Pi nach P 2 orientierte Verbindungswege)
Fur die geschlossene Kurve C l - C 2 , die zunachst von Ii langs der Kurve C l nach P2 und von dort Iangs der Kurve - C 2 zuriick nach Pl fiihrt, gilt dann unter Beriicksichtigung der Gleichung (1-378):
fF .dr f F. dr f F' dr + f F' dr f F' dr - f F' dr =
=
C1
-
C2
=
-C 2
C1
(1-379)
=0
=
C1
C2
Wir hatten bereits erkannt, daB ein Linien- oder Kurvenintegral
fF. dr
genau dann
C
wegunabhiingig ist, wenn das (ebene oder raumliche) Vektorfeld ff als Gradient einer ortsabhangigen Funktion ¢, Potentialfunktion genannt, darstellbar ist: ff = grad ¢. Da die konservativen Vektorfelder in Naturwissenschaft und Technik eine iiberragende Rolle spielen, wollen wir ihre wichtigsten Eigenschaften wie folgt zusammenstellen:
156
•
I Vektoranalysis
Beispiele (1)
Das ebene Vektorfeld Potentialfeld, da
F(x; y) == 3 x 2 y
oF 0 2 2 - x == - (3 x y) == 3 x
oy
oy
ex + x 3 ey ist konservativ, d. h. ein
und
und somit die lntegrabilitdtsbedingung (1-373) erfiillt ist:
oFx
st;
-==-==3x
oy
2
ox
Das Linienintegral
ff . f
(3 Xl Y dx
dr =
C
c
+ x 3 dy)
7 Linien- oder Kurvenintegrale
157
ist daher wegunahhdngig, wobei C einen beliebigen Verbindungsweg zweier Punkte ~ und ~ bedeutet, d.h. es gilt: Pz
ff . f
+ x 3 dy)
2
(3 x y dx
dr =
~
C
Wir bestimmen nun die Potentialfunktion ¢(P) = ¢(x; y), deren partielle Ableitungen 1. Ordnung wir bereits kennen. Denn es gilt
F = grad ¢ und somit o¢
-
ox =
F = 3x Z y
und
x
o¢
- = F =X
oy
3
y
Wir integrieren oel> und beachten dabei, daB die Integrationskonstante noch
ox
von der Variablen y abhangen kann:
Durch partielle Differentiation nach y und unter Beriicksichtigung von o¢ = x3 erhalten wir daraus schlieBlich:
oy
o¢ =
-
oy
X
3
+ K ' (y) =
x
3
K'(y) = 0 ~ K(y) = const. = K o
Die Potentialfunktion lautet daher: ¢(x;y)=x 3 y + K o
Fiir einen beliebigen, von tionsweg C gilt somit:
(2)
~
= (Xl; Yl) nach
~
= (x z; yz) fiihrenden Integra-
Wir betrachten das folgende, in Polarkoordinaten definierte Vektorfeld: -+
-+
-+
F=F(r;({J)=r er
({J
+-
r
eq>
(r > 0)
158
I Vektoranalysis Die Rotation dieses Feldes verschwindet in jedem Bereich, der den Koordinatenursprung nicht enthalt, Denn mit
F,.
und
== r
folgt nach Gleichung (1-244) fur die z-Komponente der Rotation (die x- und y-Komponenten verschwinden bei einem ebenen Feld bekanntlich automatisch): (rot F) z
=;:1 . or0 (r . F'fJ) -
1 sr; ;: . ocp
=;:1 [0or (cp) -
0 ocp (r)
J=
0
Das Vektorfeld Fist somit fur r > 0 wirbelfrei. Jetzt berechnen wir das Linienintegral dieses Feldes langs des Mittelpunktskreises K mit dem Radius r (Bild 1-120).
y
-,
r
x
Bild 1-120 Zur Integration Iangs eines Mittelpunktskreises mit dem Radius r
Kreis K
Da der Vektor dr hier tangentiale Richtung hat und somit zum Tangenteneinheitsvektor (Basisvektor) eqJ parallel verlauft, laBt er sich in der Form
dr
==
ds eqJ
==
(r dqJ) eqJ
darstellen 19). Damit erhalten wir fur das Skalarprodukt druck
- d-r == (r -e; + -;: qJ F· eqJ) . d-r == (r -e, ==
r2 de: (er ' eqJ)
+ qJ dqJ
~
o 19)
ds = r dip ist das Linienelement des Kreises.
+ -;:qJ
eqJ) . (d r qJ -) eqJ
(eqJ' eqJ) == qJ dip '-...---'
1
F' ==
dr den Aus-
7 Linien- oder Kurvenintegrale
159
Das Linienintegral langs des Kreises K besitzt damit den folgenden Wert:
Wir erhalten somit langs der geschlossenen Kreislinie einen von Null verschiedenen Wert, obwohl die Rotation des Vektorfeldes F verschwindet. Diesen nur scheinbaren Widerspruch losen wir jetzt wie folgt auf: Die Integrationskurve K umschlieBt eine Singularitdt, namlich den N ull== 0, in dem der Feldvektor F nicht definiert ist. Unsere Kreislinie liegt somit nicht - wie im Kriterium (1-373) gefordert - in einem einfachzusammenhdngenden Bereich, sondern in einem zweifach-zusammenhdngenden Bereich (gesamte x, y-Ebene mit Ausnahme eines "Loches" im Nullpunkt). Diese Aussage gilt im iibrigen auch fiirjede andere geschlossene Kurve urn den Nullpunkt. Mit anderen Worten: Die Kreislinie K liegt in einem Bereich, in dem die Bedingung rot F == 0 nur fur r > 0 erfiillt ist. Das Kriterium fur die Wegunabhangigkeit eines Kurven- oder Linienintegrals ist somit in unserem konkreten Fall nicht anwendbar. punkt r
• 7.5 Anwendungsbeispiele aus Physik und Technik 7.5.1 Kugelsymmetrische Vektorfelder (Zentralfelder) Wie bereits bekannt, verschwindet die Rotation eines kugelsymmetrischen Vektorfeldes oder Zentralfeldes F == f (r) r in jedem Bereich, der den Nullpunkt r == 0 nicht enthalt:
e
rot
F == 0
(r > 0)
(1-384)
Daher ist ein Zentralfeld in jedem einfach-zusammenhangenden Gebiet, das den Nullpunkt ausschlieBt, konservativ. Da aber der Nullpunkt die einzige singulare Stelle im Raum ist, lafit sich jede geschlossene Kurve C ober- oder unterhalb des Nullpunktes auf einen Punkt zusammenziehen. Der Raum ohne Nullpunkt stellt also fur ein Zentralfeld einen einfach-zusammenhangenden Bereich dar. Somit gilt fur jede geschlossene Kurve C, die nicht durch den Nullpunkt verlauft: (1-385)
Mit anderen Worten: Ein kugel- oder radialsymmetrisches Vektorfeld (Zentralfeld) ist stets konservativ.
I Vektoranalysis
160
•
Beispiel
Sowohl das Gravitationsfeld der Erde als auch das elektrische Feld einer Punktladung sind Zentralfelder und somit konservative Vektorfelder.
•
7.5.2 Magnetfeld eines stromdurchflossenen linearen Leiters In der Umgebung eines stromdurchflossenen linearen Leiters existiert ein ringfiirmiges Magnetfeld mit der magnetischen Feldstdrke 1-+ H==-- e -+
2ng
(Q > 0)
(1-386)
qJ
(in Zylinderkoordinaten; I: Stromstarke; o: senkrechter Abstand des Punktes P von der Leiterachse; Bild 1-121). z
rinqtormiqes Magnetfeld
i~ I
magnetische Feldlinie K
elektrischer Leiter
Bild 1-121 Ringformiges Magnetfeld in der Umgebung eines stromdurchflossenen linearen Leiters
Bild 1-122 Zur Integration langs einer kreisformigen magnetischen Feldlinie
Wir interessieren uns nun fur das geschlossene Linienintegral
fifo dr liings
einer
K
kreisfiirmigen Feldlinie K urn den Leiter (Berechnung der "Zirkulation"; Bild 1-122).
7 Linien- oder Kurvenintegrale
161
Der differentielle Verschiebungsvektor dr liegt dabei in der Kreistangente und ist somit in der Form
== ds
dr
(1-387)
e
darstellbar, wobei ds das Linienelement bedeutet. Daher gilt: -
-+
H . dr
~ I == -I- ds \e . e ) == - - ds -+
2nQ
(I-388)
2nQ
1 Wir erhalten damit fur die "Zirkulation":
f-
H . d r == - I
.
-+
2nQ
K
f
ds
== - I
. 2 tc Q == I
(1-389)
2nQ
K
Dabei haben wir beriicksichtigt, daB das geschlossene Linienintegral
f
ds den Umfang
K
der kreisformigen magnetischen Fcldlinie reprasentiert und somit den Wert 2 tt Q besitzt. Die "Zirkulation" hat also den von Null verschiedenen Wert I. Dies aber bedeutet, daB das Magnetfeld nicht konservativ sein kann, obwohl aufJerhalb der Leiterachse, d. h. fur Q > 0 die Rotation des Feldes verschwindet: rot
H == 0
(1-390)
fur
Diesen nur scheinbaren Widerspruch klaren wir wie folgt auf: Das Kriterium fur die Wegunabhangigkeit eines Linienintegrals setzt bekanntlich voraus, daB der Bereich, in dem die Rotation des Feldes verschwinden muB, einfachzusammenhangend ist. Genau diese Voraussetzung ist jedoch in unserem Fall nicht gegeben. Denn die kreisformige Feldlinie umschlieBt die (unendlich lange!) Leiterachse, langs der das Magnetfeld iiberhaupt nicht definiert ist, und laBt sich somit nicht auf einen Punkt zusammenziehen, ohne dabei die Leiterachse zu schneiden. Die Voraussetzung eines eilifach-zusammenhangenden Bereiches ist daher in diesem Anwendungsbeispiel nicht gegeben.
7.5.3 Elektrisches Feld eines geladenen Drahtes Wir betrachten das elektrische Feld in der Umgebung eines unendlich langen homogen geladenen Drahtes. Wegen der Zylindersymmetrie des Feldes konnen wir uns auf einen ebenen Schnitt senkrecht zum Leiter beschranken, Das elektrische Feld besitzt dann die in Bild 1-123 skizzierte Struktur und laBt sich (in Polarkoordinaten) durch die elektrische Feldstdrke
A-+ E- == E(r) == - - e, 2n8 or
(r > 0)
beschreiben. (A: Ladungsdichte, d. h. Ladung pro Langeneinheit; konstante).
(I-391) 8 0:
elektrische Feld-
162
1 Vektoranalysis
dr
Leiterquerschnitt
Bild 1-123 Elektrisches Feld in der Umgebung eines homogen geladenen Drahtes (positive Ladungsdichte ; ebener Schnitt senkrecht zur Drahtachse)
Kreis K
Bild 1-124 Zur Integration langs eines konzentrischen Kreises
Wir interessieren uns nun fiir die sag. .Umlaufspannung''
t
i . dr,
wobei wir als Inte-
K
grationsweg einen konzentrischen Kreis K mit dem Radius r wahlen (Bild 1-124). Da der dif[erentielle Verschiebungsvektor dr tangentiale Richtung besitzt und somit auf dem Feldstarkevektor E senkrecht steht, gilt (1-392)
und somit auch (1-393)
Dieses Ergebnis ist aus physikalischer Sicht vollig einleuchtend, da die Integration langs einer .ifquipotentiallinie des Feldes erfolgt, auf der das Potential bekanntlich einen kon-
ti .
stanten Wert besitzt. Es HiBt sich sogar zeigen, daB das Linienintegral geschlossene Kurve C verschwindet. c
dr fiir jede
7 Linien- oder Kurvenintegrale
163
7.6 Arbeitsintegral 7.6.1 Arbeit eines Kraftfeldes Unser einfuhrendes Beispiel in Abschnitt 7.1 fiihrte uns zu dem als Arbeitsintegral bezeichneten Linien- oder Kurvenintegral t2
W=
fF. f(F . dr =
C
f) dt
(1-394)
t1
Es beschreibt die physikalische Arbeit, die das ebene Kraftfeld F(x; y) an einem Massenpunkt verrichtet, wenn dieser unter dem EinfluB des Feldes von einem Punkt PI aus Iangs der Kurve C in einen Punkt ~ verschoben wird (Bild 1-125). r == r(t) ist dabei der Ortsvektor der Kurve, r == r(t) der zugehorige Tangentenvektor (t 1 ~ t ~ t 2 ) . y
Bild 1-125 Zum Begriff des Arbeitsintegrals in einem ebenen Kraftfeld
c x
Die Integralformel (1-394) gilt sinngemaf auch fur ein rdumliches Kraftfeld F(x; y; z) und eine Raumkurve emit dem Ortsvektor r == r(t), t 1 ~ t ~ t 2 (Bild 1-126).
z
Bild 1-126 Zum Begriff des Arbeitsintegrals in einem rdumlichen Kraftfeld
y x
I Vektoranalysis
164
Anmerkungen (1)
Man beaehte, daB das Arbeitsintegral (1-395) die vom Kraftfeld an der Masse verriehtete Arbeit angibt. Sie kann daher positiv oder negativ ausfallen. Will man einen Massenpunkt entgegen dem wirkenden Kraftfeld versehieben, so benotigt man dazu stets eine gleieh groBe Gegenkraft (Vorzeichenwechsel, vgl. hierzu aueh das Anwendungsbeispiel in Absehnitt 7.5.3).
(2)
In den Anwendungen wird das Wegelement dr haufig aueh dureh das Symbol ds (infinitesimaler Verschiebungsvektor) gekennzeiehnet.
(3)
Eine besondere Rolle spielen in den Anwendungen die konservativen Felder (Potentialfelder). Zu ihnen gehoren z. B. die homogenen und kugelsymmetrischen Kraftfelder der Physik. Diese Felder erfiillen die Bedingungen (1-374) bzw. (1-375) fur die Wegunabhdngigkeii eines Linienintegrals. Das Arbeitsintegral (1-395) hangt daher in einem konservativen Kraftfeld nur vom Anfangs- und Endpunkt des Weges, nicht aber vom Verbindungsweg der beiden Punkte abo
7.6.2 Ein Anwendungsbeispiel: Elektronen im Magnetfeld
v
Wir betraehten einen Elektronenstrahl, der mit der (konstanten) Gesehwindigkeit senkrecht in ein homogenes Magnetfeld mit der FluBdiehte B eingesehossen wird. Die Elektronen erfahren dort die sog. Lorentz-Kraft
~
== -
e(v x
B)
(I-396)
v
die als Vektorprodukt aus und B daher sowohl zur Bewegungsriehtung als aueh zur Riehtung des Magnetfeldes senkrecht steht (e: Elementarladung; Elektronen tragen bekanntlieh eine negative Elementarladung). Die Lorentz-Kraft wirkt dabei als Zentripetalkraft und zwingt die Elektronen auf eine Kreisbahn K urn die Feldriehtung als Aehse (Bild 1-127).
7 Linien- oder Kurvenintegrale
165 Feldrichtung
Feldrichtung
K
K
Tangente
-.
v
Elektron -e
Elektron - e
Bild 1-128 Das homo gene Magnetfeld verrichtet keine Arbeit an dem Elektron
Bild 1-127 Kreisformige Elektronenbahn in einem homogenen Magnetfeld
Das Magnetfeld verrichtet jedoch keine Arbeit an den Elektronen, wie wir jetzt zeigen wollen. In dem Zeitintervall dt hat sich ein Elektron in der Tangentenrichtung urn das (infinitesimal kleine) Wegelement dr fortbewegt. Die auf das Elektron einwirkende Lorentz-Kraft ~ steht dabei senkrecht auf dem Verschiebungsvektor dr (Bild 1-128). Daher ist dW ==
FL . dr == 0
(1-397)
und das Arbeitsintegral (1-395) verschwindet somit: (1-398)
(das geschlossene Linienintegral gibt die vom Magnetfeld verrichtete Arbeit pro Umlauf an). Zum gleichen Ergebnis gelangt man auch wie folgt. Es ist dr v ==dt
-+
und somit
(1-399)
Die im Zeitintervall dt vom Magnetfeld dann: dW == ~ . dr == - e (v x
B) .v dt
~
B an einem Elektron verrichtete Arbeit
== -
e
[v Bv]
dt == 0
betragt (1-400)
'-..r---'
o Denn das Spatprodukt halt.
[v Bv] == (v x B) .v verschwindet, da es zwei gleiche Vektoren ent-
I Vektoranalysis
166
8 Oberflachenintegrale 8.1 Ein einfiihrendes Beispiel Der Begriff eines .Dberfiiichenintegrols'' HiBt sich in sehr anschaulicher Weise am konkreten Beispiel einer Flussigkeitsstriimung einfiihren. Dabei interessieren wir uns zunachst fur die Fliissigkeitsmenge, die in der Zeiteinheit durch ein (vollig durchlassiges) ebenes Flachenclemcnt stromt, das in die stromende Fliissigkeit eingebracht wurde. Unser Stromungsmodell wird dann schrittweise erweitert, bis wir auf das sog. "FlufJintegral" oder .Dberfldchenintegral" stoBen. Dieses Integral ist dann ein MafJ fur die Fliissigkeitsmenge, die in der Zeiteinheit durch ein bestimmtes Flachenstiick hindurchstromt, das in das Stromungsfeld der Fliissigkeit gebracht wurde. Konstante Stromungsgeschwindigkeit, Flachenelement senkrecht zur Stromung
(Bild 1-129) Wir betrachten eine Flussigkeitsstromung mit der konstanten Stromungsgeschwindigkeit v. In diese Stromung bringen wir ein ebenes, vollig durchlassiges Flacheneiement L\A und zwar senkrecht zur Stromungsrichtung (Bild 1-129).
LlA
Bild 1-129 Fliissigkeitsstromung durch ein Flachenelement das senkrecht zur Stromung orientiert ist
~A,
Welche Fliissigkeitsmenge flieBt in der Zeiteinheit durch dieses Flachenelement? Wir losen diese Aufgabe wie folgt: Ein Fliissigkeitsteilchen legt in der Zeit L\t den Weg L\s == v . L\t zuriick (v == IvI). Dann flieBen alle diejenigen Teilchen, die sich zum Zeitpunkt t links vom Flachcnclement L\A befinden und von diesem einen Abstand haben, der nicht grofJer ist als L\s, in den folgenden L\t Sekunden durch diese Flache hindurch. Dies aber sind genau diejenigen Fliissigkeitsteilchen, die sich zur Zeit t in dem quaderfiirmigen Volumenelement
L\ V == (L\A) L\s
==
L\A . v . L\t
links vom Flachenelement L\A befinden (Bild 1-130).
(1-401)
8 Oberflachenintegrale
167
LlV
/
~
/
~ ~
I I v I •
LlA
~
•
}-------
Bild 1-130
/
t>
~
/
I..
Ll5 =
~I
v Llt
Daher stromt in der Zeiteinheit die Fliissigkeitsmenge (Fliissigkeitsvolumen) ~v -==v'~A ~t
(1-402)
durch das Flachenelement ~A 20). Wir sprechen in diesem Zusammenhang auch von einem FlussigkeitsflufJ durch das Flachenelement ~A. Wir fiihren nun ein vektorielles Flachenclcment ~A wie folgt ein (Bild 1-131): (1) (2)
Der Vektor ~A steht senkrecht auf dem Flachenelement ~A. Der Betrag des Vektors ~A entspricht dem Fldcheninhalt des Flachenelements
~A, d.h. I~AI
==
~A.
~
~
v
v
~
LlA
Bild 1-131 Vektorielles Flachenelement
L11
LlA
Wenn N die Fldchennormale ist (d. h. hier ein Einheitsvektor in Richtung der Stromungsgeschwindigkeit v), dann gilt (Bild 1-132): (1-403)
20)
Wenri wir voraussetzen, daB die Dichte der Fliissigkeitden Wert keitsmenge (Masse) und Fliissigkeitsvolumen zahlenmabig gleich.
(! =
1 besitzt, dann sind Fliissig-
1 Vektoranalysis
168 ..... / " , '
~
v
.,.., .-'
...... ~
N
~
.-'
~",
L1A
=L1A N
Bild 1-132
:l.<-"
",/'
L1A
Wir konnen jetzt die in der Zeiteinheit durch das Flachenelement i\A flielsende Fliissigkeitsmenge auch wie folgt durch ein Skalarprodukt darstellen (die Vektoren und i\1 sind parallel):
v
i\V
1ft == v . i\A
_
-
_-
== v . i\A == (v . N)
i\A
(1-404)
Konstante Stromungsgeschwindigkeit, Flachenelement gegen die Stromung geneigt (Bild 1-133) Das Flachenelement i\A steht nicht mehr senkrecht zur Stromung, sondern liegt jetzt schief in dem Stromungsfeld, Die Flachennormale N bzw. das vektorielle Flachcnelcment i\1 bildet dabei mit der Stromungsgeschwindigkeit v den Winkel qJ (Bild 1-133).
~
v
Bild 1-133
Flussigkeitsstromung durch ein Flachenelement ~A, das gegen die Stromung geneigt ist bzw. L1A
Wir zerlegen nun den Geschwindigkeitsvektor eine Normalkomponente N (Bildl-134):
v
v in eine
Tangentialkomponente
v
T
und
(1-405)
8 Oberflachenintegrale
169
-..
v
Bild 1-134
Zerlegung des Geschwindigkeitsvektors in eine Tangential- und N ormalkomponente
v
Zum Fliissigkeitsfluf durch das Flachenelement ~A liefert nur die N ormalkomponente V N = V. N einen Beitrag (vN ist die Projektion von auf die Flachennormale N). Der Flufl durch das Flachenelcment ~A betragt daher in der Zeiteinheit:
v
.~V
-
~t
=
V N . ~A
-+
-+
= (v . N)
~A
-+-+
= v . ~A
(1-406)
Dabei ist ~A wiederum das orientierte Flachenclcment in Richtung der Flachennor.. male N, d. h. der Vektor ~A ist das vektorielle Fldchenelement. Wir betrachten noch einen Sonderfall: Das Flachenelement ~A liege jetzt parallel zur Stromungsrichtung (qJ = 90 Bild 1-135). 0
;
-.. N
-..
v
-..
v
Bild 1-135
In der Stromungsrichtung liegendes Flachenelement ilA ilA
Dann steht die Flachennormale N senkrecht auf dem Geschwindigkeitsvektor N verschwindet also und somit ist Skalarprodukt
v.
~v
-+
-+
-=(v·N) ~t
~A=O
v, das (1-407)
Mit anderen Worten: In diesem Fall stromt keinerlei Fliissigkeit durch das Flachenelement ~A, da die Stromungsgeschwindigkeit keine Normalkomponente besitzt. Die Fliissigkeit stromt vielmehr entlang des Flachenelementes und somit an diesem vorbei.
v
170
I Vektoranalysis
Allgemeiner Fall: Ortsabhangige Stromungsgeschwindigkeit, beliebig gekriimmtes Flachenstiick (Bild 1-136)
v
Wir gehen jetzt von einer Flussigkeitsstromung aus, deren Geschwindigkeit sich von Ort zu Ort verdndert: v == v(x; y; z). Den FluB durch eine beliebig gekriimmte Flache A, die wir in das Stromungsfeld eingebracht haben, ermitteln wir dann wie folgt (Bild 1-136): z
Flache A
Flecneneiement dA
I I
/'
/ /
II
x
y
Bild 1-136 Stromung einer Fliissigkeit durch ein Flachenelement dA einer (beliebig gekriimmten) raumlichen Flache
Zunachst zerlegen wir die Flache in eine sehr groBe Anzahl von Fldchenelementen, die wir daher als nahezu eben betrachten diirfen. Ferner kann die Geschwindigkeit v der Fliissigkeitsteilchen auf einem solchen infinitesimal kleinen Flachenelement dA als nahezu konstant angenommen werden. Der FliissigkeitsfluB durch ein solches Flachenelement dA ist dann wiederum durch das skalare Produkt (1-408)
gegeben. Den Gesamtfluj3 durch die Flache A erhalten wir, indem wir iiber die Beitrage aller in der Flache gelegenen Flachenelemente summieren, d. h. integrieren. Die in der Zeiteinheit durch die Flache A stromende Fliissigkeitsmenge ist somit durch das Integral
Ifv. If (v . N) dA =
(A)
dA
(1-409)
(A)
gegeben, das wir als .Dberjldchenintegrol" oder "Fluj3integral" bezeichnen wollen. Die Integration erfolgt dabei iiber eine Fldche im Raum (" Oberflache") und liiBt sich auf das bereits aus Band 2 bekannte Doppelintegral zuriickfiihren.
171
8 Oberflachenintegrale
8.2 Definition eines Oberflachenintegrals Wir interessieren uns nun fiir den "FlufJ" eines (beliebigen) Vektorfeldes F == F(x; Y; z) durch eine orientierte Flache A im Raum, wobei wir schrittweise wie folgt vorgehen wollen 21). (1)
Zunachst wird die Flache A in eine sehr groBe Anzahl n von Teilflachen L\Al' L\A2 , ... , L\An zerlegt (Bild 1-137). Jede Teilflache kann dabei als nahezu eben betrachtet und somit durch ein vektorielles Flachenelement beschrieben werden. Der k-ten Teilflachc L\Ak entspricht also das vektorielle Flachenelement L\Ak mit IL\Ak I == L\Ak (k == 1, 2, ... , n). Dieser Vektor steht somit senkrecht auf dem (nahezu ebenen) Teilflachenstiick (Flachenelement) L\Ak •
z Fleche A
Ftecneneiement L1A k
y
x
(2)
Bild 1-137 Raumliche Flache mit einem vektoriellen Flachenelement ~lk
Auf jeder Teilflache (Flachenelement) L\Ak ist das Vektorfeld F nahezu homogen, d. h. konstant. 1st ~ == (x k; Yk; Zk) ein beliebig gewahlter Punkt auf L\Ak, so gilt auf diesem kleinen Flachenstiick F(x; Y; z) == const. ~ F(x k; Yk; Zk)' Der FlufJ des Vektorfeldes F durch diese Teilflache ist dann nach den Uberlcgungcn des vorherigen Abschnitts ndherungsweise durch das Skalarprodukt (1-410) gegeben (Bild 1-138). 1st Nk die Flachennormale im Flachenpunkt ~, so konnen wir dafiir auch schreiben: (1-411 )
21)
Eine Flache hat im Normalfall (von dem wir hier ausgehen) immer zwei Seiten. Sie heiBt orientiert, wenn eine Vereinbarung getroffen wurde, die Flachennormale N auf einer bestimmten Seite "anzuheften". N zeigt dann verabredungsgemaf in die" positive" Richtung.
1 Vektoranalysis
172 z
Flache A
Flachenelement L1A k
y Bild 1-138 VektorfluB durch ein Flachenelement i\A k
x
Durch Summierung iiber alle Teilflachen erhalten wir fiir den gesuchten Gesamtfluj3 den folgenden Niiherungswert: n
I
k=l
(3)
n
F(x k ; Yk;
Zk) .
AA k =
I
(F(x k ; Yk;
Zk) •
Nk) AA k
(1-412)
k=l
Dieser N dherungswert laBt sich noch verbessern, wenn wir in geeigneter Weise die Anzahl der Teilflachen vergrofiem. Wir lassen nun die Anzahl n der Teilflachen unbegrenzt wachsen (n ~ (0), wobei gleichzeitig der Durchmesser einer jeden Teilflache gegen Null gehen solI. Bei diesem Grenziibergang strebt die Summe (1-412) gegen einen Grenzwert, der als Oberfldchenintegral des Vektorfeldes F = F(x; y; z) iiber die orientierte Flache A bezeichnet wird. Wir definieren daher:
8 Oberflachenintegrale
173
Anmerkungen
(1)
In dem Oberflachenintegral (1-414) bedeuten: dl: Orientiertes Fliichenelement der Flache A
N:
Fliichennormale (dl == dA
A:
Orientierte Flache im Raum (Oberflache)
(I dll == dA)
N)
(2)
Die Orientierung der Flache ist durch die Flachennormale N eindeutig festgelegt. Bei einer geschlossenen Flache, z. B. der Oberflache einer Kugel, eines Zylinders oder eines Quaders, zeigt dabei N vereinbarungsgemaf nach aufien.
(3)
Das Oberflachenintegral (1-414) wird mit der Normalkomponente von FN == f . N, gebildet.
(4)
Auch die folgenden Bezeichnungen fur das Oberflachenintegral sind sehr gebrauchlich: "FlujJintegral" del's Vektorfeldes f oder kurz "FlujJ" des Feldvektors f durch die Flache A oder auch Fliichenintegral des Vektorfeldes f tiber die orien tierte Flache A.
(5)
Das Oberflachenintegral tiber eine geschlossene Flache A wird durch das Symbol
#F' (A)
dA oder
#(F' N)
F,
namlich
dA gekennzeichnet. Folgende Bezeichnungen fur ein
(A)
solches Integral sind in den Anwendungen iiblich: .Jlidlenintegrai" oder "FlujJ" des Feldvektors f durch die geschlossene Flache A oder auch .Ergiebigkeit" des Feldvektors if. (6)
Durch die Gleichung f == N wird auf der raumlichen Flache ein Vektorfeld definiert, das jedem Flachenpunkt die dortige Fliichennormale N als Feldvektor zuordnet. Die Gesamtheit der Flachennormalcn kann also als ein spezielles Vektorfeld aufgefaBt werden. Das Oberflachenintegral (1-414) geht dann wegen (1-415) in dasspezielle Oberflachenintegral (1-416)
tiber, dessen Wert den Fliicheninhalt A der raumlichen Flache darstellt. dA ist dabei ein Flachenelement auf dieser Flache.
8.3 Berechnung eines Oberflachenintegrals Wir beschaftigen uns in diesem Abschnitt mit der Berechnung eines Oberflachenintegrals unter Verwendung spezieller Raumkoordinaten "bzw. geeigneter Fliichenparameter. Stets laBt sich dabei das Oberflachenintegral auf ein Doppelintegral zuruckfiihren (s. hierzu Band 2, Abschnitt IV.3.1).
1 Vektoranalysis
174
8.3.1 Oberflachenintegral in speziellen Koordinaten Ein Oberflachenintegral
If F . If (F . N) dA =
(A)
dA kann unter Verwendung geeigneter
(A)
Koordinaten, die sich der Symmetrie des Problems in optimaler Weise anpassen, stets auf ein Doppelintegral zuruckgefiihrt werden.
Wir geben jetzt fur die zur Verfiigung stehenden Koordinaten jeweils ein ausfiihrlichcs Berechnungs beispiel.
•
Beispiele (1)
Berechnung eines Oberflachenintegrals in kartesischen Koordinaten Wie grof ist der FlufJ des Vektorfeldes Oktant gelegene Flache der Ebene x unterlegt haben?
F=
(
-
F)
durch die im ersten
+ 2 y + 2 z = 2, die wir in Bild 1-139 grau
8 Oberflachenintegrale
175 z
Ebene x+2y+2z=2
Bild 1-139
y
2 x
Losung:
Wirverwenden in diesem Beispiel zweckmabigerweise kartesische Koordinaten. Die Ebene mit der Gleichung x + 2y + 2z == 2 konnen wir dabei als eine Niveaufldche des skalaren Feldes ¢(x; y; z) == x + 2y + 2z auffassen. Daher steht der Gradient dieses Feldes, d. h. der Vektor
(~)
grad ¢ =
iiberall senkrecht auf dieser Ebene. Durch N ormierung erhalten wir daraus dann die benotigte Fldchennormale N:
N=
1
Igrad ¢ I
~
J
Wir bestimmen jetzt das Skalarprodukt
i· N =
(
-
~ ~
grad ¢ = _ _ 1 _ _ ( ) == ( ) 12 + 2 2 + 2 2 2 3 2
F).~ (~)
=
F. N:
~ (6z - 6y + 6)
=
2(z - y
+ 1)
Da wir x und y als unabhdngige Variable ansehen wollen, miissen wir noch z durch diese Variablen ausdriicken. Dies geschieht, in dem wir die Gleichung der Ebene nach z auflosen: 1 z == - (2 - x - 2y) 2
1 Vektoranalysis
176
Diesen Ausdruck setzen wir dann in das Skalarprodukt
- -=
F .N
2(z - y
[1
+ 1) = 2 2 (2 -
x - 2y) - y
F. N ein:
]
+1 =
=2-x-2y-2y+2= -x-4y+4
Jetzt miissen wir uns noch mit dem in der Flache (Ebene) liegenden Fldchenelement dA beschaftigen (Bild 1-140)und versuchen, dieses durch die unabhdngigen kartesischen Koordinaten auszudriicken. Die Projektion des Flachenelementes dA in die x, y- Ebene ergibt ein infinitesimales Rechteck mit dem Flacheninhalt dA * = dx dy = dy dx. Andererseits ist diese Projektion aber das skalare Produkt aus dem vektoriellen Fldchenelement dA = dA N und dem Einheitsvektor z in Richtung der positiven z-Achse. Somit gilt:
e
dA*
= dA . ez = dA (N· ez ) = dy dx
z
Ebene Ftectieneternent dA
y
Projektion dA * des Ftectienetementes dA (dA* = dydx)
2
x Bild 1-140
177
8 Oberflachenintegrale Mit
N . ez =
~ ~ (
) .(
~ ~ )
=
.2=
~
folgt dann:
2
dA· 3
== dy dx
oder
Damit haben wir das Flachenelement dA in kartesischen Koordinaten ausgedriickt. 1ntegriert wird dabei tiber den in Bild 1-141 grau unterlegten Bereich A*, der durch Projektion der im 1. Oktant gelegenen Ebene auf die x, y-Ebene entstanden ist. Die Schnittkurve der Flache x + 2 y + 2 z == 2 mit der x, yEbene z == 0 lautet dabei: oder
x+2y==2
1
y==--x+1 2
z
Ebene
x +2y +2z =2
y
Proiektionettecne A *
2
x
x + 2y = 2 oder y = -
tx+1
Bild 1-141 Projektion der im 1. Oktant gelegenen Ebene x (Projektionsflache: A *)
+ 2y + 2z =
2 in die x, y-Ebene
I Vektoranalysis
178
Damit ergeben sich die folgenden Integrationsgrenzen:
y-I ntegration:
1 Von y == 0 bis y== - - x
x- Integration:
Von x == 0 bis x == 2
+1
2
Das FlujJintegral (Oberfliichenintegrai)
If (F . N)
dA HiBt sich dann wie folgt
(A)
durch ein Doppelintegral in kartesischen Koordinaten darstellen:
If (F . N)
dA =
(A)
If(-
x - 4y
+ 4) . ~ dy dx
=
(A*)
-~x+l
2
=
f f (-
~.
x=o
x - 4y
+ 4) dy dx
y=o
Gelost wird das Integral in der ublichen Weise durch zwei nacheinander auszufiihrende gewohnliche Integrationen:
Innere Integration (nach der Variablen y) :
-~x+l
-.!x+l
f (- x -
4y
+ 4) dy = [-x y -
J
2 y2 + 4 Y
y: 0
y=o
==
1
2x 2 1
== - X 2
2
-
x- 2
X -
1
-
2
(14 x
2
x2 - x
+ 1)
+ 2x -
- 2x
2 - 2x
+ 4 ==
+ 4 == -
x
+2
;fufJere Integration (nach der Variablen x) : 2
f (-
x
+ 2) dx
= [ -
~x
2
+ 2x
1:
= - 2
+4=
2
x=o
Unser Oberfliichenintegral besitzt damit den folgenden Wert:
If
(F . N) dA
(A)
3 == 2. 2 == 3
=
8 Oberflachenintegrale (2)
179
Berechnung eines Oberflachenintegrals in Zylinderkoordinaten
Der in Bild 1-142 dargestellte Zylinder mit dem Radius R H = 10 wird von dem Vektorfe1d F =
==
5 und der Hohe
(;2 )
"durchflutet". Wir wollen nun
den "FluB" dieses Vektorfeldes durch den Zylindermantel A bestimmen, wobei wir schrittweise wie folgt vorgehen: z
dz Ftecnenetement dA = 5 d o dz
I /-
---T
--
1(=5
~
-
<, -
-
<, _ a _ _ -______
y
/
Bild 1-142
/
5
x
Wahl geeigneter (symmetriegerechter) Koordinaten Hier eignen sich wegen der Zylinderflache naturlich Z ylinderkoordinaten. Zwischen ihnen und den kartesischen Koordinaten besteht dann der folgende Zusammenhang (mit f1 == R == 5): x
==
5 . cos tp,
Fldchennormale
y == 5"· sin tp,
Z == Z
(0
~ qJ
< 2n; 0
~ Z ~
10)
N
Der Z ylindermantel laBt sich durch die Gleichung x 2 + y2 == 25 in Verbindung mit 0 ~ Z ~ 10 beschreiben und kann somit als eine Niveaufldche des skalaren Feldes ¢(x; y; z) == x 2 + y2 aufgefaBt werden.
I Vektoranalysis
180 Daher steht der Gradient von ¢, namlich der Vektor
senkrecht auf dem Zylindermantel. Durch N ormierung erhalten wir daraus dann die benotigte Flachennormale N: -
N ==
1
Igrad ¢I
grad ¢
==
1 2 2Jx 2 + y2
( X) (X) y 0
1
y 0
== -
5
Dabei haben wir bereits berucksichtigt, daB fur die Punkte auf dem Z ylindermantel stets x 2
+ y2 == 25 und
somit
Jx
2
+ y2 ==
5 gilt.
Berechnung des Skalarproduktes jf . N
In Zylinderkoordinaten lautet dieses Skalarprodukt wie folgt: F- . N- == -2 (5 . cos cp) (5 . sin cp) == 10 . sin cp . cos cp == 5 . sin(2cp)
5
(unter Verwendung der trigonometrischen Beziehung sin (2 cp) == 2 . sin cp . cos cp). Fldchenelement dA auf der Zylinderfldche (Bild 1-142)
dA
==
5 dz d.p
(nach Gleichung (1-258) mit
Q ==
5)
Festlegung der 1ntegrationsgrenzen Der FlufJdes Vektorfeldes jf durch den Zylindermantel A laBt sich damit durch das folgende Doppelintegral in Z ylinderkoordinaten darstellen:
If
(F'
N)
dA =
(A)
If
5 . sin(2cp) ·5 dz dcp = 25 .
(A)
If
sin(2cp) dz dcp
(A)
Die 1ntegrationsgrenzen lauten dabei (vgl. hierzu auch Bild 1-142): Von z cp- Integration.' Von cp
z-Integration :
== ==
0 bis z 0 bis cp
== ==
10 2 tt
181
8 Oberflachenintegrale
Berechnung des Flufiintegrals
If (F . N)
10
2n
dA = 25·
f f
sin (2 qJ) dz de: =
qJ=Oz=O
(A)
2n
= 25·
f
10
sin(2qJ) dtp :
cp=O
= 25 [ - -1 cos (2 cp) 2
f
dz
=
z=O
J [Jl0 2n
.
= 25 . 0 . 10 = 0
Z
qJ=o
z=O
Der Gesamtfluft des Vektorfeldes durch den Zylindermantel ist also Null. (3)
Berechnung eines Oherflachenintegrals in Kugelkoordinaten
Wir interessieren uns fur den Flufi des Vektorfeldes
geschlossene Oberflache der Halbkugel x 2 + y2 +
F=
Z2
(
= 1,
:2 )
-
Z
durch die
~ 0 (Bild 1-143).
z
Bild 1-143
y
Zum Vektorfluf durch die Oberflache der Halbkugel x 2 + y2 + Z2 = 1, Z ~ 0
Zunachst zerlegen wir die geschlossene Oberflachc in zwei Teilflachen Ai und A2 : Ai: Muntelfldche derHalbkugel A 2 : Kreisformiger "Boden" (in Bild 1-143 grau unterlegt) Wir berechnen jetzt den jeweiligen FluB des Vektorfeldes Fdurch diese Teilflachen.
I Vektoranalysis
182 Fluf durch die Mantelflache der Halbkugel (Bild1-143)
Wir verwenden hierbei zweckmabigerweise Kugelkoordinaten. Zwischen ihnen und den kartesischen Koordinaten bestehen dann die folgenden Transformationsgleichungen (mit r = 1): x = sin 9 . cos
= sin 9 . sin tp,
y
qJ,
z = cos 9
(0 ~ 9 ~ n12; 0 ~ qJ < 2n)
Fldchennormale
N
Die durch die Gleichung x 2 + y2 + Z2 = 1, Z ~ 0 beschriebene Oberflache der Halbkugel ist eine Niveaufldche des skalaren Feldes ¢(x; y; z) = x 2 + y2 + Z2. Daher steht der Gradient von ¢, also der Vektor
auf dieser Flache senkrecht. Durch N ormierung gewinnen wir daraus die gesuchte Fldchennormale N: -+
N
=
1
Igrad ¢I
1
grad ¢ =
2Jx
2
+
y2
+ Z2
2
y.) = (X) y (X Z
Z
Dabei haben wir bereits berucksichtigt, daB fur die Punkte auf der Oberflachc der Halbkugel stets x 2 + y2 + Z2 = 1 gilt.
Berechnung des Skalarproduktes
F. N
In Kugelkoordinaten lautet dieses Skalarprodukt:
F. N =
(sin 9 . cos
qJ) 2
.
cos 9 = sin 2 9 . cos 9 . cos 2 tp
Fldchenelement dA auf der Oberfldche der Halbkugel
dA = sin 9 d9 dip (nach Gleichung (1-307) mit r = 1).
8 0 bcrflachenintegrale
183
Festlegung der 1ntegrationsgrenzen Das FluI3integral (Oberflachenintegral) laI3t sich somit durch das folgende Doppelintegral darstellen:
If (F .N)
dA =
(Ad
If II
sirr' 9 . cos 9 . cos ' tp . sin 9 d9 dip =
(At)
=
sin:' .9 . cos .9 . cos' q> d9 dip
(Ad
Die 1ntegrationsgrenzen lauten dabei wie folgt: 9-1ntegration: tp-Integration:
Von 9 =10 bis 9 =n/2 Von
Berechnung des FlufJintegrals
If (F .N)
2n
dA =
nl2
I I
sin' 9 . cos 9 . cos ' q>
s» do =
cp=O 9=0
(Ad
2n =
I
nl2
I
cos ' q> dtp :
cp=O
sin' 9 . cos 9 d9 = 1 1 • 1 2
9=0
Fiir die beiden Teilintegrale entnehmen wir aus der 1ntegraltafel der Formelsammlung die folgenden Losungen: 2n
11 =
I
2
cos
sin (2
[
tt
(Integral Nr. 229)
cp=o
I2
12 =
n
I
sin
39'cos9d9=
[Sin 4 9J nl2 1 -4- 0 =4
9=0
Damit ist
1 n dA = 11 . 12 = n . - = -
4
4
(Integral Nr. 255 fiir n = 3)
184
I Vektoranalysis
FluB durch die Bodenflache (Bild1-144) Der "Boden" der Halbkugel wird durch den Einheitskreis der x, y-Ebene berandet (Bild 1-144). Wir verwenden hier zweckmafiigerweise Polarkoordinaten. Sie stehen mit den kartesischen Koordinaten in dem folgenden Zusammenhang:
x
==
r . cos cp,
y == r . sin cp
(0
~ r ~
1; 0
~ tp
< 2 n)
z
y
x "Boden" A 2
Bild 1-144 Zum VektorfluB durch den "Boden" A 2 der Halbkugel x 2 + y2 + Z2 = 1, Z ~ 0
Fldchennormale N Die Flachennormale N zeigt bei einer geschlossenen Flache stets nach auj3en, hier also in die negative z-Richtung. Daher ist
Berechnung des Skalarproduktes
F .N
In Polarkoordinaten ausgedriickt:
F.N ==
- r2 .
cos" cp
185
8 Oberflachenintegrale
Fldchenelement dA in Polarkoordinaten dA == r dr dxp (nach Gleichung (IV-134) aus Band 2)
Festlegung der I ntegrationsgrenzen Der VektorfluB durch den kreisformigen Boden A 2 UiBt sich somit durch das folgende Doppelintegral in Polarkoordinaten darstellen:
If (F .N)
dA =
(A z )
If(-
r2 . cos'
If
r 3 • cos?
(A z )
(A z )
Die Integrationsgrenzen lauten dahei wie folgt: Von r == 0 his r == 1 Von qJ == 0 his qJ == 2 tt
r-Integration: qJ-Integration:
Berechnung des Fluj3integrals 2n
If (F .N)
dA = -
1
f f
cp=O
r 3 . cos '
r=O 1
2n
= -
f
cos?
f
r 3 dr = - I 1 . 12
cp=O
r=O
~
'-v-'
11
12
Die Teilintegrale liefern die folgenden Werte: 2n
11 =
f COS2
=n
(Integral Nr. 229)
cp=O 1
12 =
f
3
r dr =
[~ r J~ = ~ 4
r=O
Damit betragt der VektorfluB durch die Bodenflache A 2 :
If (F' N) (A z )
dA = - 11 .12 = - (n)'
(~) = - ~
186
I Vektoranalysis Gesamtflu8 durch die geschlossene Oberflache der Halbkugel
Der GesamtflufJ des Vektorfeldes Halbkugel verschwindet:
F durch
die geschlossene Oberflache der
'jf (F . N) dA ==
u--
If .- - + If - -
(A)
(Ad
(F . N) dA ==
(F . N) dA
4tt - 4n == 0
•
(A 2 )
8.3.2 Oberflachenintegral in Flacheuparametern 1st die vom Vektorfeld F == F(x; y; z) "durchflutete" Flache A in der vektoriellen Form (Parameterform)
V))
r
== r(u; v) ==
(
x(u; y(u; v)
(1-417)
z(u; v)
ff
gegeben, sogeht man bei der Berechnung des Oberflachenintegrals (F .N) dA wie folgt vor: _ (A) Das Vektorfeld F wird zunachst in den Fldchenparametern u und v ausgedruckt: F(x; y; z) ~ F(u; v)
(1-418)
Fiir die Fldchennormale N und das Fldchenelement dA verwenden wir die folgenden bereits in Abschnitt 2.3 hergeleiteten Ausdriicke:
dA == /~ x ~ / du dv
(1-419)
Dabei sind ~ und ~ die Tangentenvektoren an die Parameterlinien der Flache (u-Linien und v-Linien). Mit diesen Formeln erhalten wir dann: - dA == .-I du dv == F- . (r,- x tv) - du dv (F- . N) F· ( /_~ x ~ _/ ) /tu x tv tu x tv
(1-420)
Das Oberflachenintegral geht damit in das folgende Doppelintegral iiber:
If (F .N) If F .(t: dA
(A)
=
(A)
x
t:)
du dv
(1-421)
8 Oberflachenintegrale
187
Die Berechnung wird dabei schrittweise nach dem folgenden Schema vorgenommen:
Anmerkung Setzt man F == N, so erhalt man das folgende Doppelintegral zur Berechnung des Fldcheninhalts der raumlichen Flache: A =
If I~
x
~ I du dv
(1-426)
(A)
Das Flachenelement dA == I~ x ~ I du dv ist uns bereits aus Abschnitt 2 bekannt (Gleichung (1-78)).
188 •
I Vektoranalysis Beispiele
(1)
Wir kehren zum Beispiel (2) des vorherigen Abschnitts zuriick und berechnen nochmals den FlujJ des Vektorfeldes
i
;2)
= (
durch die Mantel-
flache A des in Bild 1-145 dargestellten Zylinders. Diesmal jedoch gehen wir von dem parameterabhdngigen Ortsvektor
(0 ~
qJ
< 2n; 0
~
z
~ 10)
der Mantelflache aus. Als Fldchenparameter dienen dabei die beiden Z ylinqJ und z.
derkoordinaten
z
Zylindermantel A
Bild 1-145 Zum VektorfluB durch den Zylindermantel A
y x
5
Zunachst driicken wir das gegebene Vektorfeld mit Hilfe der Transformationsgleichungen x == 5 . cos tp,
y
== 5 . sin sp,
wie folgt durch die Fldchenparameter
z==z qJ
und z aus:
8 Oberflachenintegrale
189
Ais nachstes bestimmen wir die Tangentenvektoren an die Parameterlinien der Zylinderflache (cp- und z-Linien) und deren Vektorprodukt: -+
ar
-+
t
t, x ~ =
(-
=
5 . sin cp ) 5 'OCOS cp
( -
,
~ :o::S:) x (~ )
= (
~
:
:F:)
Damit erhalten wir fur das benotigte Spatprodukt den Ausdruck:
F'
(~ x ~) ~ :~: (~ = (
:
) .
:
:F:)
F . (~ x ~)
den folgen-
=
== 25 . sin cp . cos cp + 25 . cos cp . sin cp == == 50 . sin tp . cos tp == 25 . sin(2 cp) (unter Verwendung von sin (2 cp) == 2 . sin cp . cos cp). Unser FluBintegrallautet damit:
If (A)
(F'
N)
dA =
If f. (~
x
~)
(A)
If
25 . sin(2cp) dip dz =
(A) 2n
= 25·
dip dz =
10
f f
sin (2 cp) dz de:
cp=o z=o
Dieses Integral haben wir bereits im vorherigen Abschnitt berechnet. Es besitzt den Wert Null. (2)
Durch die Gleichung Z2 == x 2 + y2, 0 ~ Z ~ 4 wird der in Bild 1-146 dargestellte Kegelmantel beschrieben. Wir wollen die M antelfldche M dieses Kegels nach Gleichung (1-426) berechnen. Dazu wahlen wir die kartesischen Koordinaten x und y als Fldchenparameter. Der Kegelmantel latlt sich dann durch den folgenden Ortsvektor darstellen:
190
I Vektoranalysis z
Z2 =x2 +y2
Bild 1-146 Zur Berechnung der Mantelflache M des Kegels Z2 = x 2 + y2
y
x
Die Tangentenvektoren an die Parameterlinien (x- und y-Linien) lauten dann:
t, =
:~ (X/Jx~ =
~ :~ (Y/Jx~ =
=
+ y2
)
=
+ y2 ) =
(X~Q) (Y;Q) J
Dabei haben wir die Abkiirzung Q == x 2 + y2 eingefiihrt. Wir bestimmen jetzt das benotigte Vektorprodukt dieser Vektoren sowie den Betrag dieses Produktes:
t: x ~ == (
~
x/Q
)
x (
~
y/Q
) == (
=;~~ ) 1
191
8 Oberflachenintegrale
Die Berechnung der M antelfldche M fuhrt somit auf das folgende Doppelintegral: M =
If
fidxdy =
(A)
fi -If dxdy (A)
Der I ntegrationsbereich entspricht dabei der Projektion des Kegelmantels in die x, y- Ebene. Wir erhalten als Projektionsflache einen Kreis mit dem Radius R == 4 (Bild 1-147).
y
x
Bild 1-147 Kreisformiger Integrationsbereich
Das Doppelintegral
ff
dx dy bedeutet dann den Flacheninhalt dieses Krei-
(A)
ses und besitzt somit den Wert A betragt damit M =
==
16 ti. Die M antelfldche unseres Kegels
fi -If dx dy = fi· 16n = 16 fi n ~ 71,09
•
(A)
8.4 Anwendungsbeispiele aus Physik und Technik 8.4.1 FluB eines homogenen Vektorfeldes durch die Oberflache eines Wiirfels Wir wollen uns nun mit dem FluB eines homogenen, d. h. konstanten Vektorfeldes (
F ==
~:) durch die Oberflache eines achsenparallelen Wiirfels mit der Kantenlange a
beschaftigen (Bild 1-148).
192
1 Vektoranalysis
Dabei durfen wir uns unter dem homogenen Vektorfeld Fz. B. das konstante Geschwindigkeitsfeld V einer stromenden Fliissigkeit vorstellen. Zunachst untersuchen wir den FluB in der z-Richtung.
~
F= canst. ~
y
.Y
L
a~
Bild 1-148 Homogener VektorfluB durch die Oberflache eines Wiirfels
~ I
x
Vektorflu8 in der z-Richtung (Bild 1-149)
Fur den FluB in der z-Richtung durch die beiden in Bild 1-149 grau unterlegten Wiirfelflachen Au und A o ist ausschlieBlich die z-Komponente C 3 des Vektorfeldes F verantwortlich:
FlujJ durch die untere Wurfelflache Au Die Flachennormale N der unteren Wurfelflache Au == a2 zeigt in die negative z-Richtung. Somit ist N == - z und
e
F. N = F.(-
e
z)
= - (F . ez ) = - (
Der FluB des Vektorfeldes
If (F . N) (Au)
dA
=
=-
C3
(1-427)
F durch die Wiirfelflache Au betragt damit:
If((Au)
~: ) . ( ~ )
C 3 ) dA
= - C3
-If
dA
(Au) '-v--'
Au == a2
=
~ C 3 . a2
(1-428)
8 Oberflachenintegrale
193
z
y
Bild 1-149 Zur Berechnung des Vektorflusses in der z-Richtung
x
t
t
t
t
t
Fluj3 durch die obere Wiajeifldche A o Analog erhalten wir fur den FluB durch die obere Wiirfelflache A o == a":
If (F . N)
dA =
(A o)
If
C 3 dA = C 3
If
.
(A o )
dA = C 3 . a2
(1-429)
(A o ) '-or---'
A o == a2
Denn diesmal zeigt die Flachcnnormale und somit
N in die positive z-Richtung, d.h.
es ist
N == ez
(1-430)
FlufJ durch Au und A o Der Gesamtfluj3 durch die beiden Wiirfelflachen in z-Richtung ist somit gleich Null:
If (F . N) (Au)
dA
+
If (F . N) (A o)
dA = - C 3 . a 2
+ C3 . a2 =
0
(1-431)
194
I Vektoranalysis
Mit anderen Worten: Das, was unten durch die Flache Au in den Wiirfel hineinfliej3t, flieBt durch die obere Flache A o wieder heraus. Vektorflu6 in der x- bzw. y-Richtung
Analoge Uberlegungen fiihren bei den iibrigen Koordinatenrichtungen jeweils zu dem gleichen Ergebnis wie in der z-Richtung: Der VektorfluB durch die Wiirfelflachen ist in allen drei Richtungen jeweils gleich Null. Diese Aussage gilt nicht nur fur einen Wiirfel, sondern fur beliebige geschlossene Oberflachen. Vektorflu6 durch die (geschlossene) Wurfeloberflache (Gesamtflu6)
Bei einem Wurfel ist somit der Vektorfluf in allen drei Koordinatenrichtungen jeweils gleich Null. Daher verschwindet auch der Gesamtfluj3 eines homogenen Vektorfeldes durch eine Wiirfeloberflache. Es,laBt sich nun zeigen, daB diese Aussage nicht nur fiir die Oberflache eines (beliebigen) Wiirfels gilt, sondern fiir beliebige geschlossene Oberflachen, So verschwindet. beispielsweise auch der VektorfluB durch die Obcrflache einer Kugel oder eines Z ylinders, sofern das Vektorfeld homogen ist.
•
Beispiel
Wir betrachten eine Fliissigkeitsstromung mit dem homogenen (konstanten) Ge-------+ schwindigkeitsfeld == const., d. h. an jeder Stelle der Stromung besitzt die Geschwindigkeit die gleiche Richtung und den gleichen Betrag (Bild 1-150). Die Durchflutung eines Wiirfels erfolgt dann so, daB in den Wiirfel pro Sekunde genau so viel Fliissigkeit eintritt wie austritt.
v
v
195
8 Oberflachenintegrale --;=
canst.
Bild 1-150 Der eingezeichnete Wiirfel wird von einer Fliissigkeit mit einem konstanten Geschwindigkeitsfeld durchstromt
• 8.4.2 Flu8 eines zylindersymmetrischen Vektorfeldes durch die Oberflache eines Zylinders Wir betrachten den FluB eines zylindersymmetrischen Vektorfeldes F = f (g) e(l durch die Oberflache eines koaxialen Zylinders mit dem Radius R und der Hohe H (Bild 1-151). Q ist dabei der senkrechte Abstand von der Symmetrieachse des Feldes (identisch mit der Zylinderachse und z-Achse). Die Zylinderoberflache besteht aus dem Zylindermantel M und einem jeweils kreisformigen "Boden" Au und .Deckel' A o (beide Flachen sind in Bild 1-151a) grau unterlegt). Wir beschaftigen uns nun mit dem VektorflufJ durch diese Teilflachen.
Vektorflu8 durch den Zylindermantel M (Bild 1-151) Die nach aufJen weisende Flachennormale N· ist mit dem Einheitsvektor e(l identisch: N = e(l' Der FluB durch den Zylindermantel ist dann durch das Oberflachenintegral
If CF . N)
dA =
(M)
If (F .
ee) dA
(1-433)
(M)
gegeben. Dabei gilt:
F' e(l = f(g) (eg· eg) = f(g) '-v----'
1
(1-434)
I Vektoranalysis
196 z -..
A0
F _c_
......
--.
I I
-
I I I I
'--- Zytindermantel M
-, R Y
~
x
Zylindermantel M
R
Au
b)
a)
Bild 1-151 Zum FluB eines zylindersymmetrischen Vektorfeldes durch eine Zylinderoberflache a) Zylinderoberflache b) Ebener Schnitt durch den Zylinder senkrecht zur Zylinderachse
Auf dem Zylindermantel ist iiberall (} == R und somit fur denVektorfluB durch den Z ylindermantel
If (F .N)
dA
(M)
=
If f
(R) dA
=f
(R)'
(M)
If
dA
=f
F .e == f Q
(R). Damit erhalten wir
(R) . 2 n R H
(1-435)
(M) '--v----"
M==2nRH
Denn das Doppelintegral Zylinders.
IfdA
reprasentiert die Mantelfldche M == 2n R H des
(M)
Vektorfln8 durch den "Boden" Au und den "Deckel" A o des Zylinders (Bild 1-151) Da das Vektorfeld wegen der Zylindersymmetrie keine Komponente in der z-Richtung besitzt, ist der VektorfluB durch "Boden" und .Deckel" des Zylinders jeweils gleich Null (grau unterlegte Flachen in Bild 1-151a)):
If (Au + A o)
(F .N)
dA
=
If (F .N) (Au)
dA
+
If (F .N) (A o)
dA
= 0+0 =0
(1-436)
8 0 berflachenin tegrale
197
Gesamtflu6 durch die Zylinderoberflache A
Der VektorfluB durch die geschlossene Zylinderoberflache A betragt damit:
#(F· N)
dA
=
(A)
If (F . N) (M)
dA
+
If
(F . N)
dA
=
f
(R) . 2 n R H
(1-437)
(Au + A o)
Wir fassen zusammen:
Anmerkung
Der VektorfluB durch die Zylinderoberflache ist der Zylinderhohe H proportional. •
Beispiel
Das elektrische Feld in der Umgebung eines homogen geladenen linearen Leiters ist zylinder- oder axialsymmetrisch (Bild 1-152): -+
-+
A-+ 2n 8 0 Q (}
E == E(Q) == - - e
(Q > 0)
(A: Ladungsdichte, d. h. Ladung pro Langeneinheit;
8 0:
elektrische Feldkonstante).
Feldlinie
Bild 1-152 Axialsymmetrisches elektrisches Feld in der Umgebung eines homogen geladenen linearen Leiters (positive Ladungsdichte; ebener Schni tt senkrech t zur Leiterachse )
I Vektoranalysis
198
Fur den FlufJ des Feldstarkevektors E durch die (geschlossene) Oberflache vl eines koaxialen Zylinders mit dem Radius R und der Hohe H gilt dann nach A Gleichung (1-439) mit J (R) == : 2n 8 0 R
#
-+
-+
. (E . N) dA == J (R) . 2 tt R H ==
A AH . . 2 tt R H == 2n 8 0 R 80
(A)
Der FluB durch die Zylinderoberflache ist proportional zur Zylinderhohe H, aber unabhdngig vom Radius R des Zylinders. Durch die Oberflachen koaxialer Zylinder gleicher Hohe erfolgt somit stets der gleiche VektorfluB (Bild 1-153).
elektrische Feldlinie
Bild 1-153 Zum VektorfluB durch die Oberflache koaxialer Zylinder gleicher Hohe (ebener Schnitt senkrecht zur Zylinderachse)
• 8.4.3 Flu8 eines kugelsymmetrischen Vektorfeldes durch die Oberflache einer Kugel Ein kugel- oder radialsymmetrisches Vektorfeld (ZentraIJeld) besitzt in Kugelkoordinaten die Darstellung
F == J(r)
e r
(1-440)
wobei r der Abstand vom Koordinatenursprung ist. Bild 1-154 zeigt einen ebenen Schnitt durch das Symmetriezentrum. Uns interessiert nun der Flu./3 dieses Feldes durch die Oberflache A einer Kugel vom Radius R (der Kugelmittelpunkt liegt dabei im Koordinatenursprung, Bild 1-155).
8 Oberflachenintegrale
199
o
Bild 1-154 Zentralfeld (kugel- oder radialsymmetrisches Vektorfeld; ebener Schnitt durch das Symmetriezentrum)
Bild 1-155 Zum VektorfluB eines Zentralfeldes durch eine Kugeloberflache (ebener Schnitt durch den Kugelmittelpunkt)
Wegen der Kugelsymmetrie verwenden wir natiirlich Kugelkoordinaten. Die Flachennormale N ist daher identisch mit dem radial nach aufien weisenden Einheitsvektor r : N = r (Bild 1-155). Der VektorfluB durch die Kugelschale wird dann durch das folgende Oberfldchenintegral beschrieben:
e
e
#(F .N) #(F· e dA =
(A)
r)
(1-441)
dA
(A)
Dabei gilt:
f·
t, = f(r) (er ' er ) = f(r)
(1-442)
~
1
e
Auf der betrachteten Kugeloberfldche ist uberall r = R und somit f . r = erhalten wir schlieBlich fur den Vektorfluf durch die Kugeloberflache:
#(F· N) # dA
(A)
=
f(R) dA
= f(R)
(A)
.
#
dA
= f(R)
. 4n R 2
f
(R). Damit
(1-443)
(A) '-v----'
A = 4n R 2 Dabei haben wir berucksichtigt, daB das Integral 2
beschreibt und somit den Wert 4 tt R besitzt.
#
dA die Oberfliiche unserer Kugel
(A)
200
1 Vektoranalysis
Anmerkung Fur ein Zentralfeld vom speziellen Typ f(r)
1
oder
"-1-
r2
(1-446)
gilt unabhdngig vom Kugelradius R:
j{ (F· - N) J1
dA = f(R)· 4n R 2 = Rc2 . 4n R 2 = 4n c = canst.
(1-447)
(A)
Der VektorfluB durch konzentrische Kugelschalen bleibt also gleich! Beispiele hierfiir liefern das elektrische Feld einer Punktladung (siehe nachfolgendes Beispiel) und das Gravitationsfeld in der Umgebung einer Masse.
•
Beispiel Das elektrische Feld einer Punktladung Q ist kugel- oder radialsymmetrisch und wird durch den Feldstarkevektor
- == E- == E(r)
Q 4n Bo r2
e r
(r > 0)
beschrieben (B o: elektrische Feldkonstante; der Feldlinienverlauf ist in Bild 1-156 dargestellt). Der FluB dieses Vektorfeldes durch die Oberflache A einer konzentrischen Kugel mit dem Radius R betragt dann nach Gleichung (1-445) wegen feR) =
#- - # - -
(E·N)dA==f(R)·4nR 2==
E·dA==
(A)
(A)
Q 2:
4n Bo R
Q 2·4nR2==Q
4n Bo R
Bo
9 Integralsatze von GauB und Stokes
201
~
E
Bild 1-156 Kugelsymmetrisches elektrisches Feld in der Umgebung einer positiven Punktladung Q (ebener Schnitt durch die Punktladung)
Der VektorfluB ist somit unabhdngig vom Kugelradius R, d.h. der FluB des elektrischen Feldes durch die Oberflachcn konzentrischer Kugeln ist immer der gleiche ! Es HiBt sich sogar zeigen, daB der Fluf des E-Feldes durch jede geschlossene Flache (Oberflache), die die Punktladung Q enthalt, den konstanten Wert Q/so besitzt. Der VektorfluB des elektrischen Feldes einer Punktladung hangt somit ausschlieBlich von der Ladung selbst ab und ist dieser direkt proportional.
•
9 Integralsatze von GauD und Stokes 9.1 Gau6scher Integralsatz 9.1.1 Ein einfiihrendes Beispiel Wir gehen wieder von unserem anschaulichen Modell einer Fliissigkeitsstromung aus. Eine Flussigkeit mit dem Geschwindigkeitsfeld == (x; y; z) durchstrome dabei den in Bild 1-157 dargestellten quaderformigen Bereich vom Volumen V.
v v
Durch das grau unterlegte Flachenelement dA der Quaderoberflache flieBtdann nach den Ausfiihrungen aus Abschnitt 8.1 in der Zeiteinheit die folgende Fliissigkeitsmenge (Flussigkeitsvolumen) :
(v . N)
dA == v. dA
(1-448)
I Vektoranalysis
202 Quader
-+
v
I I
" ""
"
dA =dA N
J-Flechenelernent dA
Volumenelement dV
Bild1-157 Zur Fliissigkeitsstromung durch einen quaderformigen Bereich
Dabei ist N die Fldchennormale und dA = dA N das vektorielle Flachenelement. Der GesamtfluB durch die geschlossene Hiille A (Oberflache des Quaders) pro Zeiteinheit ist somit durch das Oberfldchenintegral
#Cv . N)
dA =
(A)
#v.
(1-449)
dA
(A)
gegeben, Nun beschaftigen wir uns mitder Fliissigkeitsmenge, die in dem quaderformigen Bereich durch die dortigen Quellen und Senken der Fliissigkeit in der Zeiteinheit "erzeugt" bzw. ~,vernichtet" wird. Dazu betrachten wir ein Volumenelement dV im Innern des Quaders (Bild 1-157). In ihm wird - -wie wir bereits im Zusammenhang mit dem Begriff der Divergenz eines Vektorfeldes erkannt haben - pro Zeiteinheit die Fliissigkeitsmenge div
v dV
(1-450)
"erzeugt" oder "vernichtet", je nachdem, ob sich dort eine Quelle oder Senke befindet. Somit wird insgesamt im Quadervolumen V pro Zeiteinheit die Fliissigkeitsmenge
Iff
(1-451)
div f dV
(V)
"erzeugt" oder .vemichtet''. Diese Menge muB aber bei einer Fliissigkeit mit konstanter Dichte in der Zeiteinheit durchdie Quaderoberflache A hindurchflieBen. Mit anderen Worten: Die in der Zeiteinheitim Quadervolumen V "erzeugte" bzw. "vernichtete" Fliis-
sigkeitsmenge
Iff
div v dV muB dem GesamtfluB
(V) flache entsprechen.
#(v .N) (A)
dA durch die Quaderober-
9 Integralsatze von GauB und Stokes
203
Somit gilt:
#(V'N) dA=#V'dA= fffdiVV dV (A)
(A)
(1-452)
(V)
Damit haben wir auf anschauliche Weise eine wichtige Beziehung zwischen einem Oberfldchenintegral und einem Volumenintegral (Dreifachintegral) hergeleitet. Es handelt sich dabei urn den sag. Gaufischen Integralsatz der Vektoranalysis. Wir wollen dieses einfiihrende Beispiel mit einer Bemerkung abschlieBen: Die skalare Grelle div vwird bekanntlich auch als "Quelldichte" des Geschwindigkeitsfeldes vbezeichnet. Sie ist im allgemeinen von Ort zu Ort verschieden. Fiir ein Geschwindigkeitsfeld ohne Quellen und Senken, d. h. ein sag. quellenfreies Feld, gilt dann iiberall im betrachteten Volumen div == 0.' Aus dem Gaufischen lntegralsatz (1-452) folgt dann unmittelbar, daB der GesamtfluB der Fliissigkeit durch die geschlossene aulsere Hiille gleich Null ist. Mit anderen Worten: Es flieBt in das Volumen V in der Zeiteinheit genau so viel Fliissigkeit herein wie heraus.
v
9.1.2 Gau8scher Integralsatz im Raum 1m einfiihrenden Beispiel sind wir erstmals auf den in den Anwendungen so wichtigen Integralsatz von Gauft gestoBen. Er stellt eine Verbindung her zwischen einem Oberfldchenintegral und einem Volumenintegral, d.h. zwischen einem zwei- und einem dreidimensionalen Integral. Wir formulieren jetzt den Gaufischen Integralsatz in der allgemeingiiltigen Form (ohne Beweis):
204
I Vektoranalysis
Anmerkungen (1)
Mit Hilfe des GaujJschen Integralsatzes HiBt sich ein Volumenintegral tiber die Divergenz eines Vektorfeldes in ein Oberjldchenintegral des Vektorfeldes tiber die (geschlossene) Oberflache dieses Volumens umwandeln und umgekehrt.
(2)
1m "Stromungsmodell" hat das Vektorfeld ff die Bedeutung des Geschwindigkeitsfeldes einer stromenden Fliissigkeit, und die durch den GaujJschen Integralsatz miteinander verkniipften Oberflachen- und Volumenintegrale haben dann die folgende anschauliche Bedeutung:
j.( (F .N) dA:
Jf (A)
Iff
Flussigkeitsmenge, die in der Zeiteinheit durch die geschlos-
sene H iille A flieBt
div
F dV:
(V)
1m Gesamtvolumen V in der Zeiteinheit "erzeugte" bzw. "vernichtete" Flussigkeitsmenge
(3)
Bei einem quellenfreien Feld (div ff == 0) ist der GesamtflujJ durch die geschlossene Oberflache gleich Null.
•
Beispiele (1)
Mit Hilfe des GaujJschen Integralsatzes solI der FlujJ des Vektorfeldes ff == ( - : ) durch die Oberflache eines Zylinders mit dem Radius R = 2 und der
Hohe H
==
5 berechnet werden (Bild 1-158).
Es gilt:
#(F· N)
dA =
(A)
Iff
div
z
F dV
(V)
(A: Zylinderoberflache; V: Zylindervolumen).
Bild 1-158 Zur Berechnung des Vektorflusses durch die Zylinderoberflache
2 x
2
y
205
9 Integralsatze von GauB und Stokes
Die Berechnung des FluBes erfolgt hier iiber das Volumenintegral der rechten Seite. Dazu benotigen wir zunachst die Divergenz des Vektorfeldes F:
-
div F
0
0
ox (x") + -oy (-
= -
y)
+ -0
3x2
oz (z) =
1
-
+1=
3x2
Somit ist
(V)
(V)
Um dieses Volumenintegral zu berechnen, fiihren wir zweckmabigerweise Z ylinderkoordinaten ein: x = g . cos
dV = g dz dg dip
z = z,
y = g . sin ip ,
qJ,
Die Integrationsgrenzen des Volumenintegrals (Dreifachintegrals) lauten dann: 0 bis z = 5
z-Integration:
Von
o-Integration:
Von g = 0 bis g = 2
qJ-Integration:
Von
Z=
qJ =
0 bis
qJ =
2 tt
Damit erhalten wir:
(V)
(V)
=
2n
2
5
f
f
f
3·
(Q' cos cp)2 . Qdz dQ dcp
=
cp=O Q=o z=O
=
2n
2
5
f
f
f
3·
Q3.
cos" cp dz do dip =
cp=O Q=O z=O
2
2n
f
= 3·
cos?
qJ dsp
g3 do :
f
.
cp=O
5
Q=O
f
dz =
z=o
Integral Nr. 229 =
3
[! + 2
sin (2CP)]2n 4
cp=o
= 3 . (n) . (4) . (5) = 60n
. [~Q4J2 4
Q=o
.[z]
5
.=
z=O
1 Vektoranalysis
206
Der Fluj3 des Vektorfeldes betragt demnach:
durch die (geschlossene) Zylinderoberfldche A
(F oN) dA = fff div F dV = 60n
# (A)
(2)
f
(V)
Wie groB ist der Fluf des kugelsymmetrischen Vektorfeldes f == k r durch die Oberflache A einer konzentrischen Kugel vom Radius R (k: Konstante)? Losung:
Mit Hilfe des Gaufischen I ntegralsatzes laBt sich das gesuchte Fluj3integral tiber ein Volumenintegral bestimmen: #(FoN) dA= fffdiVF dV=kofffdiVr dV (A)
(V)
r
(V)
e
Wegen == r r erhaltenwir fur die Divergenz dieses Feldes (unter Verwendung von Kugelkoordinaten und Gleichung (1-325)):
._ . _ 10 2 10 3 1 2 div r == div (r er ) == r2 . or (r . r) == r2 . or (r ) == r 2 . 3 r == 3 Somit ist #
(F
°
N)
dA
= k fff div F dV = k fff 3dV = 3k fff dV °
(A)
°
(V)
°
(V)
(V)
Das Dreifachintegral fffdV ist aber nichts anderes als das Volumen V unserer (V)
4 Kugel und somit gleich - tt R 3. Damit erhalten wir fur den Vektorj1uj3 durch die Kugelschale: 3
j.( - - dA=3koV=3ko3nR3=4nkR3 4 'jf(FoN) (A)
Zum gleichen Ergebnis kommen wir durch Anwendung der Formel (1-445) fur den FluB eines kugelsymmetrischen Vektorfeldes F(r) == f(r) r durch die Oberflache einer konzentrischen Kugel. Mit f(r) == kr folgt namlich:
e
# (A)
(F
°
N)
dA = feR) ° 4n R 2 = kR ° 4n R 2 = 4n kR 3
•
9 Integralsatze von GauB und Stokes
207
9.1.3 Gau8scher Integralsatz in der Ebene Der GaujJsche Integralsatz gilt sinngemaf auch in der Ebene, wobei "Volumen" durch .Flache" und "Oberflache" durch "geschlossene Kurve" (Randkurve der Flache) zu ersetzen sind. Er verbindet dabei ein Kurven- oder Linienintegral mit einem zweidimensionalen Bereichsintegral (Doppelintegral).
-
N
Bild 1-159 Ebenes Flachenstiick A mit orientierter Randkurve C Randkurve C
Anmerkungen (1) Man beachte, daB beim Kurvenintegral tiber die Normalkomponente des Feldvektors F zu integrieren ist. (2)
Der GaujJsche Integralsatz liefert in der Ebene eine Verbindung zwischen einem Kurvenintegral und einem zweidimensionalen Bereichsintegral (Doppelintegral). Dabei wird das Kurvenintegral der Normalkomponente eines ebenen Vektorfeldes F langs einer geschlossenen Kurve C in ein Bereichsintegral tiber die Divergenz von F, erstreckt tiber die von der Kurve C eingeschlossene Flache A,umgewandelt (und umgekehrt).
208 (3)
I Vektoranalysis Wir konnen den GaujJschen Integralsatz in der Ebene auch wie folgt anschaulich deuten: A ist ein (ebenes) Flachenstiick auf der Oberflache einer Fliissigkeitsstriimung mit dem Geschwindigkeitsfeld ff == == (x; y), C die orientierte Randkurve dieser Flache, Dann besitzen Kurvenintegral und Bereichsintegral folgende physikalische Bedeutung:
v v
l (F . N) Jc
If (A)
•
ds: Fliissigkeitsmenge, die in der Zeiteinheit durch die Randkurve C in die Flache A ein- bzw. austritt.
div FdA: Fliissigkeitsmenge, die in der Zeiteinheit in der Flache A in den dortigen Quellen und Senken "erzeugt" bzw. "vernichtet" wird.
Beispiel Wir "verifizieren" den GaujJschen Integralsatz in der Ebene fur das Vektorfeld
F=
( ; ) und die in Bild 1-160 dargestellte Kreisflache
y
---..
A.
---...
r
N=-
111
Bild 1-160 Kreisflache A mit Randkurve C Randkurve C
Flecne A
Berechnung des Kurvenintegrals
§(F· N)
ds
c Integriert wird uber die N ormalkomponente des Vektorfeldes ff langs der geschlossenen Kreislinie emit dem Radius R == 2 urn den Nullpunkt. Die Kurvennormale N zeigt dabei verabredungsgemaf radial nach aufien. Somit gilt:
9 Integralsatze von GauB und Stokes
Fur die Normalkomponente von
+ y2
Langs des Kreises x 2
ff . N =
Jx
2
209
ff erhalten wir dann:
= 4 besitzt sie den
konstanten Wert
+ y2 == 2
Das Kurvenintegral hat daher den folgenden Wert:
f
(F· N)
ds =
c
f
2 ds = 2·
c
f
ds = 2 U = 2· 4n = 8n
c
Dabei haben wir bereits benicksichtigt, daB das Kurvenintegral U des Kreises bedeutet (U = 2n R == 2n ·2 = 4n).
Berechnung des Doppelintegrals
ff div i
f
ds den Umfang
C
dA
(A)
Integrationsbereich ist die Kreisfldche A aus Bild 1-160. Mit
- = - a (x) + -a (y) = ax ay
div F
1
+ 1 == 2
erhalten wir dann:
ff
div F dA =
(A)
If
2 dA = 2·
(A)
If
dA = 2A = 2· 4n = 8n
(A)
Denn das Doppelintegral
ff dA beschreibt die Fliiche A des Kreises und besitzt (A)
somit den Wert A ==
tt
R 2 == 4n.
Gau8scher Integralsatz Somit gilt in Ubereinstimmung mit dem GaujJschen Integralsatz:
f(F . N) C
ds =
IfdiV F (A)
dA = 8 n
•
I Vektoranalysis
210
9.2 Stokes'scher Integralsatz Der Integralsatz von Stokes errnoglicht die Umwandlung eines Oberfldchenintegrals in ein Kurven- oder Linienintegral und umgekehrt. Wir formulieren diese in den Anwendungen so wichtige Integralbeziehung wie folgt (ohne Beweis):
reumtiche Flectie A
Flecnenetement dA
Randkurve C
Bild 1-161 Raumliche Flache A mit orientierter Randkurve C und einigen Flachenelementen dA
9 Integralsatze von Gauf und Stokes
211
Anmerkungen (1) Der Stokes'sche Integralsatz stellt eine Verbindung her zwischen der Zirkulation und der Rotation eines Vektorfeldes. (2)
Bei einem wirbelfreien Vektorfeld F(rot F == 0) verschwindet die Zirkulation. So ist jedes konservative Vektorfeld wirbelfrei und umgekehrt jedes wirbelfreie Feld konservativ. Mit anderen Worten: Aus F== grad ¢ folgt stets rot F == 0 und umgekehrt folgt aus rot F == 0 (in einem einJach-zusammenhangenden Bereich) stets F == grad ¢.
(3)
Das
o berflachenintegral
If
(rot
F) .dA
beschreibt den FlujJ des Vektors rot i
(A)
durch die Flache A und wird daher in den naturwissenschaftlich-technischen Anwendungen auch als Ttlrbelf1ufJ bezeichnet. Der Stokes'sche Integralsatz laBt sich dann auch wie folgt formulieren: Der Wirbelflufi eines Vektorfeldes F durch eine Flache A ist gleich der Zirkulation von F langs der Randkurve C dieser Flache, (4)
Der Ttlrbelf1ufJ durch eine geschlossene Flache A (d.h. durch die Oberflache eines ra umlichen Bereiches) ist gleich Null:
#
(rot
F) .dA =
(1-456)
0
(A)
Begriaulung: Die Randkurve C der geschlossenen Flache A ist auf einen Punkt zusammengezogen, das Linienintegral
fF .
dr verschwindet somit.
c Diese Aussage laBt sich auch aus dem GaufJschen Integralsatz gewinnen, wenn man dart formal F durch rot F ersetzt und dabei beachtet, daf div (rot F) == 0 ist:
#
(rotF)·dA=
(A)
(5)
Iff~ dV=O
(1-457)
(~O
Der TiVirbelf1ufJ eines Vektorfeldes Fist fur alle Flachen A, die von der gleichen Kurve C berandet werden, gleich grofi, d.h. vollig unabhdngig von der Gestalt der Flache (vgl. hierzu das nachfolgende Beispiel (1)).
212 (6)
1 Vektoranalysis Der Stokes'sche I ntegralsatz gilt auch fur Flachen, die von mehreren (einfach) geschlossenen Kurven begrenzt werden. Dabei ist die Orientierung der Kurven so festzusetzen, daB die Flache beim Durchlaufen der Kurven in positiver Richtung stets links liegen bleibt (Bild 1-162 zeigt die Orientierung der Randkurven bei einer Flache, die durch zwei geschlossene Kurvenbegrenzt wird).
Bild 1-162 Beim Durchlaufen der Randkurven C 1 und C2 in positiver Richtung bleibt die Flache A stets links liegen
•
Beispiele
(1)
Die folgenden Flachen besitzen jeweils die gleiche Randkurve C: (a)
A 1 : Mantelflache der Halbkugel (Bild 1-163)
z
Randkurve C: x 2 + y2 = 1 y
Bild 1-163
x
C: x 2 + y2 = 1
9 Integralsatze von GauB und Stokes (b)
213
A 2 : Mantelflache des Rotationsparaboloids (Bild 1-164)
z 1
....
,/
/
A2
- -
Randkurve C: x 2 + y2 == 1
- -............
.....
.
1/
r
'" 1
0
\
"- .....
/
........... --a: 1
--\
/
x
/ ./
_....
Y
""" Bild 1-164
C: x 2 + y2 = 1
(c)
A 3 : Kreisfldche x 2
+ y2
~
1,
Z
== 0
(Bild 1-165)
Y
,.
--
1
-
.....
.......
" "-
I
"
Randkurve C: x 2 + y2 == 1
\
,
\
~ 1
,
'I"
I
. I
..
\
/
.
\.
X
J I
/ ~
'-.
"
......
- -
,
./
/
Bild 1-165
c:
x2 +
Die Randkurve ist in allen drei Fallen der Ursprungskreis mit dem Radius R == 1. Der Wirbelflufi eines beliebigen (stetig differenzierbaren) Vektorfeldes F durch die drei Flachen ist daher nach dem Stokes'schen Integralsatz gleich grojJ.
1 Vektoranalysis
214
(2)
Wir
.verifizieren'' den X2
i
= (
+ Y2)
:z
Integralsatz fur
Stokes'schen
das
und die Mantelfliiche A der Halbkugel x 2
Vektorfeld
+ y2 + Z2
=
1,
z ~ 0 (Bild 1-166).
z A
Bild 1-166 Zur Berechnung des Vektorflusses durch die Mantelflache der Halbkugel x 2 + y2 + Z2 = 1, Z ~ 0
Y
x
c
Berechnung des Kurvenintegrals
f i· dr c
Die Mantelflache der Halbkugel wird in der x, y-Ebene durch den Einheitskreis emit der Parameterdarstellung x = cos t,
y
= sin t,
(0~t<2n)
z=O
berandet. Mit . dx . X=-= -slnt dt '
. dy y = dt = cos t,
. dz z=-=O dt
und somit dx=-sintdt,
dy=costdt,
erhalten wir fur das skalare Produkt
i . dT =
X2 (
:2+ Y2) .(dX) ~~
dz=O
F. dr den folgenden
=
(x
2
Ausdruck:
+ y2) dx + y dy + Z2 dz =
= (cos' t + sirr' t) (- sin t dt) + sin t . cos t dt = "-......-"
1
= - sin t dt + sin t . cos t dt = (- sin t + sin t . cos t) dt
215
9 Integralsatze von Gauf und Stokes Das Kurvenintegral besitzt damit den Wert Null:
fF .
2n
dr
=
c
J(- sin
t
+ sin t
~
. sin '
. cos t) d t
=
0
=
[cos t +
{Jr
=
1 - 1 = 0
(unter Verwendung von Integral Nr.254 aus der Integraltafel der Formelsammlung). Berechnung des "Wirbelt1usses"
JJ (rot F) ·
dA
=
(A)
JJ (rot F) · if
dA
(A)
Wir bestimmen zunachst die Rotation des Vektorfeldes F mit Hilfe der .Determinantendarstellung" :
-+
rot F == x2
ex
ey
ez
0 ox
0 oy
OZ
+ y2
Y
0
== 0 ex
- 0 ey
-
2y
ez
==
z2
(-2~Y )
Wir benotigen noch die Fliichennormale N. Da die Oberflache der Halbkugel als eine Niveaufliiche der skalaren Funktion ¢ == x 2 + Y 2 + Z 2 aufgefaEt werden kann, steht der Gradient von ¢ senkrecht auf dieser Flache:
Durch Normierung des Gradienten erhalten wir die Fliichennormale N:
N =
I
gra~ 1> I
1 grad
1> =
-2J-----;;::::::x===2===+===y===2===+===z==-2 2
(~)
(
~
)
(unter Berucksichtigung von x 2 + Y 2 + Z 2 == 1 fur die Punkte auf der Oberfliiche der Halbkugel). Die im Oberflachenintegral auftretende Normalkomponente von rot F lautet damit:
(rot
F) ·N == (
~). (;) -2y z
-2yz
I Vektoranalysis
216
Wir gehenjetzt zwcckmalsigerweise zu Kugelkoordinaten uber. Sie lauten (fur = 1):
r
x = sin 9 . cos
y
ip ;
= sin 9 . sin
z = cos 9
tp•
Damit wird (rot
F) . N = -
2 y z = - 2 . sin 9 . cos 9 . sin cp
Das benotigte Fldchenelement dA auf der Kugeloberflache lautet fur r = 1:
dA = sin 9 d9 dcp Die Integrationsgrenzen des Doppelintegrals sind dabei:
9-Integration:
Von 9 = 0 bis 9 = nl2
ip-lntegraiion:
Von cp = 0 bis cp = 2 tt
Wir sind jetzt in der Lage, den Wirbelfluj3 zu berechnen:
ff
(rot F) . d A =
(A)
ff
(rot F)
.&
dA =
(A)
2n
=
n/2
f f (-
cp=O
2 . sin .9 . cos .9 . sin Ip) . sin .9 d.9 dip =
9=0 2n
n/2
f f
= - 2·
cp=O
sin 2 .9 . cos .9 . sin
f
d.9 dip =
9=0
2n
= - 2·
Ip
n/2
sin
Ip
f
dip'
cp=O
sin 2 .9 . cos .9 d.9 =
9=0 "----.....---~
Integral Nr. 255
= - 2·
[
.- cos cp
= - 2 . (0) . (
2n
]
~)
cp=o
[1
]
. _. sin 3 9 3
n/2
=
9=0
= 0
Damit haben wir den Stokes'schen Integralsatz verifiziert. In diesem Beispiel gilt also:
fF . ff dr =
C
(A)
(rot F)
. & dA
= 0
•
9 Integralsatze von GauB und Stokes
217
9.3 Anwendungsbeispiele aus Physik und Technik 9.3.1 Elektrisches Feld eines homogen geladenen Zylinders Wir interessieren uns fiir das elektrische Feld im Innen- und AuBenraum eines homogen geladenen sehr langen Zylinders (Bild 1-167; R: Zylinderradius; 1: Zylinderlange; (Jel: konstante Ladungsdichte). Die elektrischen Feldlinien verlaufen dann aus Symmetriegninden axial nach auj3en, wie in Bild 1-168 im Querschnitt angedeutet (wir haben dabei eine positive Ladungsdichte vorausgesetzt). Das Feld besitzt also Zylindersymmetrie. z E
--f---
langer Zylinder
Bild 1-167 Elektrisches Feld eines homogen geladenen Zylinders (positive Ladungsdichte)
E
-, Zylinderachse ~
E
Bild 1-168 Axialsymmetrisches elektrisches Feld im Innenund AuBenraum eines homogen geladenen Zylinders (positive Ladungsdichte; ebener Schnitt senkrecht zur Zylinderachse)
Zylinderquerschnitt
218
1 Vektoranalysis
Unsere Aufgabe besteht nun darin, aus der vorgegebenen (konstanten) Ladungsverteilung mit Hilfe des Integralsatzes von GaufJ die elektrische Feldstarke i zu bestimmen. Aus diesem Grund betrachten wir einen koaxialen Zylinder gleicher Lange I mit dem Radius g. Fur den Flufl des Feldvektors i durch die Zylinderoberfiiiche A gilt dann nach dem Gaufischen I ntegralsatz:
#E. #(E . N) Iff dA =
(A)
dA =
(A)
div E dV
(1-458)
(V)
Wegen der Z ylindersymmetrie ist (in Zylinderkoordinaten)
i = E(g) e(2
und
(1-459)
und damit
i . N = E(g) Ce(2 . e(2) = E(g)
(1-460)
~
1
Der Gaufssche Integralsatz geht dann tiber in
#
E(Q) dA
=
(A)
Iff
div
E dV
(1-461)
(V)
Wegen der Zylindersymmetrie des Feldes gibt es keine Feldstarkekomponente in Richtung der Zyiinderachse (z-Achse). Daher ist der FluB des elektrischen Feldes durch "Boden" und .Deckel' des Zylinders jeweils gleich Null und wir konnen die Integration im
.Flubintegral"
#
E(Q) dA auf den Zylindermantel A* beschranken:
(A)
#
If
(A)
(A*)
E(Q) dA =
E(Q) dA =
fIf
div E dV
(1-462)
(V)
Wir beschaftigen uns nun zunachst mit der Berechnung des Fluflintegrals. Es gilt:
ff
E(Q) dA = E(Q)·
(A*)
If
dA = E(Q)· 2n Ql
(1-463)
(A*) ~
2ngl Denn E(g) ist auf dem Mantel des koaxialen Zylinders konstant und das Doppelintegral
ff
dA ist nichts anderes als die Montelfldche 2n e! dieses Zylinders. Damit erhalten wir:
(A*)
E(Q)· 2n Ql =
fIf (V)
div
E dV
(1-464)
9 Integralsatze von GauB und Stokes
219
An dieser Stelle miissen wir eine Fallunterscheidung vornehmen und den Innen- bzw. Aufienraum des geladenen Zylinders getrennt untersuchen. Wir betrachten zunachst den Innenraum (g ~ R) und wenden uns dann demAuftenraum (g ~ R) zu. Feldstarke
i
innerhalb des geladenen Zylinders (g ~ R; Bild 1-169)
geladener Zylinder (Querschnitt)
Bild 1-169
Zur Berechnung der elektrischen Feldstarke im Innenraum eines homogen geladenen Zylinders
koaxialer Zylinder
Im Innenraum des geladenen Zylinders haben wir eine konstante Ladungsdichte gel' Zwischen dem Feldstarkevektor Eund der Ladungsdichte gel besteht dann nach Maxwell die Beziehung (1-465) (80: elektrische Feldkonstante). Der Gaufische Integralsatz nimmt jetzt die folgende Ge-
stalt an: E(g)· 2n o l =
Iff ~:1
dV =
(V)
~:1
.Iff
dV =
~:l
.
2
ng l
(1-466)
(V) '-v-----"
1rg2 1
Denn das Dreifachintegral
fff
dV reprascntiert das Volumen des koaxialen Zylinders mit
(V)
dem Radius g und der Lange 1 und besitzt somit den Wert tt g21. Damit erhalten wir fur die elektrische Feldstarke im Innern des geladenen Zylinders die folgende Abhangigkeit vomAbstand g von der Zylinderachse: (g
~
R)
(1-467)
Im Innern des Zylinders nimmt also die Feldstarke E(g) linear mit dem Abstand g zu (Bild 1-170).
220
1 Vektoranalysis
E(p)
E(R)
E(R)
=
Pel
R
2 eo
R
Feldstarke
Bild 1-170 Linearer Anstieg der elektrischen Feldstarke im Innenraum eines homogen geladenen Zylinders
P
E auBerhalb des geladenen Zylinders (g ~ R; Bild 1-171)
koaxialer Zylinder
Bild 1-171 Zur Berechnung der elektrischen Feldstarke im AuBenraum eines homogen geladenen Zylinders
geladener Zylinder (Querschnitt)
/ Das elektrische Feld im Auj3enraum des geladenen Zylinders ist quellenfrei, d.h. hier gilt div E == 0
fur
Fur das Volumenintegral
Q>R
fff
(1-468)
div if dV erhalten wir daher aufierhalb des geladenen
(V)
Zylinders keine Beitrage. Somit kann die Integration auf das Volumen Vz dieses Zylinders beschrankt werden. I nnerhalb dieses Bereiches gilt nach wie vor (1-469)
9 Integralsatze von GauB und Stokes
221
Wir erhalten dann aus dem Gaufischen Integralsatz die folgende Beziehung (Gleichung (1-464)): E(g)· 2n o! =
ffI
div i dV=
(~)
Iff ~:l
dV =
~:l
(~)
.Iff
dV =
~:l. nR
21
(1-470)
(~) ~
nR 2l
Im Aufienraum des geladenen Zylinders gilt daher: QeI R 2 1 E(g) == - _ . 2 Go g
(g
~
(1-471)
R)
D.h. die elektrische Feldstarke E(g) ist dart umgekehrt proportional zum Abstand g von der Zylinderachse, das Feld nimmt also nach auBen hin ab (Bild 1-172).
E(p)
E(R) E(R)
= Pel R 2£0
Bild 1-172
Im AuBenraum eines homogen geladenen Zylinders nimmt die elektrische Feldstarke nach auBen hin ab R
P
Gesamtfeld des geladenen Zylinders Insgesamt haben wir damit die folgende Feldstdrkeverteilung: gel. g _
2 Go E (Q)
==
fur Qel
R2.~
2 GO
g
Bild 1-173 zeigt den Verlauf dieser Verteilung.
(1-472)
222
I Vektoranalysis
E(p)
E(R)
R
p
auBen
innen
Bild 1-173 Verlauf der elektrischen Feldstarke bei einem homogen geladenen Zylinder in axialer Richtung (positive Ladungsdichte; Zylinderradius R)
9.3.2 Magnetfeld eines stromdurchflossenen linearen Leiters Ein sehr langer, linearer Leiter wird von einem konstanten Strom mit der Stromdichte i = io z durchflossen. Er erzeugt in seiner Umgebung ein ringfiirmiges Magnetfeld (Bild 1-174).
e
z
Bild 1-174 Ringformiges Magnetfeld eines stromdurchflossenen linearen Leiters Leiter
--1
magnetische Feldlinie
Der magnetische Feldstarkevektor jj tangiert dabei die kreisformigen Feldlinien und sein Betrag kann daher wegen der Zylindersymmetrie nur vom Abstand g von der Leiterachse abhangen. Bei Verwendung von Zylinderkoordinaten gilt somit:
jj = H(g)
s,
(1-473)
223
9 Integralsatze von GauB und Stokes
Wir stellen uns nun die Aufgabe, den funktionalen Zusammenhang zwischen der magnetischen Feldstarke und dem Abstand vom Leiter herzuleiten. Dabei verwenden wir den I ntegralsatz von Stokes. Er lautet hier:
f if . If dr =
e
(rot
if) . N dA
(1-474)
(A)
Dabei ist C eine kreisformige magnetische Feldlinie mit dem Radius g und A die eingeschlossene, in Bild 1-175 grau unterlegte Kreisflache.
Bild 1-175 Zur Integration langs einer kreisformigen magnetischen Feldlinie
Leiterquerschnitt kretstormiqe magnetische Feldlinie (Integrationskurve C)
Wir berechnen zunachst das Kurvenintegralim Stokes'schen Integralsatz. Da der Feldstarkcvektor H in die Tangentenrichtung fallt, d. h. zum Tangenteneinheitsvektor T == eqJ parallel ist, gilt
H· dr == (H· T)
ds ==
(H· eqJ)
ds == H(g) (eqJ· eqJ) ds == H(g) ds
(1-475)
'-y----I
1
und somit
f if . f dr =
e
H(g) ds = H(g) .
e
f
ds = H(g) . 2n g
(1-476)
e
'--.r--'
2ng Denn der Betrag H (g) der Feldstarke ist Iangs der magnetischen Feldlinie konstant und das verbliebene Kurvenintegral
f
ds beschreibt den Umfang U der kreisformigen Feld-
e linie, besitzt also den Wert U == 2 tt g.
224
I Vektoranalysis
Jetzt wenden wir uns dem Wirbelfluj3 im Stokeschen Integralsatz zu. Nach Maxwell besteht dabei zwischen der magnetischen Feldstarke if und der Stromdichte in jedem Punkt des Feldes der folgende Zusammenhang:
r
rot if ==
r
(I -477)
(es handelt si~h hierbei urn eine der vier Maxwellschen Gleichungen). Beim Fluj3 des Vektors rot H durch die in Bild 1-175 grau unterlegte Kreisflache beachten wir ferner, daB die Flachennormale N in die z-Richtung zeigt und somit mit dem Basisvektor (Einheitsvektor) z identisch ist. Dann aber gilt:
e
(rot if) . N ==
t ez == io (e z . ez) == io
(1-478)
"---v----'
1 Bei der Berechnung des .Wirbelflusses" mussen wir berucksichtigen, daB die Stromdichte auj3erhalb des Leiterquerschnitts uberall den Wert Null hat (Bild 1-176). Die Integration ist daher nur tiber die Ouerschnittsflache A * des Leiters zu erstrecken, unddort hat die Stromdichte den konstanten Wert i o.
magnetische Feldlinie C
Leitercuersctmittstteche A *
Flecbe A, berandet von der magnetischen Feldlinie C
Bild 1-176
Damit erhalten wir:
JJ (rot if) . N dA = JJ io dA (A)
(1-479)
(A*)
Das verbliebene Doppelintegral ist definitionsgemaf die (hier konstante) Stromstiirke I des Leiters. Der Wirbelfluj3 des Magnetfeldes betragt damit:
JJ (rot H) . N dA = JJ io dA = io . JJ dA = ioA* = (A)
(A*)
(A*)
A*
1
(1-480)
9 Integralsatze von GauB und Stokes
225
Der Stokes'sche Integralsatz fiihrt also zu dem folgenden Ergebnis: H(Q)
0
2nQ
=
(1-481)
I
Die magnetische Feldstarke H(Q) ist daher dem Abstand Q vom Leiter umgekehrt proportional, nimmt also nach auBen hin ab: I
1
(Q > 0)
H(Q)=_o2n Q
(1-482)
Diese Abhangigkeit wird in Bild 1-177 verdeutlicht.
H(p)
Bild 1-177
H(p) ~
Verlauf der magnetischen Feldstarke in der Umgebung eines stromdurchflossenen linearen Leiters
Lp
p
226
I Vektoranalysis
Ubungsaufgaben Zu Abschnitt 1 1) Wie lautet die vektorielle Darstellung der in Bild 1-178 skizzierten Wurfparabel (waagerechter Wurfmit der Anfangsgeschwindigkeit vo)? x(t)
x
yet)
Wurfparabel
Bild 1-178 y
2)
Beschreiben Sie die folgenden Kurven durch parameterabhdngige Ortsvektoren und bestimmen Sie den jeweiligen Tangentenvektor: a) Parabel y = 4x 2 , X ~ 0 b) Mittelpunktskreis (Radius R, positiver Umlaufsinn) c) Gerade durch den Ursprung mit der Steigung m = 2
3) Auf dem Bildschirm eines Oszillographen durchlaufe ein Elektronenstrahl eine Bahn mit dem zeitabhdngigen Ortsvektor r(t) = (.a . c~s(w t)) b . sin teo t)
a) b) c)
4)
(t
~
0)
Zeichnen Siedie Bahnkurve. Welche Bedeutung haben die Konstanten a, b und w? Bestimmen Sie den Geschwindigkeits- und Beschleunigungsvektor. Zeigen Sie: Der Beschleunigungsvektor (t) ist stets dem Ortsvektor (t ) entgegengerichtet.
a
r
Bestimmen Sie fur die folgenden Bewegungen eines Massenpunktes den Geschwindigkeitsvektor v(t) und den Beschleunigungsvektor a(t): a)
Kreisbahn: r(t) = (R . c~s(w t)) R . sln(w t)
(t
~
0)
b)
Zykloide:
(t
~
0)
r(t) = (R(t - sin t)) R(1 - cos t)
227
Ubuugsaufgaben 5)
Differenzieren Sie die folgenden, vom Parameter t abhangigen Vektoren zweimal nach t: a)
a(t)=(Sin~;t))
a(t)=(:=::t~::)
b)
cos(2t) 6)
Gegeben sind die folgenden parameierabhdngigen Vektoren:
b(t) =
(
t)
2 , cos 2. t
;:n
,
Berechnen Sie die 1. Ableitung der folgenden Skalar- und Vektorprodukte: a)
7)
a .b
b.c
b)
c)
a
xb
d)
a
xc
Gegeben ist die Raumkurve mit dem Ortsvektor
r(t) = 2· cos(5t)
ex + 2· sin(5t) e + lOt e
z
y
Bestimmen Sie den Tangenten- und Hauptnormaleneinheitsvektor sowie die Kriimmung der Kurve fur den Parameterwert t =
8)
r
Bestimmen Sie fur die Raumkurve (z) = ( :: ) die folgenden Groben: a) b)
9)
Bogenldnge im Intervall 0 ~ t ~ 1 Kriimmung und Kriimmungsradius fur den Parameterwert t = 1
Die Gleichung einer ebenen Bewegung laute:
r(t)= t ex + t e 2
a) b) c) d) e)
10)
n
"4'
( -
y
CfJ
CfJ)
Stellen Sie die Bahnkurve in expliziter Form dar. Berechnen Sie die Bogenldnge s im Intervall 0 ~ t ~ 2. Berechnen Sie die Krianmung der Kurve fur t = 1. Bestimmen Sie den Geschwindigkeits- und Beschleunigungsvektor. Wie lauten die Tangential- und Normalkomponenten von Geschwindigkeit und Beschleunigung?
Ein Teilchen bewege sich auf der ebenen Kurve mit dem Ortsvektor
r(t) = e -
t .
cos
t
ex + e -
t •
sin t
e y
Berechnen Sie die Tangential- und N ormalkomponente des zugehorigen Geschwindigkeits- und Beschleunigungsvektors.
228
I Vektoranalysis
11)
Leiten Sie die auf Seite 23 in Gleichung (I-50) angegebene Formel fur die Kriimmung einer ebenen Kurve mit der expliziten Gleichung y == f(x) her. Anleitung: Die Kurve kann auch in der Parameterform x == x, y == f(x) mit der Koordinate x als Parameter dargestellt werden.
Zu Abschnitt 2 1)
Bilden Sie die partiellen Ableitungen 1. Ordnung der folgenden, von zwei Parametern abhangigen Ortsvektoren: 2 . cos a)
2)
r(u; v)
(2U))
2 . sin (2 u) (
v2
Beschreiben Sie die Mantelfliiche des in Bild 1-179 skizzierten Zylinders durch einen von zwei geeigneten Parametern abhangigen Ortsvektor.
BUd1-179
2
Y
2
x
3)
Ein Massenpunkt bewege sich auf einer Ebene E, die durch den Punkt PI == (1; 1; 1) und die beiden Richtungsvektoren Ii =
( -:) und b =
(~)
ein-
deutig festgelegt ist (Bild 1-180). Wie lautet die Parameterdarstellung dieser Ebene (Angabe des Ortsvektors)?
Ubungsaufgabcn
229
Bild 1-180
4)
Die Parameterdarstellung einer Flache laute:
r = r(u; v) =
(~~~ : : :~: ~)
(0 ~ u < 2n; 0 ~ v ~ n).
cos v
Zeigen Sie: a) b)
5)
Es handelt sich urn die Oberflache einer Kugel. Die Tangentenvektoren .~ und ~ .an die Parameterlinien stehen senkrecht aufeinander.
Der Ortsvektor r(9;
qJ)
=2
(~~~ : : :~: ~) beschreibt eine Kugelschale mit dem
cos 9 Radius R = 2. Wie lautet der Geschwindigskeitsvektor = t(t) eines Massenpunktes, der sich auf dieser Kugeloberflache langs der folgenden Bahnen bewegt (t: Zeit)? a) Breitenkreis: 9 = const. = 9 o , qJ = t b) Ldngenkreis: qJ = const. = qJo, 9=t 2 c) 9 = t, qJ = t Wie groB ist die Geschwindigkeit dem Betrage nach zum Zeitpunkt t = n?
v
6)
Gegeben ist die Oberflache einer Kugel mit der folgenden Parameterdarstellung:
r = r(u; v) = (R: Kugelradius).
R . cos v . sin u ) R· sin v . sin u ( R· cos u
(0 ~ u ~ z ; 0 ~ v < 2n)
230
I Vektoranalysis
a)
Bestimmen Sie die Tangentenvektoren ~ und ~ der Parameterlinien sowie
b)
n die Fldchennormale N- fur die speziellen Parameterwerte u = v = -. 2 Wie lautet das Fldchenelement dA der Kugeloberflache?
c)
7)
tt
Welcher Flachenpunkt gehort zu den Parameterwerten u = v = - der Ein, 4 heitskugel (R = 1)? Wie lautet die Gleichung der in diesem Punkt errichteten Tangentialebene?
Gegeben ist eine Rotationsfliiche mit der Parameterdarstellung x
= u,
y
= v,
(u, V E lR)
Bestimmen Sie im Flachenpunkt P, der zu den Parameterwerten u = 1 und v = 2 gehort, die folgenden Grofien: a)
Tangentenvektoren ~ und ~ an die Parameterlinien
b)
Fldchennormale N Tangentialebene
c)
8)
Wie lautet die Gleichung der Tangentialebene an die Flache z = x 2 P = (2; 1; 3)?
9)
Bestimmen Sie die Gleichung der Ebene, die im Punkt P = (2; 5; 10) die Flache z = x y berithrt.
-
y2 im Punkt
Zu Abschnitt 3 1)
Bestimmen und zeichnen Sie die Niveaulinien der folgenden ebenen Skalarfelder: ¢(x; y) = x 2+ y2 b) ¢(x; y) = x 2 - Y
a)
2)
Bestimmen und deuten Sie die Niveaufldchen der folgenden raumlichen Skalarfelder: a) ¢(x;y;z)=Z-X 2_ y2 b) ¢(x;y;z)=X 2+y2+ Z2
3)
Wie lauten die Niveaufldchen des raumlichen Skalarfeldes ¢(x; y; z) = 2x 2 + 2 y2?
4)
Das elektrostatische Potential einer homogen geladenen Kugel wird im AufJenraum durch die skalare Funktion
u=
Q
Q
- - = -------4 tt Co r 4 tt Co x 2 + y2 + Z2
J
(r
~
R)
beschrieben (Q: Ladung der Kugel; Co: elektrische Feldkonstante; r: Abstand vom Kugelmittelpunkt; R: Kugelradius). Bestimmen und deuten Sie die Aquipotentiaijldchen dieses skalaren Feldes.
Ubungsaufgaben 5)
231
Bei einem homogen geladenen Plattenkondensator steigt das Potential linear an, wenn man sich langs einer Feldlinie von der linken Platte (V == 0) zur rechten Platte (V == Vo > 0) bewegt (Bild 1-181).
u=o
c;
V(x) == Ex ==-x d
(0 ~ x
~
d)
u Bild 1-181
d
x
(d: Plattenabstand; Vo : Spannung zwischen den beiden Kondensatorplatten; E: konstante elektrische Feldstarke im Kondensatorfeld). Bestimmen und deuten Sie die Aquipotenuaifuichen des elektrischen Feldes.
v(x; y) == x ex
6)
Skizzieren Sie das ebene Geschwindigkeitsfeld Fliissigkeit (x ~ 0).
7)
Bestimmen Sie die Eigenschaften des ebenen Vektorfeldes F(x; y) = und skizzieren Sie das Feld.
8)
einer stromenden
Jx
1 2
+
(x) y2 Y
Welche Eigenschaften besitzt das folgende ebene Kraftfeld? 1 _ _ F(x; y) == - ( - y ex + x ey) r
(r > 0)
(r ist der Abstand des Punktes P == (x; y) vom Koordinatenursprung). Skizzieren Sie das Vektorfeld.
9)
Ein Masseteilchen bewegt sich in dem ebenen Geschwindigkeitsfeld v(x; y) == Wie lautet die Bahnkurve des Teilchens, wenn essich zur Zeit t == 0 im Punkt P == (0 ; 2) befindet?
ex + y eye
Anleitung: Das Teilchen bewegt sich auf einer Feldlinie, die hier als "Stromlinie" des Geschwindigkeitsfeldes bezeichnet wird.
232
10)
I Vektoranalysis Gegeben sind die folgenden physikalischen Vektorfelder: a)
Elektrische Feldstdrke
Q
E== 4 tt
80
r2
E in
Q
e== r
der Umgebung einer Punktladung Q:
4 ti
80
(80: elektrische Feldkonstante; Richtung des Ortsvektors r)
b)
M agnetische Feldstdrke ters:
if
~ I ~ H==-- e
2n 0 qJ
~
(r > 0)
r2 r
e
r:
Einheitsvektor in radialer Richtung, d.h. in
eines linearen, vom Strom I durchflossenen Lei-
(0 > 0)
(0: senkrechter Abstand von der Leiterachse; eqJ: Einheitsvektor in tangentialer Richtung)
Bestimmen und charakterisieren Sie die Flachen, auf denen der Betrag der jeweiligen Feldstarke einen konstanten Wert annimmt.
Zu Abschnitt 4 1)
Bestimmen Sie die N iveaulinien sowie den Gradient der folgenden ebenen Skalarfelder: ¢(x;y) == y b) ¢(x;y) == x 2 + y2 a)
2)
Welche ebenen Skalarfelder ¢ gehoren zu dem Gradientenfeld grad ¢ ==
yex + x e ? y
3)
Berechnen Sie den Gradient von ¢ sowie den Betrag des Gradienten im jeweiligen Punkt P: a)
¢(x;y;z)==10x2y3-5xyz2,
P==(1;-1;2)
b)
¢(x;y;z)==x2·eyz+yz3, ¢(x;y;z)==X 2+y2+ Z2,
P==(1;2; -2)
c) 4)
Zeigen Sie: Das skalare Feld ¢ = In r besitzt den Gradient grad ¢ = 12
J
(r == x 2 sprung).
5)
P == (2; 0; 1)
r
+ y2 + Z2
r
ist der raumliche Abstand des Punktes P == (x; y; z) vom Ur-
Gegeben sind die Skalarfelder ¢ == x 2 Y z + x . e " und fjJ == y . e", Bestimmen Sie den Gradient des Produktes U == ¢ . fjJ auf zwei verschiedene Arten.
233
Ubungsaufgaben 6)
Bestimmen Sie die Richtungsableitung von ¢ (x; y; z) = x y z des Vektors
a=
(
-
~) im Raumpunkt P
=
+ 3 X Z3
in Richtung
(1; 2; 1).
7)
Berechnen Sie die Richtungsableitung des ebenen Skalarfeldes ¢ in radialer Richtung im jeweiligen Punkt P: a) ¢(x;y) = x 2 _ y2, P = (3; 4) b) ¢(x;y)=4x 2+9 y2, P = (1; 0)
8)
Wie lautet die Fldchennormale der Bildflache von x 2 + (y - 1)2 - Z2 = 10 im Punkt P = (1; 2; 5)7
9)
Bestimmen Sie die Gleichung der Tangentialebene, die man im Punkt P an die Flache F(x; y; z) = anlegen kann: a) Zylindermantelflache 2\ + y2 - 5 = 0, ~ z ~ 10, P = (2; 1; 5) b) xy2z+6x2Z2_22=0, P=(2;1;-1)
10)
°
°
x
Das elektrostatische Potential in der Umgebung einer negativ geladenen Kugel lautet:
-Q
U(r)=-4n eor
(r
~
R)
(- Q: Ladung der Kugel; eo: elektrische Feldkonstante; R: Kugelradius). P sei ein beliebiger Punkt des elektrischen Feldes im AuBenraum der Kugel (r ~ R). In welcher Richtung von P nimmt das Potential U am stdrksten zu 7 Wie groB ist dieser M aximalwert ?
Zu Abschnitt 5 1)
Bestimmen Sie die Divergenz der folgenden ebenen Vektorfelder: a)
2)
b)
c)
In welchen Punkten der x, y-Ebene verschwindet die Divergenz des Vektorfeldes
_
F=
(
xy2
)
?
x 2 Y - 4y .
I Vektoranalysis
234
3)
Bestimmen Sie die Divergenz der folgenden raumlichen Vektorfelder:
a)
. . (2X F == x 2
3
-
Z2
Z2
)
xyz
4)
Berechnen Sie die Divergenz des Vektorfeldes
genden Punkten: P; == (2; 0; 1),
~ ==
F(x; y; z) ==
(1; 2; - 1),
11
xy2 ) 2 Y Z3 in den fol-
(
xyz
(3; 2; 3).
==
5)
Bestimmen Sie die Divergenz des cjJ(x; y; z) == (x - 1)2 + (y - 5)2 + Z2.
6)
Gegeben sind das Skalarfeld 4> = x 2 . eY Z und das Vektorfeld
Gradienten
stimmen Sie die Divergenz des Vektorfeldes 7)
Wie muB man die Funktion (r) rquellenfrei ist?
F == f 8)
f
der
skalaren
F=
A == cjJ F auf zwei
Funktion
( - : ) . Be-
verschiedene Arten.
(r) wahlen, damit das raumliche Zentralfeld
BestimmenSie den Gradient des radialsymmetrischen raumlichen Skalarfeldes
b
-
cjJ == a+ - und zeigen Sie, daB die Divergenz des Gradienten verschwindet (a, b: r
Konstanten; r> 0). 9)
Bestimmen Sie die Rotation der folgenden ebenen Vektorfelder: a)
10)
11)
1_(
F(X;y)== _ _ Jx2 + y2
y)
-
b)
F(x; y)
X
Zeigen Sie, daB das ebene Geschwindigkeitsfeld Ii = wirbelfrei ist.
1_(X -+ + 2) +
== _ _
Jx
Jx
1 2
+
y
y2
2
(- x
y2
Bestimmen Sie die Rotation der folgenden raumlichen Vektorfelder:
a)
F(x; y; z) =.... (
b)
F(x; y; z) ==
....
xy - Z2 ) 2xyz , x 2 Z - y2 Z .
1........-+ 2. 2 2 (x ex + y ey + z e z ) xi- y + z
X
Y- 1
ex - ye
y)
Ubungsaufgaben 12)
235
Wie sind die Parameter a und b zu wahlen, damit die Rotation des Vektorfeldes
F=
2XZ2 + y3 Z a x y2 z ( 2 2x z + b x y 3
)
iiberall verschwindet?
F=
xy3 ) 2x y2 z im Punkt P = (1; 2;1)? ( 2 x y - Z2
13)
WelchenWert besitzt die Rotation von
14)
Zeigen Sie: Das rdumliche Vektorfeld F = f (r) differenzierbare Funktion des Abstandes r).
15)
Es ist
F= (
r ist wirbelfrei (f (r) ist dabei eine
y,)
ein Vektorfeld. Bestimmen Sie
auf zwei verschiedene Arten die Rotation des Vektorfeldes
A = ¢ F.
2xz 16)
Zeigen Sie, daB das raumliche Vektorfeld F(x; y; z) =
(
+
Y2) . wirbelfrei ist
2:/
und somit als Gradient eines skalaren Feldes ¢ (x; y; z) darstellbar ist. Bestimmen Sie dieses Potentialfeld. 17)
1
Zeigen Sie: Die skalare Funktion ¢ = - ist eine Losung der Laplace-Gleichung r
~¢
18)
= 0 im Raum, nicht aber in der Ebene.
Welche Funktion erhalt man, wenn man den Laplace-Operator feld ¢ = (x 2 + y2 + Z2)2 anwendet?
~
auf das Skalar-
Zu Abschnitt 6 1)
Stellen Sie die folgenden ebenen Vektorfelder in Polarkoordinaten dar: a)
2)
Ein vom konstanten Strom 1 durchflossener linearer Leiter erzeugt in seiner Umgebung ein ringformiges Magnetfeld, das in einer Schnittebene senkrecht zur Leiterachse durch das ebene Feld H(x; y) = ~(- y 2nr werden kann (r 2 = x 2 + y2; Bild 1-182).
ex + x e
y)
beschrieben
I Vektoranalysis
236
Wie lautet die Darstellung des magnetischen Feldstarkevektors koordinatensystem?
if
im Polar-
y
~
H
x
Bild 1-182
magnetische Feldlinie
3)
Berechnen Sie Divergenz und Rotation der folgenden in Polarkoordinaten dargestellten (ebenen) Vektorfelder: a)
4)
F (r; cp) = e r
b)
F (r; cp) = r2 e r
Zeigen Sie, daB das ebene (in Polarkoordinaten dargestellte) Vektorfeld F(r; cp) = e r +'"
(e + ~ e",) wirbelfrei ist und daher als Gradient eines skalaren Feldes cP (r; qJ) r
dargestellt werden kann. Bestimmen Sie diese skalare Funktion. 5)
Wie lautet die Darstellung des (ebenen) Geschwindigkeitsvektors veines Teilchens in Polarkoordinaten? Anleitung: Gehen Sie von dem Geschwindigkeitsvektor v(x; y) = x ex + y e y in kartesischen Koordinaten aus.
6)
Bestimmen Sie diejenigen Losungen der Laplace-Gleichung A¢ = 0 in der Ebene, die nur vom Polarwinkel cp, nicht aber vom Abstand r abhangen (¢ = ¢(cp)).
7)
Die folgenden raumlichen Vektorfelder sind in Z ylinderkoordinaten darzustellen:
a)
F(x; y; z) = r = (x ex + y e y + z e z )
b)
F(x;y;z)=ye x-2ey + x ez
237
Ubungsaufgaben 8)
Das Geschwindigkeitsfeld einer Fliissigkeit laute:
Driicken Sie dieses Feld in Z ylinderkoordinaten aus. 9)
Die Bahnkurve eines Masseteilchens besitzt die folgende Parameterdarstellung: a) b)
10)
x=e-t·cost, y=e-t·sint, z=2t (t:Zeit;t~O). Bestimmen Sie den Geschwindigkeitsvektor V, ausgedruckt in Z ylinderkoordinaten. Berechnen Sie den Geschwindigkeitsbetrag zur Zeit t = 1.
Bilden Sie den Gradient der folgenden in Zylinderkoordinaten dargestellten Skalarfelder: 1 ¢(Q; cP; z) = - + e({J+z b) a) ¢ (Q; cP; z) = Q. e ({J + z Q
11)
Bestimmen Sie Divergenz und Rotation der folgenden in Zylinderkoordinaten ausgedriickten Vektorfelder: a)
b)
12)
Gesucht sind diejenigen Losungen der Laplace-Gleichung ~¢ = 0, die nur von einer der drei Zylinderkoordinaten abhangen: a) ¢ = ¢(Q) b) ¢ = ¢(cp) c) ¢ = ¢(z)
13)
Stellen Sie die folgenden (raumlichen) Vektorfelder in Kugelkoordinaten dar:
a)
14)
F(x; y; z) =
(
-;)
Eine Fliissigkeitsstromung besitze das folgende Geschwindigkeitsfeld:
v(x;y;z)
=
Jx
(-~)
z 2
+
y2
0
Wie lauten die Geschwindigkeitskomponenten im Kugelkoordinatensystem?
y; z) = x ex + y e + i ez
15)
Stellen Sie den Geschwindigkeitsvektor v(x; Masseteilchens in Kugelkoordinaten dar.
16)
Wie lautet das Linienelement ds auf dem Breitenkreis 9 = const. = 9 0 einer Kugel mit dem Radius R?
y
eines
238
I Vektoranalysis
17)
Zeigen Sie, daB das in Kugelkoordinaten ausgedriickte Vektorfeld F(r; 9; cp) == e.9-+Q7 (
~
) wirbelfrei und somit als Gradient eines skalaren Feldes ¢(r; 9; cp)
I/sin 9 darstellbar ist. Wie lautet diese Potentialfunktion? 18)
Wie muf man den Exponent n wahlen, damit das radialsymmetrische Vektorfeld
F(r; 9; cp) == r a) b)
c) 19)
n
e
y
quellenfrei, wirbelfrei, quellen- und wirbelfrei ist?
Bestimmen Sie diejenigen Losungen der Laplace-Gleichung ~¢ == 0, die nur von einer der drei Kugelkoordinaten abhangen: a) ¢ == ¢(r) b) ¢ == ¢(9) c) ¢ == ¢(cp)
Zu·Abschnitt 7 1)
Berechnen Sie das Linienintegral
f [y dx + (x
2
+ X y) dy]
langs der in Bild 1-183
c skizzierten Verbindungswege der Punkte A == (0; 0) und B == (2; 4).
y
B = (2;4)
4
Bild 1-183
2 A = (0;0)
x
Ubungsaufgaben 2)
239
Zeigen Sie, daB die folgenden Linienintegrale wegunabhdngig sind und bestimmen Sie die zugehorige Potentialfunktion: a)
f f
[(2xy
+ 4x) dx + (x 2
-
1) dy]
b)
c
c)
[(3x 2 y
f
(eY dx
+ x . eY dy)
c
+ y3) dx + (x' + 3x y 2) dy]
C
3)
ex ye
Gegeben ist das ebene Kraftfeld F == x + y• a) Zeigen Sie, daB dieses Feld konservati v ist. b) Bestimmen Sie das Potential ¢ (x; y) des Feldes. c)
Berechnen Sie das Arbeitsintegral
fF· dr
fur einen beliebigen von Pi =
C
(1; 0) nach 4)
~
== (3; 5) fuhrenden Verbindungsweg C.
Berechnen Sie die Arbeit des Kraftfeldes
F ==
;'
2
ex -
~
2
e y
1+x +y 1+x +y beim Verschieben einer Masse von A == (1; 0) nach B == (- 1; 0) langs der in Bild 1-184 skizzierten halbkreisfiirmigen Verbindungswege C 1 und C 2 • Warum hangt die Arbeit noch vom Weg ab?
y
A = (1;'0)
x
Bild 1-184
5)
In dem ebenen Kraftfeld F(x; y) = (x
~2Y) wird eine Masse von ~ = (1; 0) aus
auf dem Einheitskreis im Gegenuhrzeigersinn einmal herumgefiihrt. Welche Arbeit wird dabei vom Kraftfeld verrichtet?
240
I Vektoranalysis
6)
Zeigen Sie, daB es sich bei der linearen Differentialform ~ dT + - dV urn das T V vollstdndige Differential dS einer von T und Vabhangigen Funktion S(T; V) handelt und bestimmen Sie diese Funktion. Anmerkung: S (T; V) ist die Entropiefunktion des idealen Gases und gehort zu den thermodynamischenZustandsfunktionen, die in der physikalischen Chemic eine bedeutende Rolle spielen (T: absolute Temperatur; V: Volumen; R: allgemeine Gaskonstante; C v : Molwarme bei konstantem Volumen (Stoftkonstante)).
7)
Berechnen Sie das Linienintegral
C
f (x y2 dx -
x 2 Yz dy
R
+ xz 2 dz) langs
des Weges
c
ex + t? e + t e (1 ~ t ~ 2). Welche Arbeit verrichtet das Kraftfeld F = x y ex + e + y z e an einer Masse, wenn diese langs der Schraubenlinie r(t) = cos t ex + sin t e + t e von 3
emit dem Ortsvektor r(t) = t
8)
z
y
z
y
z
y
~
9)
(t = 0) ausnach
~ (t
= 2 n) bewegt wird?
Zeigen Sie, daB das Linienintegral
f
(x dx
+ Y dy + z dz)
unabhdngig vom Inte-
c grationsweg ist. Wie lautet das Potential ¢(x; y; z) des Feldes? 10) Zeigen Sie, daB das raumliche Kraftfeld F = r2 zugehorige Potentialfunktion ¢(x; y; z)?
r konservativ ist. Wie lautet die
11)
Fiihren Sie den Nachweis, daB die Zirkulation des ebenen Vektorfeldes F(x; y) = (2x + y2) + (2xy + y2) y langs des in positiver Richtung durchlaufenen Einheitskreises verschwindet. Gilt diese Aussage fur jeden geschlossenen Integrationsweg?
12)
Stellen Sie fest, ob die folgenden Vektorfelder konservativ sind und bestimmen Sie gegebenenfalls das zugehorige Potential:
ex
a)
-+ F(x; y)
= (2X + xy
+
e
y)
2XY c)
13)
F(x;y;z) =
(
b)
y2
-+
Ftx: y) = ,
(
y2. sin x - 2 x ) - 2 y . cos x + 4 y
3 Z
2xy --'- 3xz 2
2
)
X
d)
Eine Masse wird in dem Kraftfeld F(x; y; z) =
F(x; y; z) =
(X y
::z)
+
yz
(
y
.
e
x~z
)
langs der in Bild 1-185
Ubungsaufgaben
241
dargestellten (geschlossenen) Kreislinie emit der Parameterdarstellung x
==
5 . cos t,
y
==
5 . sin t,
(0~t<2n)
z==2
bewegt. a) Welche Arbeit wird dabei vom Kraftfeld verrichtet? b) 1st das Kraftfeld konservativ?
Ebene 2=2
Bild 1-185
y
x
14) Gegeben ist das Vektorfeld
F(x; y; z) ==
(x.
i;: co:
sin z).
y . cos z
a) b) c)
Zeigen Sie, daB es sich hierbei urn ein konservatives Feld handelt. Bestimmen Sie die zugehorige Potentialfunktion ¢(x; y; z). Berechnen Sie mit Hilfe des unter b) ermittelten Potentials das Linien- oder Kurvenintegral
fF. dr
fiir einen beliebigen Verbindungsweg C der beiden
c Punkte Pi == (0; 0; 0) und
~
== (5; n; 3n).
Zu Abschnitt 8 Hinweis: Bei einer geschlossenen Oberflache ist die Flachennormale gerichtet. 1) Berechnen
If (F . N)
Sie mit
dem
Vektorfeld
F=
(::)
das
N
stets nach aufJen
Oberfliichenintegral
dA, wobei A das im 1. Oktant gelegene Teilstiick der Ebene mit der
(A)
Gleichung x + y + z == 1 bedeutet (Flachennormale Ebene F (x; y; z) == x + Y + z - 1 == 0).
N:
normierter Gradient der
242 2)
I Vektoranalysis
Gegeben ist das folgende Geschwindigkeitsfeld einer Fliissigkeit: v(x; y; z) ==
e+ e Z2
y
z
Berechnen Sie den Flu./3 dieses Feldes durch das in Bild 1-186 skizzierte ebene Flachenstiick A (Teil der Ebene z == 2; Flachcnnormale: N == z ) .
e
10
Bild 1-186
y
10
x
3) Berechnen Sie den Flu./3 des Vektorfeldes
ff == (
~
) durch die geschlossene
xyz Oberflache des in Bild 1-187 dargestellten Wiirfels. z
y
Bild 1-187
x
4)
Berechnen
Sie
das
des (raumlichen Vektorfeldes iiber die in Bild 1-188skizzierte Teilflache A eines y z Zylindermantels (Mantelflache des Zylinders mit dem Radius R == 4 und der Hohe H == 5 im 1. Oktant). Flachennormale N: normierter Gradient der Mantelflache. Anleitung: Verwenden Sie Z ylinderkoordinaten.
F(x; y; z) == y ex + x
Oberfldchenintegral
e + xz e
Ubungsaufga ben
243 z 5
Ebene z=5 ---+----_
Mentelttecne A
Bild 1-188
y 4 x,y-Ebene z=O
x
5)
Wie groB ist der FlufJ des Vektorfeldes F(x; y; z) == (
~:
) durch die geschlos-
SIn z
sene Oberflache des in Bild 1-189 dargestellten Zylinders (Radius: R == 1; Hohe: H == 3)?
Ebene z=3
Bild 1-189 y
x
x,y-Ebene z=O
244
6)
I Vektoranalysis
Berechnen Sie den FlufJ des Vektorfeldes F(x; sene Oberflache A der Halbkugel x 2
y; z) ?y ) durch die geschlos-
+ y2 + Z2 =
= (
1, Z ~ 0 (Bild 1-190).
z A
y
Bild 1-190
x
7)
Durch Rotation der Norrnalparabel z = x 2 urn die z-Achse entsteht ein Rotationsparaboloid, dessen Mantel durch die Gleichung z = x 2 + y2 beschrieben wird (Bild 1-191). Berechnen Sie den Fldcheninhalt M dieses Mantels bis zur Hohe h = 2. z
Bild T-191 y x
Anleitung: Verwenden Sie als Flachenparameter zunachst die kartesischen Koordinaten x und y und gehen Sie dann bei der Berechnung des anfallenden Doppelintegrals zu Polarkoordinaten tiber.
245
Ubungsaufgaben
ex - x e + z e durch
8)
Berechnen Sie den Fluj3 des Vektorfeldes F(x; y; z) == 2x die Oberflache A der Kugel x 2 + y2 + Z2 == 25. Hinweis: Verwenden Sie Kugelkoordinaten.
9)
Berechnen Sie den Fluj3 des in Zylinderkoordinaten dargestellten Vektorfeldes a F == - g ((2 > 0) durch die Oberflache eines koaxialen Zylinders mit dem Radius Q
z
y
e
R und der Hohe H (Zylinderachse == z-Achse).
10) Das radialsymmetrische Vektorfeld mit der (in Kugelkoordinaten gegebenen) Darstellung F == r" r (n E Z) durchflute eine Kugelschale vom Radius R (der Kugelmittelpunkt liege im Koordinatenursprung). Wie groB ist der Vektorfluj3?
e
Zu Abschnitt 9 Hinweis: Bei einer geschlossenen Oberflache ist die Flachennormale gerichtet.
N stets nach auj3en
ex
e
e
1) Berechnen Sie den Fluj3 des Vektorfeldes F(x; y;z) == xy + y2 y + xz z durch die (geschlossene) Oberflache A des in Bild 1-192 skizzierten Wurfels unter Verwendung des Gauj3schen Integralsatzes.
z
Bild 1-192 y
x
246
I Vektoranalysis
2)
Der in Bild 1-193 dargestellte Zylinder mit dem Radius R == 3 wird durch die Parallelebenen z == 0 und z == 2 begrenzt. Wie groB ist der Flufl des Vektorfeldes F(x; y; z) = ( - : : ) durch die (geschlossene) Oberflache des Zylinders? Ver-
wenden Sie bei der Losung dieser Aufgabe den Integralsatz von Gaufl.
z z=2 ..r /
"
.
'""""'-
.JII'/
"" ....... .......
....
I I I I
.
..
3
4)
3
Bild 1-193 Y
/
./
z=o
x
3)
...... ,.
Verifizieren Sie den Gaufischen Integ.ralsatz fur das Vektorfeld die Oberflache A der Kugel x 2 + y2 + Z2 == R 2 •
F == (
~:) und Z3
Ein Vektorfeld F sei als Rotation eines weiteren Feldes E darstellbar: F == rot E. Dann verschwindet das Oberflachenintegral von F fur jede geschlossene Flache A, d. h. es gilt:
#(F- N) #
(rot if) . N dA = 0
dA =
(A)
(A)
Beweisen Sie diese Aussage mit Hilfe des Gaufischen Integralsatzes. 5)
Verifizieren Sie den Gaufischen I ntegralsatz in der Ebene fur das Vektorfeld F(x; y)
=
(=:)
und die in Bild 1-194 skizzierte Kreisflache A mit der Randkurve C.
247
Ubungsaufgaben
~ 1 ~ N=-r
It!
Bild 1-194 A
6)
Randkurve C
+ y2 + Z2 = 4, z ~ 0 und C die (kreisformige) Randkurve in der x, y-Ebene (Bild 1-195). Berechnen Sie den Wirbelflufi A sei die Mantelflache der Halbkugel x 2
_y3 )
des Vektorfeldes jf (x; y; z) =
(
Y Z2 y2
durch diese Flache auf zwei verschiedene
z
Arten mit Hilfe des Integralsatzes von Stokes (die Flachennormale N ist nach aufien gerichtet, die Randkurve C wird im Gegenuhrzeigersinn durchlaufen).
z 2
A
2 y
x
2 Randkurve C
Bild 1-195
248
1 Vektoranalysis
7)
Bild 1-196 zeigt den im 1. Oktant gelegenen Teil der Ebene x + y.+ z = 2. Dieses dreieckige ebene Flachenstiick A wird von der (geschlossenen) Kurve C berandet. Berechnen Sie mit dem Vektorfe1d F(x; y; z) = (;z ) das Kurvenintegral [ F'
dr
unter Verwendung des Stokes'schen Integralsatzes.
z
Bild1-196 y
2 x
8)
Ein Vektorfeld besitze in Kugelkoordinaten die folgende Darstellung:
f a) b)
9)
(r; 9; qJ)
= (r 2 . cos qJ)
9
Begriinden Sie, warum der VektorfluB durch eine Kugelschale mit dem Radius R verschwindet (Kugelmittelpunkt = Koordinatenursprung). Bestatigen Sie diese Aussage mit Hilfe des I ntegralsatzes von Stokes.
Gegeben ist das Vektorfeld Z
e
F=
(
~:) und die Halbkuge1 x
> O. Berechnen Sie das Oberfldchenintegral
If (V (A)
x
F) . IV
2
+
y2
+ Z2
=
9,
dA
auf direktem Wege, mit Hilfe des I ntegralsatzes von Stokes. (A: Mantelflache der angegebenen Halbkugel mit kreisformiger Randkurve in der x, y-Ebene, Orientierung von Flache und Randkurve wie in Aufgabe 6, vgl. hierzu auch Bild 1-195). a) b)
249
II Wahrscheinlichkeitsrechnung
1 Hilfsmittel aus der Kombinatorik Wir beschaftigen uns in diesem Abschnitt mit den Permutationen, Kombinationen und Variationen. Diese aus der Kombinatorik stammenden Abzahlmethodcn sind ein wichtiges Hilfsmittel bei der Losung zahlreicher Probleme in der Wahrscheinlichkeitsrechnung und Statistik und lassen sich in sehr anschaulicher Weise anhand des Urnenmodells einfuhren.
1.1 U rnenmodell In einer Urne befinden sich n verschiedene Kugeln, die sich z. B. in ihrer Farbe voneinander unterscheiden. Wir wollen uns dann in den nachsten Teilabschnitten mit den folgenden, in der Wahrscheinlichkeitsrechnung haufig vorkommenden Fragestellungen beschaftigen: 1. Auf wieviel verschiedene Arten lassen sich diese Kugeln anordnen? Dies fuhrt uns zu dem Begriff "Permutation". 2. Aus der Urne werden nacheinander k Kugeln gezogen, wobei wir noch die folgenden Falle unterscheiden miissen: a) Ziehung ohne Zuriicklegen (Bild II-1):
Die jeweils gezogene Kugel wird nicht in die Urne zuruckgelegt und scheidet somit fur alle weiteren Ziehungen aus. Jede der n Kugeln kann also nur einmal gezogen werden.
10 Die gezogene Kugel scheidet aus
Bild 11-1 Ziehung einer Kugel ohne Zuriicklegen
II Wahrscheinlichkeitsrechnung
250
b) Ziehung mit Zuriicklegen (Bild 11-2): J ede Kugel darf mehrmals verwendet werden, d. h. daB jede gezogene Kugel vor der nachsten Ziehung in die Urne zuriickgelegt wird und somit bei der nachfolgenden Ziehung abermals gezogen werden kann.
Bild 11-2 Ziehung einer Kugel mit Zuriicklegen Die gezogene Kugel wird in die Urne zurOckgelegt
In beiden Fallen unterscheiden wir ferner, ob die Reihenfolge der Ziehung beriicksichtigt werden soIl oder nicht. Wir stoBen so auf die Begriffe "Variation" und .Kombination" . In der Statistik wird eine solche zufdllige Entnahme von k Kugeln als Stichprobe vom Umfang k bezeichnet 1). Sie heiBt geordnet, wenn die Reihenfolge, in der die Stichprobenelemente (hier: Kugeln) gezogen werden, berucksichtigt wird. Spielt die Reihenfolge jedoch keine Rolle, so liegt eine ungeordnete Stichprobe vor.
1.2 Permutationen Wir beschaftigen uns zunachst mit dem folgenden Problem: In einer Urne befinden sich n verschiedenfarbige Kugeln. Auf wieviel verschiedeneArten lassen sich diese Kugeln (beispielsweise nebeneinander) anordnen? Wir beginnen mit einem einfachen Beispiel. •
Beispiel Drei verschiedenfarbige Kugeln, z. B. je eine weiBe, graue und schwarze Kugel, lassen sich auf genau 6 verschiedene Arten wie folgt anordnen (Bild 11-3):
08e
oeo
oe eoe eo e 0
Bild 11-3 Drei verschiedenfarbige Kugeln lassen sich auf sechs verschiedene Arten (nebeneinander) anordnen
1)
•
Der in der Statistik grundlegende Begriff .Btichprooe aus einer Grundgesamtheit" wird in Kap. III, Abschnitt 1.2 noch ausfiihrlich erortert,
1 Hilfsmittel aus der Kombinatorik
251
Allgemein heiBt eine Anordnung von n verschiedenen Elementen (Kugeln) in einer bestimmten Reihenfolge eine Permutation der n Elemente (Kugeln). Wie viele Moglichkeiten gibt es dann, n verschiedene Elemente (Kugeln) anzuordnen? Wie groB ist somit die Anzahl der Permutationen von n Elementen? Wir Iosen dieses Problem nun wie folgt: Es sind n Platze vorhanden, die wir in der iiblichen Weise von 1 bis n durchnumerieren, und n verschiedene Kugeln, mit denen wir diese Platze besetzen wollen, Den Platz Nr. 1 konnen wir mit jeder der n Kugeln belegen. Ist diese Stelle jedoch einmal besetzt, so bleiben fur die Besetzung des 2. Platzes nur noch n - 1 Moglichkeiten, Denn jede der n - 1 iibriggebliebenen Kugeln kann diesen Platz einnehmen. Ist schlieBlich auch dieser Platz besetzt, so bleiben fur die Besetzung des 3. Platzes nur noch n - 2 Moglichkeiten iibrig u. s.w.. Fur die Besetzung der Platze 1, 2, 3, ... , n gibt es daher der Reihe nach n, n - 1, n - 2, ... , 1 Moglichkeiten, Bild II-4 verdeutlicht diese Aussage.
• • •
n
n-1
n-2
Platzziffer
Anzahl der moqtichen Besetzungen
Bild 11-4 Besetzungsmoglichkeiten fur die verschiedenen Platze
Die Anzahl der Permutationen von n verschiedenen Kugeln (oder allgemein: von n verschiedenen Elementen) ist daher
P(n)
==
n(n - 1) (n - 2) ... 1 == n!
(II-1)
Befinden sich jedoch unter den n Kugeln n 1 gleiche (z.B. n1 schwarze Kugeln), so fallen alle jene Anordnungen zusammen, die durch Vertauschungen der gleichen Kugeln untereinander hervorgehen (alle iibrigen Kugeln behalten dabei ihre Platze). Bild 11-5 verdeutlicht dies fur eine Anordnung von 5 Kugeln, unter denen sich 3 gleiche (namlich schwarze) Kugeln befinden. Werden diese untereinander vertauscht, was auf genau P (3) == 3! == 6 verschiedene Arten moglich ist, so entstehen dabei keine neuen Anordnungen. Vertauschung
In
eee o
Bild 11-5 Durch Vertauschung der schwarzen Kugeln untereinander entstehen keine neuen Anordnungen
252
II Wahrscheinlichkeitsrechnung
Bei n 1 gleichfarbigen Kugeln gibt es somit P (n1 ) = n 1! verschiedene Moglichkeiten, diese untereinander zu vertauschen. Daher gibt es genau (11-2)
verschiedene Anordnungsmoglichkeiten fur n Kugeln, unter denen sich n1 gleiche Kugeln befinden. Analog UiBt sich zeigen: Die Anzahl der verschiedenen Permutationen von n Kugeln, unter denen sich jeweils n 1 , n2 , ••• , nk gleiche befinden, ist P(n; n 1 , n2 ,
••• ,
n! nk ) = - - - - n 1!n2!···nk!
(11-3)
Wir fassen diese Ergebnisse nun in etwas allgemeinerer Form wie folgt zusammen:
2)
Die n Kugeln zerfallen somit in k verschiedene Klassen, wobei die Kugeln einer jeden Klasse gleichfarbig sind. Es treten somit nur k :::.:; n verschiedene Farben auf.
1 Hilfsmittel aus der Kombinatorik •
253
Beispiele
(1)
Auf einem Regal sol1en 5 verschiedene Gegenstande angeordnet werden. Es gibt dann P(5) == 5! == 120
verschiedene Anordnungsmoglichkeiten (Permutationen). (2)
Wir betrachten 6 Kugeln, darunter 3 weiBe, 2 graue und 1 schwarze Kugel (Bild II -6):
Bild 11-6
Es gibt dann genau P (6· 3 2 1) ==
, "
6! 3! 2! 1!
== 60
verschiedene Anordnungsmoglichkeiten (Permutationen).
•
1.3 Kombinationen Kombinationen ohne Wiederholung
Einer Urne mit n verschiedenen Kugeln entnehmen wir nacheinander k Kugeln ohne Zuriicklegen. Die Reihenfolge der gezogenen Kugeln soll dabei ohne Bedeutung sein, bleibt also unberiicksichtigt. Eine solche ungeordnete Stichprobe von k Kugeln (oder allgemein: von k Elementen) heiBt eine Kombination k-ter Ordnung ohne Wiederholung 3). •
Beispiel
Befinden sich in einer Urne drei verschiedenfarbige Kugeln (z.B. je eine weiBe, graue und schwarze Kugel) und ziehen wir nacheinander wahllos zwei Kugeln ohne Zurucklegen, so ist z. B. die folgende Ziehung eine von mehreren moglichen (Bild 11-7):
loe_
eS 1. Kugel
j •
Anordnung in der Reihenfolge der Ziehung:
oe
Bild 11-7
2. Kugel
3)
JedeKugel darf nur einmal verwendet werden und kann somit in der Stichprobe hochstens einmal vertreten sein.
II Wahrscheinlichkeitsrechnung
254
Spielt dabei die Reihenfolge, in der die beiden Kugeln gezogen werden, keine Rolle, so wird diese Ziehung nicht von der folgenden Ziehung unterschieden (Bild II-8):
10••
Io
~
Anordnung in der Reihenfolge der Ziehung:
eo
1. Kugel
2. Kugel
Bild 11-8
Die beiden Stichproben (Anordnungen) unterscheiden sich lediglich in der Reihenfolge ihrer Elemente und werden daher als ungeordnete Stichproben oder Kombinationen 2. Ordnung nicht unterschieden.
• Die Fragestellung lautet jetzt: Auf wieviel verschiedene Arten lassen sich k Kugeln aus einer Urne mit n verschiedenen Kugeln ohne Zuriicklegen und ohne Beriicksichtigung der Reihenfolge ziehen? Wie grof ist somit die Anzahl der Kombinationen k-ter Ordnung ohne Wiederholung bei n verschiedenen Kugeln (Elementen)? Zur Klarung dieser Frage ordnen wir die n verschiedenen Kugeln a 1 , a2 , ..• , an zunachst in einer Reihe an und kennzeichnen dann diejenigen k Kugeln, die wir gezogen haben, durch die Zahl 0, alle iibrigen n - k Kugeln durch die Zahl 1 (Bild II -9):
°
genau k-mal und die Zahl 1 genau In dieser Anordnung tritt somit die Zahl (n - k)-mal auf. Wir konnen nun unsere Fragestellung auch wie folgt formulieren: Wieviel verschiedene Anordnungsmoglichkeiten gibt es fiir die insgesamt n Zahlen, unter denen k-mal die Zahl und (n - k)-mal die Zahll vorkommt?
°
255
1 Hilfsmittel aus der Kombinatorik
Offensichtlich handelt es sich dabei urn die Permutationen von n Zahlen, die sich in zwei Klassen wie folgt aufteilen lassen (Bild II -10):
Bild 11-10
Daher gibt es nach Gleichung (II-5) genau
n'
(n)
C (n; k) == P (n; k n - k) == . == , , , k!(n-k)! k
(11-6)
verschiedene Moglichkeiten, aus einer Urne mit n verschiedenen Kugeln k Kugeln ohne Zuriicklegen und ohne Beriicksichtigung der Reihenfolge herauszugreifen. Kombinationen mit Wiederholungen Darf jedoch jede der n verschiedenen Kugeln mehrmals verwendet werden, so erhalt man Kombinationen k-ter Ordnung mit Wiederholung 4). Ihre Anzahl ist Cw(n; k) == (
n
+kk
1)
(11-7)
Dabei ist zu beachten, daB k jetzt auch grojJer als n sein kann. Auf die Herleitung dieser F ormel soIl verzichtet werden. Wir fassen die bisherigen Ergebnisse wiederum in etwas allgemeinerer Form wie folgt zusammen:
4)
Jede gezogene Kugel wird dabei vor der nachsten Ziehung in die Urne zuriickgelegt und hat somit die Chance, mehrmals gezogen zu werden (Ziehung mit Zuriicklegen).
II Wahrscheinlichkeitsrechnung
256
Anmerkung
Bei Kombinationen findet also die Reihenfolge oder Anordnung der Elemente grundsatzlich keine Beriicksichtigung. Sie konnen daher auch als ungeordnete Stichproben aufgefaBt werden, die man einer sog. Grundgesamtheit mit n Elementen entnommen hat. Die Urne mit ihren n verschiedenen Kugeln liefert ein sehr anschauliches Modell fur eine solche Grundgesamtheit 5) •
•
Beispiele
(1)
Einer Warenlieferung von 12 Gliihbimen solI zu Kontrollzwecken eine Stichprobe von 3 Gliihbirnenentnommen werden. Wieviel verschiedene Stichproben sind dabei moglich? Losung :
Da es bei dieser (ungeordneten) Stichprobe auf die Reihenfolge der gezogenen Gliihbirnen nicht ankommt und die Ziehung (wie in der Praxis allgemein iiblich) ohne Zuriicklegen erfolgt, gibt es genau 12)
C(12· 3) = ( , 3
=
12 . 11 . 10 = 220 1 ·2·3
verschiedene Moglichkeiten, aus 12 Gliihbirnen 3 auszuwahlen (Kombinationen 3. Ordnung von 12 Elementen ohne Wiederholung).
5)
Der Begriff "Grundgesamtheit" wird in Kap. III, Abschnitt 1.2 naher erlautert.
1 Hilfsmittel aus der Kombinatorik (2)
257
Fur die in Bild 11-11 dargestellte Parallelschaltung dreier Widerstande stehen uns insgesamt 5 verschiedene ohmsche Widerstande R 1 , R 2 , .•. .R; zur Verfiigung. Wieviel verschiedene Schaltmoglichkeiten gibt es, wenn jeder der 5 Widerstande a) hochstens einmal, b) mehrmals, d. h. hier bis zu dreimal verwendet werden darf?
Bild 11-11 Parallelschaltung dreier Widerstande
Losung: Aus 5 Widerstanden miissen wir 3 Widerstande auswahlen, wobei die Anordnung (Reihenfolge) im Schaltkreis keine Rolle spielt. Es handelt sich also urn Kombinationen 3. Ordnung von 5 Elementen (Widerstanden) 6) • a) Da jeder Widerstand nur einmal verwendet werden darf, haben wir es hier mit Kombinationen 3. Ordnung ohne Wiederholung zu tun. In diesem Fall gibt es somit
5)
C(5' 3) = ( , 3
b)
5 ·4·3 =. - = 10 1 ·2·3
verschiedene Parallelschaltungen. Jeder Widerstand kann bis zu dreimal verwendet werden. Es handelt sich daher diesmal urn Kombinationen 3. Ordnung mit Wiederholung. Wir haben somit
Cw(5; 3) =
3- 1)= (7)3 = ~ 7.6.5= 35 (5+ 3
verschiedene Moglichkeiten fur eine Parallelschaltung aus drei Wider-
standen.
6)
•
Der Gesamtwiderstand ist unabhdngig von der Reihenfolge, in der die Einzelwiderstande geschaltet werden.
II Wahrscheinlichkeitsrechnung
258
1.4 Variationen Variationen ohne Wiederholung Wir gehen von den gleichen Ubetlegungen aus wie im vorangegangenen Abschnitt, beritcksichtigen diesmal jedoch die Reihenfolge, in der wir die k Kugeln aus der Urne entnommen haben. Eine solche geordnete Stichprobe von k Kugeln heiBt dann eine Variation k-ter Ordnung ohne Wiederholung, wenn die Ziehung ohne Zurucklegen der Kugeln erfolgte. Jede der n verschiedenen Kugeln ist in solch einer Anordnung also hochstens einmal vertreten.
•
Beispiel In einer Urne befinden sich je eine weiBe, graue und schwarze Kugel. Wir ziehen nacheinander zwei Kugeln ohne Zuriicklegen und vergleichen die beiden folgenden miiglichen Ergebnisse miteinander (Bild 11-12):
t
0 1. Kugel
Ie
j 0
t
e 1. Kugel
Bild11-12 Ziehung zweier Kugeln ohne Zuriicklegen
2. Kugel
2. Kugel
Unter Beriicksichtigung der Reihenfolge der gezogenen Kugeln notieren wir das Ergebnis der beiden Experimente wie folgt: 1. Experiment: 2. Experiment:
e eo 0
Die beiden Anordnungen unterscheiden sich lediglich in der Reihenfolge ihrer Elemente und werden daher definitionsgemiifJ als zwei verschiedene Variationen 2. Ordnung ohne Wiederholung betrachtet.
•
Die Fragestellung lautet jetzt allgemein: Auf wieviel verschiedene Arten lassen sich k Kugeln ohne Zuriicklegen, aber unter Beriicksichtigung der Reihenfolge ziehen? Wie groB ist somit die Anzahl der Variationen k-ter Ordnung ohne Wiederholung bei n Elementen?
259
1 Hilfsmittel aus der Kombinatorik
Bei der Losung dieses Problems gehen wir zunachst von einer beliebigen Kombination k-ter Ordnung ohne Wiederholung aus. Sie enthalt genau k verschiedene Kugeln, die wir der Reihe nach mit a., a 2 , ••• , ak bezeichnen, in einer beliebigen Anordnung, z.B.
Da sich diex Kugeln auf k! verschiedene Arten permutieren lassen, erhalten wir aus dieser Kombination genau k! Variationen. Dies aber gilt fur jede Kombination k-ter Ordnung. Somit ist
n! V(n; k) = k! C(n; k)
n!
(11-10)
= k! k!(n _ k)! = (n _ k)!
die Anzahl der moglichen Variationen k-ter Ordnung ohne Wiederholung.
Variationen mit Wiederholung Darf dagegen jede der insgesamt n verschiedenen Kugeln in der Urne mehrmals verwendet werden, so erhalt man Variationen k-ter Ordnung mit Wiederholung. Jede gezogene Kugel muB daher vor der nachsten Ziehung in die Urne zuriickgelegt werden (Ziehung mit Zurucklegen), Die Anzahl der Variationen k-ter Ordnung betragt in diesem Fall
(II -11) Denn wir konnen jeden der k Platze in einer solchen Anordnung mit jeder der n verschiedenen Kugeln belegen, da Mehrfachziehung jetzt zuldssig ist (Bild II-13):
• • •
n
n
n
Platzziffer
n
Anzahl der moqttchen Besetzungen
BUd 11-13 Besetzungsmoglichkeiten fur die k vorhandenen Platze
Somit gibt es genau
n . n . n ... n == n" '-v-'
k-mal
verschiedene Anordnungen.
(II-12)
II Wahrscheinlichkeitsrechnung
260
Wir fassen die Ergebnisse in etwas allgemeinerer Form wie folgt zusammen:
Anmerkungen (1) Variationen unterscheiden sich somit von Kombinationen grundsatzlich dadurch, daB die Reihenfolge oder Anordnung der Elemente beriicksichtigt wird. Sie konnen daher auch als geordnete Stichproben aufgefaBt werden, die einer sog. Grundgesamtheit mit n Elementen entnommen wurden. (2)
Variationen k-ter Ordnung werden haufig auch als Kombinationen k-ter Ordnung unter Beriicksichtigung der Anordnung bezeichnet.
•
Beispiele
(1)
Beim Pferdetoto muB in der sog. Dreierwette der Zieleinlauf der ersten drei Pferde in der richtigen Reihenfolge vorausgesagt werden. Wieviel verschiedene Dreier-Wetten sind moglich, wenn 10 Pferde starten?
1 Hilfsmittel aus der Kombinatorik
261
Losung :
Drei der zehn Pferde erreichen in einer bestimmten Reihenfolge als erste das Ziel. Es handelt sich in diesem Beispiel somit um Variationen 3. Ordnung von 10 Elementen ohne Wiederholung. Daher gibt es V(10· 3) ==
,
10! 10! == - == 8 ·9·10 == 720 (10 - 3)! 7!
verschiedene Dreier-Wetten.
(2)
Beim gleichzeitigen Wurf zweier unterschiedlich gekennzeichneter homogener Wiirfel interessieren wir uns fur die dabei auftretenden Augenpaare. Wieviel verschiedene Augenpaare sind moglich? Losung:
Als Augenzahlen eines jeden der beiden Wiirfel kommen die Zahlen 1, 2, 3, 4, 5 und 6 infrage. Bei den Augenpaaren(i; j) handelt es sich dann um geordnete Zahlenpaare, da die Wiirfel unterschiedlich gekennzeichnet sind (z.B. ein weiBer und ein schwarzer Wiirfel) und somit um Variationen 2. Ordnung der 6 Zahlen 1 bis 6 mit Wiederholung. Es gibt daher
verschiedene Augenpaare, namlich
(1; 1), (1; 2), (1; 3), (2; 1), (2; 2), (2; 3),
, (1; 6) , (2; 6)
(6; 1), (6; 2), (6; 3), ... , (6; 6) (3)
Aus den Ziffern 1 bis 9 sollen dreistellige Zahlen gebildet werden. Wieviele Moglichkeiten gibt es, wenn jede Ziffer nur einmal verwendet werden darf? Losung:
9 Ziffern werden auf 3 Platze verteilt, wobei jede Ziffer nur einmal verwendet werden darf und die Anordnung der Ziffern von Bedeutung ist. Es handelt sich also um Variationen 3. Ordnung ohne Wiederholung. Ihre Anzahl betragt 9! V(9; 3) = (9 _ 3)!
9! 6!
6!· 7·8·9 6!
- - - == 7 . 8 . 9 == 504
•
262
II Wahrscheinlichkeitsrechnung
1.5 Tabellarische Zusammenstellung der wichtigsten Formeln Ungeordnete Stichproben sind Kombinationen, geordnete Stichproben dagegen Variationen. Tabelle 1 zeigt den Zusammenhang zwischen den Stichproben einerseits und den Kombinationen und Variationen andererseits und enthalt eine Zusammenstellung
wichtiger Formeln aus der Kombinatorik, die sich in der Wahrscheinlichkeitsrechnung und Statistik als sehr niitzlich erweisen.
Tabelle 1: Hilfreiche Formeln aus der Kombinatorik
2 Grundbegriffe 2.1 Einfiihrende Beispiele Wir beginnen mit drei einfachen Beispielen, die uns durch das gesamte Kapitel begleiten werden. Standardbeispiel1: Augenzahlen beim Wurf eines homogenen Wiirfels 7) Beim Wurf eines homogenen Wiirfels notieren wir die jeweils oben liegende Zahl, auch Augenzahl oder kurz Augen genannt. Dabei sind genau 6 verschiedene Ergebnisse oder Versuchsausgange moglich: Die Augenzahl wird stets eine der 6 Zahlen 1, 2, 3, 4, 5 und 6 seine Wir nennen ein solches Ergebnis ein Elementarereignis co. Die Elementarereignisse bilden in ihrer Gesamtheit die Ergebnismenge Q.
7)
Homogen bedeutet in diesem Zusammenhang: Der Wiirfel ist aus einem homogenen Material und geometrisch einwandfrei. Keine der 6 Seiten ist gegenuber einer anderen Seite in irgendeiner Weise bevorzugt. Diese Eigenschaften wollen wir bei allen weiteren Wiirfelexperimenten stets voraussetzen.
2 Grundbegriffe
263
Unser Wiirfelexperiment fiihrt demnach zu der Ergebnismenge Q
== {1, 2, 3, 4, 5, 6}
(II-15)
bestehend aus den 6 Elementarereignissen Wi == i (i == 1, 2, ... , 6). Es HiBt sich jedoch nicht voraussagen, welches der 6 Elementarereignisse bei einem bestimmten Wurf tatsachlich eintreten wird. Der Ausgang des Experimentes ist somit nicht vorhersehbar, sondern zuJallsbedingt. Wir sprechen daher in diesem Zusammenhang von einem Zu[allsexperiment. Erhalten wir z. B. bei einem bestimmten Wurf die Augenzahl ,,5", so konnen wir dieses Elementarereignis auch durch die Menge A == {5} beschreiben, die eine aus genau einem Element bestehende Teilmenge von Q ist. Ebenso beschreibt die Teilmenge B == {2} ein Elementarereignis, namlich das Wiirfeln der Augenzahl ,,2". Neben den Elementarereignissen sind aber noch weitere Versuchsausgange moglich, die wir ganz allgemein als Ereignisse bezeichnen wollen. Ein solches Ereignis ist z. B. das "Wiirfeln einer ungeraden Augenzahl". Dieses Ereignis laBt sich dann durch die Teilmenge
c == {1, 3, 5}
(11-16)
darstellen. Damit bringen wir zum Ausdruck, daB dieses Ereignis genau dann eintritt, wenn die erzielte Augenzahl entweder eine ,,1" oder eine ,,3" oder eine ,,5" ist. Das Ereignis C enthalt somit als Elemente genau 3 Elementarereignisse.Allgemein gilt: Ereignisse sind Teilmengen der Ergebnismenge Q.
Standardbeispiel2: Augenpaare beim Wurfmit zwei unterscheidbaren homogenen Wilrfeln
Wir wiirfeln gleichzeitig mit zwei unterscheidbaren homogenen Wiirfeln, z. B. mit einem weiBen und einem grauen Wiirfel und notieren dabei die erzielten Augenpaare. Ein mogliches Ergebnis ist dann beispielsweise
~ ~ 1. WOrfel (weiB)
(6; 1)
2. vvurtel (grau)
Augenzahl des grauen WOrfels
Augenzahl des weiBen WOrfels
II Wahrscheinlichkeitsrechn ung
264
Dieses Elementarereignis beschreiben wir durch das geordnete Zahlenpaar (6; 1). Insgesamt gibt es dann 62 == 36 verschiedene Augenpaare oder Elementarereignisse 8): Augenzahl des 2. Wiirfels
C/'J
~ $-;
(2; 1)
(2; 2)
(2; 3)
(2; 4)
(2; 5)
(2; 6)
(3; 1)
(3; 2)
(3; 3)
(3; 4)
(3; 5)
(3; 6)
:aco
(4; 1)
(4; 2)
(4; 3)
(4; 4)
(4; 5)
(4; 6)
I=:
(5; 1)
(5; 2)
(5; 3)
(5; 4)
(5; 5)
(5; 6)
(6; 1)
(6; 2)
(6; 3)
(6; 4)
(6; 5)
(6; 6)
:~
~ ~
C/'J ~
'"d N
~
on ~
~
Sie bilden in ihrer Gesamtheit die Ergebnismenge Q dieses Wiirfelexperiments: Q == {( 1;
1), (1; 2), (1; 3), ... , (6; 5), (6; 6)}
(11-17)
Wiederum gilt die Aussage: Es HiBt sich nicht vorausbestimmen, welches Elementarereignis (Augenpaar) bei einer bestimmten Durchfiihrung des Wiirfelexperiments tatsachlich eintritt. Das jeweilige Ergebnis ist rein zufallsbedingt. Es handelt sich also auch hier urn ein Zufallsexperiment. Neben diesen Elementarereignissen sind noch weitere Ereignisse moglich, die als Teilmengen der Ergebnismenge Q darstellbar sind. So wird z. B. das Ereignis A: Die Augenzahldes I, Wiirfels (weij3) ist eine ,,2" durch die 6 verschiedenen Elementarereignisse (2; 1), (2; 2), (2; 3), (2; 4), (2; 5), (2; 6)
realisiert und laBt sich somit durch die Teilmenge A
==
{(2; 1), (2; 2), ... , (2; 6)}
(11-18)
beschreiben. Das ebenfalls mogliche Ereignis B: DieAugensumme beider Wiafel ist gleich 4 wird durch die 3 Elementarereignisse (1; 3), (2; 2), (3; 1)
realisiert. 8)
Es handelt sich dabei urn Variationen 2. Ordnung der 6 Zahlen 1,2,3,4,5 und 6 mit Wiederholung.
2 Grundbegriffe
265
Daher gilt B == {(1; 3), (2; 2), (3; 1)}
(11-19)
Standardbeispiel 3: Ziehung von Kugeln aus einer U rne mit Zuriicklegen Eine Urne enthalte 5 Kugeln, darunter 3 weiBe und 2 schwarze Kugeln 9) (Bild 11-14):
1000H
Bild 11-14
Nacheinander ziehen wir ganz zufallig 3 Kugeln, wobei wir nach jedem Zug die jeweils gezogene Kugel in die U rne zuriicklegen, und notieren dabei die Farbe der gezogenen Kugeln. Es ergeben sich dann unter Beriicksichtigung der Reihenfolge, in der die Kugeln gezogen werden, die folgenden 8 Moglichkeiten (Elementarereignisse) (Bild 11-15):
000
ooe oee eee oeo eoe eoo eeo
Bild 11-15
Die Ergebnismenge Q dieses Zufallsexperiments enthalt daher genau diese 8 Elementarereignisse als Elemente: Q
==
{OOO, ooe, oeo, eoo, oee, eoe, eeo, eee}
Das Ereignis
(11-20)
A: Zwei der drei gezogenen Kugeln sind weijJ wird dabei durch die 3 Elementarereignisse
ooe, oeo, eoo realisiert und laBt sich somit durch die Teilmenge
A ==
{OOe, oeo, eOO}
(11-21 )
darstellen. Das Ereignis
B: Die drei gezogenen Kugeln sind gleichfarbig
9)
Die Kugeln unterscheiden sich lediglich in ihrer Farbe, sind ansonsten aber "baugleich" (d.h. gleicher Durchmesser, gleiches Material u. s.w.). Dies gilt auch fur aIle weiteren Urnenmodelle.
266
II Wahrscheinlichkeitsrechnung
dagegen wird nur durch zwei Elementarereignisse, namlich
000
und
eee
realisiert ("alle Kugeln sind entweder weiB oder schwarz"). Daher gilt: B == {OOO,
eee}
(11-22)
2.2 Zufallsexperimente In den einfiihrenden Beispielen haben wir den wichtigen Grundbegriff Zufallsexperiment bereits kennengelernt. Wir definieren ihn allgemein wie folgt:
•
Beispiele (1)
Erste Beispiele fur Zufallsexperimente haben wir bereits in unseren 3 Standardbeispielen aus Abschnitt 2.1 kennengelernt. So ist das Wiirfeln mit einem oder zwei homogenen Wiirfeln ebenso ein Zufallsexperiment wie die zufdllige Entnahme von Kugeln aus einer Urne.
(2)
Ein weiteres einfaches Beispiel liefert das Zufallsexperiment "Wurf einer homogenen Miinze" mit den beiden moglichen Ergebnissen (Elementarereignissen) "Zahl" und "Wappen". Das Ergebnis eines Miinzwurfs laBt sich jedoch nicht vorausbestimmen, sondern ist ausschlieftlich zufallsbedingt.
(3)
Urn die Qualitat zu sichern, wird der Hersteller eines M assenartikels die laufende Produktion einer sog. Qualitiitskontrolle unterziehen, in dem er in regelmdfiigen Zeitabstanden Stichproben entnimmt und diese dann auf die geforderten Merkmale hin iiberpriift. Auf diese Weise konnen eventuell festgestellte unzulassige Abweichungen von vorgegebenen Sollwerten durch einen Eingriff in die Produktion noch korrigiert werden.
•
2 Grundbegriffe
267
2.3 Elementarereignisse und Ergebnismenge eines Zufallsexperiments Bei einem ZuJallsexperiment sind stets mehrere Versuchsergebnisse moglich, die sich jedoch gegenseitig ausschliej3en. Dies fiihrt uns zu den wichtigen Grundbegriffen .Elementarereignis" und .Ergebrusmenge".
Anmerkung
Wir beschranken uns im Rahmen dieser Einfiihrung auf endliche bzw. abzdhlbar-unendliche Ergebnismengen: 1. Eine endliche Ergebnismenge Q enthalt nur endlich viele Elemente (Elementarereignisse): (11-23)
2. Eine abzdhlbar-unendliche Ergebnismenge Q enthalt dagegen unendlich viele Elemente, die wir aber wie die natiirlichen Zahlen durchnumerieren konnen: (11-24)
•
Beispiele (1)
Beobachten wir beim Zufallsexperiment "WurJ eines homogenen Wiafels" (Standardbeispiel 1) die erreichte Augenzahl i, so erhalten wir eine endliche Ergebnismenge mit genau 6 verschiedenen Elementarereignissen (i
= 1, 2, ... , 6)
Sie lautet demnach wie folgt: Q
(2)
= {1, 2, 3, 4, 5, 6}
Wir fiihren mit einem homogenen Wiirfel das folgende ZuJallsexperiment durch: Es wird solange gewiirfelt, bis erstmals die Augenzahl ,,6" erscheint. Dies kann bereits nach dem ersten, zweiten oder dritten Wurf der Fall sein. Es kann aber auch langer dauern, theoretisch sogar unendlich lange. Die Anzahl i der ausgefiihrten Wiirfe bis zum erstmaligen Auftreten der Augenzahl ,,6" kann somit irgendeine natiirliche Zahl sein. Die moglichen sich gegenseitig ausschlieBenden Ergebnisse oder Elementarereignisse sind daher in der Form (i
= 1, 2, 3, ...)
268
II Wahrscheinlichkeitsrechnung darstellbar. Die Ergebnismenge Q dieses Zufallsexperiments enthalt somit (abzahlbar) unendlich viele Elemente (Elementarereignisse): Q ==
{1, 2, 3, ...}
•
2.4 Ereignisse ODd Ereignisraum Durch Zusammenfassungen von einzelnen Elementarereignissen erhalt man Teilmengen der Ergebnismenge Q. Im einfachsten Fall enthalt eine Teilmenge genau ein Element und reprasentiert somit ein Elementarereignis. Wir verdeutlichen dies an einem Beispiel.
•
Beispiel Beim Zufallsexperiment "Wurf eines homogenen Wiirfels" (Standardbeispiel l ) erhielten wir die folgende Ergebnismenge: Q == {1, 2, 3, 4, 5, 6}
Aus ihr lassen sich 6 verschiedene Teilmengen mit genau einem Element bilden:
{1}, {2}, {3}, {4}, {5}, {6} Sie reprasentieren der Reihe nach die insgesamt 6 moglichen Ergebnisse (Elementarereignisse) beim Wiirfeln, namlich der Reihe nach das Auftreten der Augenzahlen 1, 2, 3, 4, 5 und 6. •
Allgemein beschreiben die Teilmengen von Q sog.· Ereignisse, d. h. Versuchsausgange, die bei der Durchfuhrung eines Zufallsexperiments eintreten konnen, aber nicht unbedingt eintreten miissen, Wir definieren daher:
Anmerkungen (1) Die moglichen Ereignisse eines Zufallsexperiments mit der Ergebnismenge Q werden somit durch die Teilmengen von Q beschrieben.
(2)
Ein Ereignis A ist dabei eingetreten, wenn das Ergebnis des Zufallsexperiments ein Element von A ist.
(3)
Zu beachten ist, daB sowohl die leere Menge 0 als auch die Ergebnismenge Q definitionsgemaf Teilmengen von Q sind und somit Ereignisse mit folgender Bedeu tung darstellen:
269
2 Grundbegriffe
0: Die leere Menge enthalt kein Element und symbolisiert das sog. unmogQ:
liche Ereignis, d. h. ein Ereignis, das nie eintreten kann. Die Ergebnismenge dagegen enthalt aIle Elementarereignisse und reprasentiert somit das sog. sichere Ereignis, d. h. ein Ereignis, das immer eintritt. Denn bei jeder Durchfiihrung des Zufallsexperiments tritt genau eines der Elemen tarereignisse ein.
(4)
Ein Ereignis A ist somit entweder das unmogliche Ereignis 0 (A enthalt dann kein Element der Ergebnismenge Q) oder ein Elementarereignis (A enthalt dann genau ein Element von Q) oder eine Zusammenfassung von mehreren Elementarereignissen (A enthalt somit mehrere Elemente von Q) oder das sichere Ereignis Q (A enthalt dann aIle Elemente von Q, d. h. es ist A == Q).
•
Beispiele
(1)
Beim Zufallsexperiment "Wurf eines homogenen Wiirfels" (StandardbeispieI1) lautet die Ergebnismenge Q fur die beobachtete Augenzahl bekanntlich wie folgt: Q == {1,2,3,4,5,6}
Wir bilden einige Teilmengen von Q und erlautern die zugeordneten Ereignisse:
A ==
{2}
Wiirfeln einer ,,2" (Elementarereignis)
B == {2, 4, 6}
Wiirfeln einer geraden Zahl
C == {3, 6}
Wiirfeln einer durch ,,3" teilbaren Zahl
D == {1, 3, 5}
Wiirfeln einer ungeraden Zahl
E
== {5, 6}
Wiirfeln einer ,,5" oder ,,6"
270
II Wahrscheinlichkeitsrechnung (2)
Bei unserem Urnenbeispiel aus Abschnitt 2.1 (Urne mit 5 Kugeln, darunter 3 weiBe und 2 schwarze) erhielten wir bei 3 nacheinander mit Zuriicklegen gezogenen Kugeln die folgende Ergebnismenge: Q ==
{OOO, ooe. oeo, eoo, oee, eoe, eeo, eee}
Die Teilmenge A ==
{OOe, oeo, eOO}
beschreibt dann das Ereignis .Unter den 3 gezogenen Kugeln befindet sich genau eine schwarze Kugel". Dieses Ereignis wird dabei durch 3 verschiedene Elemen tarereignisse realisiert, namlich:
ooe, oeo, eoo In allen drei Fallen werden jeweils 2 weiBe und eine schwarze Kugel gezogen (jedoch in unterschiedlicher Reihenfolge). Die Teilmenge B ==
{OOO, eee}
dagegen bedeutet das Ereignis "Die drei gezogenen Kugeln sind gleichfarbig". Es wird durch zwei Elementarereignisse realisiert (entweder sind aIle gezogenen Kugeln weijioder sie sind alle schwarz). Q selbst bedeutet das sichere Ereignis, das immer eintritt. Denn Q enthalt jedes mogliche Ergebnis (Elementarereignis) unseres Zufallsexperiments.
• 2.5 Verkniipfungen von Ereignissen Ereignisse sind, wie wir inzwischen wissen, Teilmengen der Ergebnismenge Q. Sie lassen sich daher wie Mengen verkniipfen. 'Man erhalt auf diese Weise neue Ereignisse, sog. zusammengesetzte Ereignisse. Die wichtigsten Verkniipfungen mit ihren Symbolen haben wir in der folgenden Tabelle zusammengestellt.
2 Grundbegriffe
271
Tabelle 2: Verknupfungen von Ereignissen und ihre Bedeutung (Q: Ergebnismenge eines Zufallsexperiments; A, B: Beliebige Ereignisse, d. h. Teilmengen von Q)
A
ua
Vereinigung der Ereignisse A und B: Entweder tritt A ein oder B oder A und B gleichzeitig
Symbolische Schreibweise: A u B
Ana
Durchschnitt der Ereignisse A und B: A und B treten gleichzeitig ein
Symbolische Schreibweise: A
r,
B
Zu A komplementdres Ereignis: A tritt nicht ein Symbolische Schreibweise: A
Anmerkungen zur Tabelle 2
(1)
Das Ereignis A u B wird auch als Summe aus A und B bezeichnet (symbolische Schreibweise: A + B).
(2)
Das Ereignis A n B heiBt auch Produkt .aus A und B (symbolische Schreibweise: A . B oder kurz AB).
(3)
A ist die
10)
Restmenge (Differenzmenge) von Q und A:
A=
Q\ A
Die hier verwendeten Verkniipfungen von Mengen wurden bereits in Band 1, Abschnitt 1.1.2 ausfiihrlich erortert,
272 (4)
II Wahrscheinlichkeitsrechnung SchlieBen sich zwei Ereignisse A und B gegenseitig aus, so gilt (Bild II -16): .Q
AnB==0
BUd 11-16 Die Ereignisse A und B schlieBen sich gegenseitig aus ("disjunkte" Mengen)
A und B sind sog. disjunkte Mengen. Ein wichtiges Beispiel liefern die Elementarereignisse eines Zufallsexperiments, die sich stets paarweise gegenseitig ausschlieBen.
•
Beispiele (1)
Beim "Wurf einer homogenen Miinze" sei A das Ereignis "Zahl liegt oben". Dann ist das Ereignis "Wappen liegt oben" das zu A komplementdre Ereignis A.
(2)
Beim Zufallsexperiment "Wurf eines homogenen Witrfels" wird die Augenzahl beobachtet. Die Ergebnismenge Q lautet dann: Q
== {1, 2, 3, 4, 5, 6}
Wir betrachten nun die folgenden Teilmengen (Ereignisse): A == {1, 3, 5}
(Wiirfeln einer ungeraden Zahl)
B == {2, 4, 6}
(Wiirfeln einer geraden Zahl)
Dann abergilt:
A == {2, 4, 6} ==
B
Wiirfeln einer geraden Zahl
B == {1, 3, 5} == A
Wiirfeln einer ungeraden Zahl
A u B == {1, 2, 3, 4, 5, 6} == Q
Sicheres Ereignis (tritt bei jedem Wurf ein)
AnB==0
Unmogliches Ereignis (tritt nie ein, da eine Zahl nicht zugleich gerade und ungerade sein kann)
2 Grundbegriffe (3)
273
Der in Bild II -17 dargestellte stromdurchflossene Schaltkreis enthalt drei Gluhlampchen L I , L 2 und L 3 • Mit Ai bezeichnen wir das Ereignis, daB das i-te Gluhlampchen L, durchbrennt (i == 1, 2, 3). Dann laBt sich das Ereignis B: Unterbrechung des Stromkreises
wie folgt als zusammengesetztes Ereignis darsteIlen: B == Al u (A z n A 3 )
Bild 11-17 Stromkreis mit drei Gliihlampchen
Denn der Stromkreis wird genau dann unterbrochen, wenn entweder L 1 durchbrennt (Ereignis A 1) oder gleichzeitig L z und L 3 (Ereignis A z n A 3 ) oder aIle drei Gliihlampchen gleichzeitig durchbrennen (Ereignis A 1 nA znA 3 ) ·
•
Zum AbschluB erwahnen wir noch die sog. De Morganschen Regeln, die sich beim Losen mancher Probleme in der Wahrscheinlichkeitsrechnung als sehr niitzlich erweisen:
274
II Wahrscheinlichkeitsrechnung
3 Wahrscheinlichkeit 3.1 Laplace-Experimente Wird ein Zufallsexperiment mit einer endlichen Ergebnismenge Q == {WI' W 2,· .. , W m } geniigend oft wiederholt und zeigt sich dabei, daB aile Elementarereignisse mit nahezu gleicher Haufigkeit auftreten, so spricht man von einem Laplace-Experiment 11). Bei einem solchen Experiment sind demnach alle Elementarereignisse "gleichmoglich", d. h. kein Elementarereignis ist in irgendeiner Weise gegeniiber den anderen Elementarereignissen bevorzugt oder benachteiligt. Wir geben hierzu zunachst zwei einfache Beispiele.
•
Beispiele (1)
Beim wiederholten Wurf einer (unverfalschten) Miinze erwarten wir, daB die beiden moglichen Ergebnisse (Elementarereignisse) "Zahl" und "Wappen" mit nahezu gleicher absoluter bzw. relativer Haufigkeit auftreten. Es handelt sich also beim Wurf einer Miinze im Idealfall urn ein Laplace-Experiment. Bei 1000 Wiirfen liegt unsere Erwartung somit bei je SOO-mal "Zahl" (Z) und "Wappen" (W). Mit zunehmender Anzahl n der Wiederholungen stabilisieren sich die relativen Haufigkeiten h; (Z) und h; (W) und werden sich dann nur noch unwesentlich vorn erwarteten Wert 1/2 unterscheiden (Bild 11-18 zeigt das zugehorige Stabdiagramm):
relative Heuiiqlcei:
(fur groBes n) 1/2
Bild 11-18 Stabdiagramm beim Miinzwurf (theoretisch "erwartetes" Ergebnis)
z
11)
w
Man unterscheidet noch zwischen absoluter und relativer Haufigkeit, Wird ein Zufallsexperiment n-mal durchgefiihrt und tritt dabei das Ereignis A genau n(A)-mal ein, so gilt definitionsgemdfi:
absolute Haufigkeit: n(A) relative Haufigkeit: hn(A) = n(A) n
3 Wahrscheinlichkeit (2)
275
In einer Urne befinden sich 5 Kugeln, darunter 3 weiBe und 2 schwarze (Bild 11-19):
1000"
Bild 11-19
Wir entnehmen rein zufallig eine Kugel, notieren ihre Farbe und legen sie dann wieder zuruck in die Urne (Ziehung mit Zuriicklegen). Wenn wir dieses Zufallsexperiment nur geniigend oft wiederholen, beispielsweise 1000 Ziehungen vornehmen, so erwarten wir in 3/5 == 60% aller Falle eine weifie Kugel und in 2/5 == 40 % aller Falle eine schwarze Kugel. Denn grundsatzlich besteht fur jede der 5 Kugeln die gleiche Chance, gezogen zu werden. Es handelt sich also auch hier urn ein Laplace-Experiment. Un sere "Erwartung" lautet daher bei 1000 Ziehungen (mit Zuriicklegen) wie folgt:
o e
600-mal 400-mal
In einer konkreten Versuchsserie vom gleichen Umfang wird man jedoch zufallsbedingt meist etwas abweichende Haufigkeitswerte erhalten. Bild 11-20 verdeutlicht dies in einem Stabdiagramm.
absolute Heuiiqkeit
600
-
--
400
-
-
-
dunner Balken: erwarteter Wert -
'- -
dicker Balken: beobachteter Wert
100
Bild 11-20
o
•
•
II Wahrscheinlichkeitsrechnung
276
Eine Ergebnismenge Q mit m gleichmiiglichen Elementarereignissen wird auch LaplaceRaum genannt. Einem Elementarereignis i», wird dabei definitionsgemaf die positive Zahl p(wJ
1
(i
==-
m
== 1, 2,
(11-27)
... , m)
als sog. Wahrscheinlichkeit zugeordnet 12). Die Wahrscheinlichkeit fur ein Ereignis A ist dann durch die Gleichung peA)
== ' \
!...J
p(wJ
==
1 g(A) . -
m
g(A)
== -
(11-28)
m
definiert, wobei g(A) die Anzahl der Elemente (Elementarereignisse) von A ist (summiert wird iiber aIle in A enthaltenen Elementarereignisse wJ. Wir fassen zusammen:
12)
Wir verwenden hier die Kurzschreibweise P( {mJ)
=
p(mJ.
3 Wahrscheinlichkeit
277
Anmerkungen (1) Man beachte, daf diese sag. klassische Definition der Wahrscheinlichkeit nur begrenzt anwendbar ist. Sie gilt nur fur Laplace-Experimente, d. h. Zufallsexperimente, bei denen folgende Voraussetzungen erfiillt sind: a) Die Ergebnismenge Q ist endlich; b) Aile Elementarereignisse (Ergebnisse) sind gleichwahrscheinlich. (2)
Die Definitionsformel (11-30) fur die Wahrscheinlichkeit P(A) eines Ereignisses A HiBt sich auch in der Form Anzahl g (A) der Elemente von A P ()A = - - - - - - - - - Anzahl m der Elemente von Q
(11-31)
angeben.
•
Beispiele
(1)
Beim Zufallsexperiment "Wurf eines homogenen Wurfels" (Standardbeispiel1) treten alle 6 moglichen Augenzahlen (Elementarereignisse) mit der gleichen Wahrscheinlichkeit auf 13): fur
i
= ·1,2, ... ,6
Denn fur jedes Elementarereignis gilt: Anzahl der gitnstigen Falle: g (i) = 1 Anzahl der moglichen Falle: m = 6 Bild 11-21 verdeutlicht diesen Sachverhalt in einem Stabdiagramm.
p(i)
1/6
-f-
Bild 11-21 Beim Wurf eines homogenen Wiirfels treten alle "Augenzahlen" mit gleicher Wahrscheinlichkeit auf (, Gleichverteilung")
2
13)
3
4
5
6
p(i) ist die Wahrscheinlichkeit fur das Elementarereignis "Augenzahl i" (i = 1, 2, ... , 6).
II Wahrscheinlichkeitsrechnung
278 Fur das Ereignis
A
==
{2, 4, 6}
(" gerade Augenzahl ")
erhalten wir somit nach Formel (11-30) die Wahrscheinlichkeit peA)
= g(A) = ~ = ~ m
6
2
Denn die Anzahl der fiir das Ereignis A giinstigen Falle ist 9 (A) == 3, da A durch genau drei Elementarereignisse realisiert wird (A tritt ein bei der Augenzahl ,,2" oder ,,4" oder ,,6"), wahrend die Anzahl der moglichen Falle m == 6 betragt (es gibt genau 6 Elementarereignisse). (2)
In einer Warenlieferung von 100 Gliihbirnen befinden sich 20 defekte (was dem belieferten Kunden jedoch unbekannt ist). Zu KontrolIzwecken wird der Lieferung wahlIos eine Gliihbime entnommen. Die Wahrscheinlichkeit fur das Z ufallsereignis
A: Ziehung einer defekten Gluhbirne ist dann P(A) == g(A) == ~ == 02 m 100 '
Denn jede der m == 100 Gliihbirnen hat die gleiche Chance (Wahrscheinlichkeit), gezogen zu werden, wobei es 9(A) == 20 fur das Eintreten des Ereignisses A giinstige Falle gibt. Es liegt also ein Laplace-Experiment vor. Das zum Ereignis A komplementdre Ereignis
A: Ziehung einer einwandfreien Gluhbirne hat dann die Wahrscheinlichkeit g(A) 80 P(A) == == == 08 m 100 '
Man beachte die (sogar alIgemein giiltige) Beziehung P(A)
(3)
+ P(A) == 0,2 + 0,8 == 1
Beim ZufalIsexperiment "Wurf mit zwei ·unterscheidbaren homogenen Wiirfeln" (StandardbeispieI2) interessieren wir uns fiir die Wahrscheinlichkeit des Ereignisses
A: Die Augensumme ist gleich 9 Die Ergebnismenge Q dieses ZufalIsexperiments enthalt 36 gleichmogliche Elementarereignisse: Q == {(1; 1), (1; 2), (1; 3), ... , (6; 5), (6; 6)}
Es handelt sich also urn einen Laplace-Raum, bei dem jedes Elementarereignis die gleiche Wahrscheinlichkeit p == 1/36 besitzt (Bild 11-22).
279
3 Wahrscheinlichkeit p 1/36
~
(1;1)
(1;2)
(1;3)
(6;6)
Elementarereignis
Bild 11-22 Beim Wurf mit zwei homogenen Wiirfeln treten alle geordneten .Augcnpaare" mit gleicher Wahrscheinlichkeit auf
Unter den 36 Elementarereignissen befinden sich genau 4 fur das Ereignis A giinstige Falle, da es genau 4 verschiedene Elementarereignisse gibt, die zur Augensumme 9 fiihren. Dies sind die Augenpaare (3; 6), (4; 5), (5; 4)
und
(6; 3)
Somit ist g (A) == 4 und m == 36. Die Wahrscheinlichkeit P (A) betragt daher peA) = g(A) = ~ = ~ m 36 9
Wir deuten dieses Ergebnis wie folgt: Wiirden wir dieses Laplace-Experiment z. B. 900-mal durchfuhren, so diirfen wir in nahezu 100 Fallen eine Augensumme von 9 erwarten.
•
3.2 Wahrscheinlichkeitsaxiome Der klassische Wahrscheinlichkeitsbegriff .1aBt sich nur sehr begrenzt, namlich ausschlieBlich auf Laplace-Experimente anwenden. In der modernen Wahrscheinlichkeitstheorie betrachtet man daher den Begriff der "Wahrscheinlichkeit eines zufalligen Ereignisses" als einen Grundbegriff, der gewissen Axiomen, den sag. Wahrscheinlichkeitsaxiomen, geniigt. Der Aufbau dieses Axiomensystems geschieht dabei in enger Anlehnung an die Eigenschaften der relativen Haufigkeiten von zufalligen Ereignissen, die man aus umfangreichen Versuchsserien gewonnen hat.
3.2.1 Eigenschaften der relativen Haufigkeiten Anhand eines einfachen Urnenbeispiels wollen wir uns zunachst mit den wesentlichen Eigenschaften der relativen Haufigkeiten von zufalligen Ereignissen naher vertraut machen.
II Wahrscheinlichkeitsrechnung
280
In einer Urne befinden sich 6 Kugeln, darunter 1 weiBe, 2 graue und 3 schwarze Kugeln. Wir entnehmen der Urne zufallig eine Kugel und beschreiben die dabei moglichen Ergebnisse (Elementarereignisse) durch die in Bild 11-23 naher beschriebenen Mengen A, B und C:
Bild 11-23 A=
II
A
B
{O}
Ziehung einer weiBen Kugel
=
C=
Ziehung einer grauen Kugel
{e}
Ziehung einer schwarzen Kugel
c
B
Dann ist Q == {O,
e} die Ergebnismenge dieses Zufallsexperiments.
Eigenschaften der relativen Haufigkeiten Bei einer n-fachen Ausfiihrung unseres Zufallsexperiments "Ziehung einer Kugel" treten die Ereignisse A, B und C der Reihe nach mit den absoluten Haufigkeiten n(A), n(B) und n(C) auf, wobei stets
n(A)
+ n(B) + n(C) == n
(II-32)
gilt. Die Werte der zugehorigen relativen Haufigkeiten hn(A) = n(A), n
hn(B) = n(B) n
und
hn(C) = n(C) n
(11-33)
liegen dann zwischen 0 und 1. Damit haben wir bereits eine erste Eigenschaft der relativen Haufigkeit erkannt: Die relative Haufigkeit n; (A) eines beliebigen Ereignisses A liegt stets zwischen 0 und 1. Wir beschaftigen uns jetzt mit dem Ereignis "Ziehung einer weijJen oder grauen Kugel". Es wird beschrieben durch die Menge
AuB=={O,
(11-34)
Da sich die Ereignisse A und B gegenseitig ausschliejJen, tritt das Ereignis A u B genau dann ein, wenn entweder A oder B eintritt. Der Fall, daB die Ereignisse A und B gleichzeitig eintreten, ist unter der gegebenen Voraussetzung hier nicht moglich. Somit erhalten wir bei den n Ausfiihrungen un seres Zufallsexperiments in genau n(A) + n(B) Fallen eine weiBe oder eine graue Kugel. Das Ereignis A u B tritt daher mit der relativen Haufigkeit hn(A u B)
= n(A) + n(B) = n(A) + n(B) = hn(A) + hn(B) n
ein.
n
n
(11-35)
3 Wahrscheinlichkeit
281
Diese Aussage HiBt sich wie folgt verallgemeinern: Fur zwei sich gegenseitig ausschliefJende Ereignisse A und B gilt stets:
(II-36) Damit haben wir eine weitere Eigenschaft det relativen Haufigkeit festgestellt. Eine dritte allgemeine Eigenschaft der relativen Haufigkeit beruht darauf, daB das sichere Ereignis Q = A u B u C immer eintritt. Daher gilt: h (Q) n
= hn(A u B u C) = n(A) + nCB) + nee) = ~ = 1 n
(11-37)
n
Stabilisierung der relativen Haufigkeit bei umfangreichen Versuchsreihen
Wir konzentrieren uns jetzt auf das Ereignis A = {O} ("Ziehung einer weifJen Kugel"). Die relative Haufigkeit hn(A) ist das Ergebnis eines Zufallsexperiments und hangt somit selbst vom Zufall abo Daher werden wir bei verschiedenen Versuchsreihen vom gleichen Umfang n im allgemeinen auch verschiedene Werte fur die relativen Haufigkeiten erhalten. Bei einer geniigend oft wiederholten Ausfiihrung unseres Zufallsexperiments "erwarten" wir jedoch, daB im Mittel jede 6. Ziehung eine weifJe Kugel bringt. Unser "Erwartungswert" fur die relative Haufigkeit hn(A) liegt somit bei 1/6. Die in der Praxis tatsachlich beobachteten Werte fur hn(A) werden jedoch als Zufallsprodukte mehr oder weniger stark urn diesen Wert schwanken. Die Erfahrung lehrt aber, daB die relative Haufigkeit eines Ereignisses bei sehr umfangreichen Versuchsreihen nahezu konstant ist. Mit zunehmender Anzahl n der Versuche werden sich daher im allgemeinen die beo bachteten Werte fur h; (A) immer mehr "stabilisieren ", wie in Bild 11-24 verdeutlicht wird.
1/6
•
50
100
150
200
250
300
350
400
450
n
Bild 11-24 Die Erfahrung zeigt: Die relative Haufigkeit eines Ereignisses ist bei umfangreichen Versuchsreihen nahezu konstant, "stabilisiert" sich also mit zunehmendem Umfang n
282
II Wahrscheinlichkeitsrechnung
Wir fassen die wichtigsten Aussagen zusammen:
3.2.2 Wahrscheinlichkeitsaxiome von Kolmogoroff Es liegt nun nahe, den Begriff der Wahrscheinlichkeit P(A) eines Ereignisses A als Grenzwert der relativen Haufigkeit hn(A) fiir n ~ 00 zu definieren. In der Tat ist dies auch versucht worden, fiihrte jedoch zu uniiberbriickbaren Schwierigkeiten, auf die wir im Rahmen dieser Darstellung nicht naher eingehen konnen, In der modernen Wahrscheinlichkeitstheorie verzichtet man daher auf die Definition des Begriffes "Wahrscheinlichkeit" und bctrachtct ihn vielmehr als einen Grundbegriff, der gewissen Axiomen geniigt. Die beobachteten Eigenschaften der relativen Haufigkeiten werden "idealisiert" und fiihren dann zu den folgenden Wahrscheinlichkeitsaxiomen von Kolmogoroff:
3 Wahrscheinlichkeit
283
Anmerkungen (1) Axiom 3 wird auch als Additionssatz fur sich gegenseitig ausschliefiende Ereignisse bezeichnet. (2)
Bei einem Laplace-Experiment Hif3t sich die Wahrscheinlichkeit P(A) eines zufalligen Ereignisses A nach der Definitionsformel (11-30) exakt berechnen (sog. klassische Definition der Wahrscheinlichkeit). Selbstverstandlich werden dabei alle Wahrscheinlichkeitsaxiome erfullt.
(3)
Die Wahrscheinlichkeitsaxiome enthalten keinerlei Aussagen daruber, wie man in einem konkreten Zufallsexperiment die Wahrscheinlichkeiten der dabei auftretenden Ereignisse ermittelt. Sie legen den Wahrscheinlichkeiten aber Bedingungen auf, die erfullt werden miissen und stellen somit in gewisser Hinsicht Rechenregeln fur den Umgang mit Wahrscheinlichkeiten dar. Mit der Ermittlung der (meist unbekannten) Wahrscheinlichkeiten in der Praxis werden wir uns im nachsten Abschnitt 3.2.3 noch beschaftigen.
Aus den Wahrscheinlichkeitsaxiomen lassen sich weitere Eigenschaften der Wahrscheinlichkeiten herleiten, die wir wie folgt zusammenstellen:
284
II Wahrscheinlichkeitsrechnung
3.2.3 Festlegung unbekannter Wahrscheinlichkeiten in der Praxis (" statistische" Definition der Wahrscheinlichkeit) Wir beschaftigen uns jetzt mit der fur die Praxis so auBerordentlich wichtigen, bisher aber offen gebliebenen Frage, wie man in einem konkreten Fall die unbekannten Wahrscheinlichkeiten der zufalligen Ereignisse festlegen bzw. ermitteln kann. 1m einfachsten Fall liegt ein Laplace-Experiment vor. Dann HiBt sich die Wahrscheinlichkeit P(A) eines Ereignisses A aus der "klassischen" Definitionsformel (11-30) sogar exakt berechnen, wobei die Wahrscheinlichkeitsaxiome von Kolmogoroff automatisch erfiillt sind. Bei vielen Zufallsexperimenten sind die Wahrscheinlichkeiten jedoch unbekannt und miissen dann erst festgelegt werden. Dies gilt insbesondere fur solche Experimente, die keine Laplace-Experimente darstellen. Als Grundlage fur die Festlegung der (unbekannten) Wahrscheinlichkeitswerte dient dabei die Erfahrungstatsache, daB sich die relativen Haufigkeiten der zufalligen Ereignisse bei umfangreichen Versuchsreihen im allgemeinen "stabilisieren" und sich mit zunehmender Anzahl n der Versuche immer weniger von einem bestimmten Wert unterscheiden (vgl. hierzu Abschnitt 3.2.1). Die Festlegung der unbekannten Werte der Wahrscheinlichkeiten erfolgt daher im Regelfall anhand der bei umfangreichen Versuchsreihen beobachteten relativen Hdufigkeiten. Man betrachtet dabei die relative Haufigkeit n;(A) eines Ereignisses A als einen N dherungs- oder Schdtzwert fur die unbekannte Wahrscheinlichkeit P (A), mit der das Ereignis A eintritt: (fur hinreichend grofles n)
(11-47)
Diese Art der Festlegung der Wahrscheinlichkeit wird daher auch haufig als "statistische" Definition der Wahrscheinlichkeit bezeichnet, obwohl es sich dabei urn keine Definition im mathematischen Sinne handelt. Somit gilt folgende "Regel":
3 Wahrscheinlichkeit
285
Anmerkung Man spricht bei dieser Art der Festlegung von Wahrscheinlichkeiten auch von den empirisch bestimmten Wahrscheinlichkeitswerten. •
Beispiel
Wir kehren zu dem Urnenbeispiel aus Abschnitt 3.2.1 zuriick (Bild 11-25). Aus umfangreichen Versuchsreihen erhalten wir fur die 3 Elementarereignisse A, B und C der Reihe nach die relativen Haufigkeiten hn(A) ~ 1/6, hn(B) ~ 2/6 == 1/3 und h; (C) ~ 3/6 == 1/2. Sie liefern geeignete Schdtzwerte fur die unbekannten Wahrscheinlichkeiten P(A), P(B) und P(C) (Bild 11-25).
I A
j B
prAy
~
h n (A)
prAy
=t
P(B)
~
hn (B)
P(B)
=t
P(C)
~
hn (C)
P(C) =
t
C
Bild 11-25 Schatzwerte fur die Wahrscheinlichkeiten der Ereignisse A, B und C
•
3.2.4 Wahrscheinlichkeitsraum In der Praxis geht man bei der Bestimmung der Wahrscheinlichkeiten oft so vor, daB man den Elementarereignissen eines Zufallsexperiments mit der Ergebnismenge Q == {Wi' W 2, W 3,···} Wahrscheinlichkeiten Pi ~ 0 so zuordnet, daB die sog. Normierungsbedingung 00
I
Pi = Pi
+ pz + P3 + ."
= 1
(11-49)
i = 1
erfullt ist. Die Wahrscheinlichkeit P (A) eines Ereignisses A aus dem zugehorigen Ereignisraum ist dann durch den Ausdruck (II-50) gegeben, wobei iiber alle in A enthaltenen Elementarereignisse co, summiert wird. Der Ereignisraum wird auf diese Weise zu einem Wahrscheinlichkeitsraum.
II Wahrscheinlichkeitsrechnung
286
Anmerkung
Bei einem endlichen Ereignisraum lauft der Index i von 1 bis n (n: Anzahl der Elementarereignisse in Q).
•
Beispiel Eine (unverfalschte) Miinze wird solange geworfen, bis erstmals "Zahl" erscheint. Dies kann bereits beim 1. Wurf der Fall sein, kann aber auch (theoretisch) unendlich lange dauern. Wir beschreiben die Elementarereignisse Ai: Beim i-ten Wurf erstmals "Zahl"
durch die Angabe der Anzahl i der Wiirfe bis zum erstmaligen Auftreten der "Zahl". Dabei kann i eine beliebige natiirliche Zahl sein. So tritt beispielsweise das Elementarereignis A 3 genau dann ein, wenn beim 3.Wurf der Miinze erstmals "Zahl" erscheint. Die Ergebnismenge Q enthalt somit unendlich viele Elemente: Q={1,2,3, ... }
Der auf dieser Ergebnismenge beruhende Ergebnisraum solI jetzt zu einem Wahrscheinlichkeitsraum erweitert werden. Dazu benotigen wir zunachst die Wahrscheinlichkeiten Pi der Elementarereignisse, die wir mit Hilfe des in Bild 11-26 dargestellten Diagramms wie folgt bestimmen konnen 14): 14)
Das Diagramm liefert ein erstes Beispiel fur ein sehr anschauliches graphisches Hilfsmittel, den sog. Ereignisbaum. Dieses Verfahren wird spater in Abschnitt 3.,7 noch naher erlautert.
3 Wahrscheinlichkeit 1. Wurf
287 2. Wurf
i-ter Wurf
3. Wurf
z z W
Bild 11-26 Ereignisbaum beim wiederholten Miinzwurf
z w W
z
w/
<.
w
Bei jedem Wurf gilt dann, daB "Zahl" (Z) und "Wappen" (W) gleichwahrscheinliche Ereignisse sind (der Wurf einer homogenen Miinze ist ein Laplace-Experiment). Ihre Wahrscheinlichkeiten bezeichnen wir mit p(Z) und p(W). Dann ist bei jedem Wurf p(Z) == p(W) == 1/2. Das Elementarereignis Ai: .Zah!" beim i. Wurf
besitzt somit die Wahrscheinlichkeit 1 Pi == P(A i) == p(l) == p(Z) == -
2
Ftir das Elementarereignis A 2 : Erstmals "Zahl" beim 2. Wurf
erhalten wir die Wahrscheinlichkeit P2
11 (1)2 222
== P(A 2 ) == p(2) == p(W) . p(Z) == - . - == -
Allgemein ist dann offenbar Pi = P(A;) = p(i) =
GY
(i == 1, 2, 3, ...)
die Wahrscheinlichkeit dafiir, beim i-ten Miinzwurf erstmals "Zahl"/zu erhalten. Dieses Ergebnis HiBt sich leichf aus dem in Bild 11-26 gezeichneten (unvollstandigen) Ereignisbaum ermitteln. Jedes Elementarereignis erreicht man dabei auf einem ganz bestimmten Weg oder Pfad iiber mehrere ;fste oder Zweige. Z. B. erreicht man das Elementarereignis A 3 : Erstmals "Zahl" beim 3. Wurf
II Wahrscheinlichkeitsrechnung
288
langs des im Bild dick eingezeichneten Weges iiber drei Zweige. Man multipliziert dabei die an den Zweigen angegebenen Wahrscheinlichkeiten und erhalt das gewimschte Ergebnis, hier also
in Ubereinstimrnung mit obiger Gleichung fur i = 3. Der Ereignisraum wird durch die Zuordnung (i = 1, 2, 3, ...)
zu einem Wahrscheinlichkeitsraum, da die Wahrscheinlichkeiten Pi die Bedingungen (II-51) und (II-52)erfullen. Denn es gilt
Pi=GY>O
(i = 1, 2, 3, ...)
und
.I=
Pi = .I (1)i 2: = (1)1 2: + (1)2 2: + (1)3 2: + ... =
00
l
00
1
l
=1
• 3.3 Additionssatz fur beliebige Ereignisse Fur zwei sich gegenseitig ausschliej3ende Ereignisse A und B gilt nach dem 3. Wahrscheinlichkeitsaxiom: peA u B)
= peA) + PCB)
(II-54)
Die Wahrscheinlichkeit dafiir, daB das Ereignis A oder B eintritt, ist in diesem Sonderfall gleich der Summe der Wahrscheinlichkeiten von A und B.
3 Wahrscheinlichkeit
289
Trifft diese Voraussetzung (A n B = 0) jedoch nicht zu, dann gilt der folgende allgemeinere Additionssatz der Wahrscheinlichkeitsrechnung:
Anmerkung
Der Additionssatz (II-55) fiihrt im Sonderfall A n B = 0 wegen P(A n B) = P(0) zum 3.Wahrscheinlichkeitsaxiom (Gleichung (11-43) bzw. (11-46)).
•
=
0
Beispiel Ein homogener Wiirfel wird zweimal geworfen. Wie groB ist dabei die Wahrscheinlichkeit, mindestens einmal die Augenzahl ,,6" zu erzielen? Liisung:
Wir betrachten zunachst die folgenden Ereignisse: A: Augenzahl ,,6" beim 1. Wurf B: Augenzahl ,,6" beim 2. Wurf
Sie treten mit den Wahrscheinlichkeiten P(A) = P(B) =
1
6
ein. Das uns interessierende Ereignis lautet: .Bei zwei Wiirfen tritt die Augenzahl ,,6" mindestens einmal auf". Dieses Ereignis tritt somit ein, wenn entweder im 1.Wurf oder im 2. Wurf oder in beiden Wiirfen die Augenzahl ,,6" erzielt wird. Unser Interesse gilt also dem Ereignis A u B, dessen Wahrscheinlichkeit P(A u B) wir berechnen wollen. Urn den Additionssatz (II-55) hier anwenden zu konnen, benotigen wir noch die Wahrscheinlichkeit des Ereignisses (A n B): Augenzahl ,,6" bei beiden Wiirfen
Aus unserem Standardbeispie12 (Abschnitt 2.1) wissen wir bereits, daB dieses Ereignis, beschrieben durch das geordnete Zahlenpaar (Augenpaar) (6; 6), unter den insgesamt 36 gleichwahrscheinlichen Elementarereignissen (1; 1), (1; 2), (1; 3), ... , (6; 5), (6; 6) genau einmal auftritt und somit die Wahrscheinlichkeit P (A r, B) = 1/36 besitzt. Aus dem Additionssatz erhalten wir dann fur die gesuchte Wahrscheinlichkeit des Ereignisses A u B den folgenden Wert: 1 6
1 6
1 11 =36 36
P(A u B) = P(A) + P(B) - P(A n B) = - + - - -
•
II Wahrscheinlichkeitsrechnung
290
3.4 Bedingte Wahrscheinlichkeit In den Anwendungen interessiert haufig die Wahrscheinlichkeit fur das Eintreten eines bestimmten Ereignisses Bunter der Voraussetzung oder Bedingung, daB ein anderes Ereignis A bereits eingetreten ist. Diese Wahrscheinlichkeit wird daher als bedingte Wahrscheinlichkeit von Bunter der Bedingung A bezeichnet und durch das Symbol P(B I A) gekennzeichnet. Wir wollen diesen wichtigen Begriff zunachst an einem einfachen Urnenbeispiel naher erlautem. •
Beispiel
In einer Urne befinden sich drei weiBe und drei schwarze Kugeln. Wir entnehmen nun der Urne ganz zufallig und nacheinander zwei Kugeln ohne Zuriicklegen und interessieren uns dabei fur die Wahrscheinlichkeit, bei der 2. Ziehung eine weifJe Kugel zu erhalten. Bei der Losung dieser Aufgabe miissen wir zwei Falle unterscheiden. Die gesuchte Wahrscheinlichkeit hangt namlich noch ganz wesentlich vom Ergebnis der 1. Ziehung ab, d.h. davon, ob zuerst eine weiBe oder eine schwarze Kugel gezogen wurde. 1. Fall: Bei der 1. Ziehung wird eine weifJe Kugel gezogen (Bild 11-27) 1. Ziehung
j
Ziehung einer weiBen Kugel (Ereignis A)
o
2. Ziehung
j
Ziehung einer weiBen Kugel (Ereignis B)
o
Bild 11-27
Nach der 1. Ziehung befinden sich noch 2 weiBe und 3 schwarze Kugeln in der Urne. Somit ist die Wahrscheinlichkeit dafiir, auch bei der 2. Ziehung eine weifJe Kugel zu erhalten (Ereignis B), durch P(B I A) = 2/5 gegeben. Denn es gibt unter den m = 5 moglichen Fallen genau gl = 2 fur die Ziehung einer weifJen Kugel
gitnstige Falle.
3 Wahrscheinlichkeit
291
2. Fall: Bei der 1. Ziehung wird eine schwarze Kugel gezogen (Bild 11-28) 1. Ziehung
2. Ziehung
1000 j
Ziehung einer schwerzen Kugel (Ereignis A)
j
Ziehung einer weiBen Kugel (Ereignis B)
o Bild 11-28
Bei der 1. Ziehung wurde eine schwarze Kugel gezogen, d. h. es ist das zu A komplementdre Ereignis A eingetreten. Dann befinden sich in der Urne noch 3 weiBe und 2 schwarze Kugeln. Fur die Ziehung einer weifien Kugel gibt es daher unter m = 5 moglichen Fallen genau 9 2 = 3 giinstige Falle. Die Wahrscheinlichkeit, bei der 2. Ziehung eine weifie Kugel zu erhalten, ist daher P(B I A) = 3/5. Ergebnis: Die gesuchte Wahrscheinlichkeit dafiir, bei der .0 Ziehung eine weifJe Kugel zu erhalten, ist noch abhangig vom Ausgang (Ergebnis) der 1. Ziehung. Es lassen sich daher in diesem Beispiel nur Wahrscheinlichkeiten unter bestimmten Bedingungen oder Voraussetzungen angeben. Diese Bedingungen lauten in diesem Beispiel: Bei der 1. Ziehung ist das Ereignis A bzw. das zu A komplementdre Ereignis A eingetreten. Es handelt sich hier also urn Wahrscheinlichkeiten, die an bestimmte Bedingungen oder Voraussetzungen gekniipft sind und daher folgerichtig als bedingte Wahrscheinlichkeiten bezeichnet werden.
• Wir definieren nun den Begriff der bedingten Wahrscheinlichkeit wie folgt:
292 •
II Wahrscheinlichkeitsrechnung
Beispiel
Wir wiirfeln gleichzeitig mit zwei homogenen und unterscheidbaren Wiirfeln und interessieren uns dabei ausschlieBlich fur Wiirfe mit der Augensumme 8. Wie groB ist dann die Wahrscheinlichkeit dafur, daB bei einem solchen Wurf beide Augenzahlen gerade sind? Liisung: Wir betrachten zunachst die folgenden Ereignisse:
A: Die Augensumme betrdgt 8 B: Die Augenzahlen beider Witrfel sind gerade
Unser Interesse gilt dann dem Ereignis Bunter der Bedingung, daB das Ereignis A bereits eingetreten ist. Wir suchen somit die bedingte Wahrscheinlichkeit P (B I A). 1. Losungsweg (ohne Verwendung der Definitionsformel (II-56) fur die bedingte Wahrscheinlichkeit):
Die Ergebnismenge Q unseres Zufallsexperiments enthalt genau 36 gleichmiigliche Elementarereignisse (es handelt sich urn ein Laplace-Experiment, vgl. hierzu Standardbeispiel Z in Abschnitt 2.1): Q == {( 1; 1), (1; 2), (1; 3), ... , (6; 5), (6; 6)}
Das Ereignis A ("Augensumme 8") wird dabei durch die 5 Elementarereignisse (2; 6), (3; 5), (4; 4), (5; 3)
und
(6; 2)
realisiert. Von diesen 5 Elementen fiihren genau 3 zum Ereignis B ("gerade Augenzahlen "), namlich (2; 6), (4; 4)
und
(6; 2)
Damit gibt es unter den m == 5. moglichen Fallen mit der Augensumme 8 genau g == 3 giinstige Falle, in denen beide Augenzahlen gerade sind. Nach der klassischen Wahrscheinlichkeitsdefinition gilt dann: P(B I A)
g 3 == - == -
m
5
2. Losungsweg (unter Verwendung der Definitionsformel (II-56) fur die bedingte Wahrscheinlichkeit):
Wir bestimmen zunachst die benotigten Wahrscheinlichkeiten P(A) und P(A n B). Das Ereignis A ("Augensumme 8") wird nach den Ausfiihrungen beim 1. Losungsweg durch genau g 1 == 5 der insgesamt m == 36 gleichmoglichen Elementarereignisse realisiert. Daher ist nach der klassischen Wahrscheinlichkeitsdefinition P(A) = gl =
m
2
36
3 Wahrscheinlichkeit
293
Das Ereignis (A n B): Die Augensumme betrdgt 8 und beide Augenzahlen sind gerade
wird durch die 3 Elementarereignisse (2; 6), (4, 4)
und
(6; 2)
realisiert. Daher gibt es unter den m nis (A n B) gitnstige Falle. Somit ist
==
36 miiglichen Fallen g2 == 3 fur das Ereig-
g2 3 P(An B) == m == 36
Aus der Definitionsformel (II-56) folgt dann fur die gesuchte bedingte Wahrscheinlichkeit P(B I A): 3 P(BIA)==
P(AnB) P(A)
36 5 36
3 5
==-==-
•
3.5 Multiplikationssatz Wir losen die Definitionsgleichung (II-56) der bedingten Wahrscheinlichkeit nach P(A n B) auf und erhalten daraus den folgenden Multiplikationssatz der Wahrscheinlichkeitsrechnung:
Anmerkungen
(1)
Die beiden Faktoren im Produkt der Gleichung (II-57) haben dabei folgende Bedeutung: Wahrscheinlichkeit fur das Eintreten des Ereignisses A (ohne jede Bedingung) P(B I A): Wahrscheinlichkeit fur das Eintreten des Ereignisses Bunter der Bedingung, daB das Ereignis A bereits eingetreten ist (bedingte Wahrscheinlichkeit von Bunter der Bedingung A)
P(A):
294 (2)
II Wahrscheinlichkeitsrechnung Wegen A n B = B r, A gilt stets: peA) . PCB I A)
(3)
= PCB) . peA I B)
(II-58)
Der Multiplikationssatz HiBt sich verallgemeinern. Er lautet beispielsweise fur drei gleichzeitig eintretende Ereignisse A, B und C wie folgt: peA r, B
r,
C)
=
peA) . PCB I A)· P(C I A n B)
(II-59)
Die einzelnen Faktoren bedeuten dabei: Wahrscheinlichkeit fur das Eintreten des Ereignisses A (ohne jede Bedingung) P (B I A): Wahrscheinlichkeit fur das Eintreten des Ereignisses Bunter der Bedingung, daB das Ereignis A bereits eingetreten ist P(C I A n B): Wahrscheinlichkeit fur das Eintreten des Ereignisses C unter der Bedingung; daB die Ereignisse A und B bereits eingetreten sind
peA):
Die Wahrscheinlichkeiten PCB I A) und P(C I A n B) sind somit bedingte Wahr·scheinlichkeiten.
•
Beispiele (1)
In einer Urne befinden sich 6 Kugeln, darunter 4 weiBe und 2 schwarze Kugeln. Wir entnehmen der Urne nacheinander und ganz zufallig zwei Kugeln, wobei die jeweils gezogene Kugel nicht zunickgelegt wird (Ziehung ohne Zuriicklegen). Mit welcher Wahrscheinlichkeit erhalten wir in beiden Fallen eine weifJe Kugel? Losung : Wir betrachten die beiden zufalligen Ereignisse
A: Die bei der 1. Ziehung erhaltene Kugel ist weif3 B: Die bei der 2. Ziehung erhaltene Kugel ist weif3 und bestimmen zunachst ihre Wahrscheinlichkeiten:
1. Ziehung: Ereignis A tritt ein (BUd 11-29)
10000H
Anzahl der gunstigen Falle:
gl = 4
Anzahl der moglichen Falle: m , = 6
j
Ziehung einer weiBen Kugel
o
e,
4 6
2 3
peA) = - = - = m1
Bild 11-29
3 Wahrscheinlichkeit
295
2. Ziehung: Ereignis B tritt ein (Bild II-3D)
Da das Ereignis A bereits eingetreten ist, befinden sich in der Urne nur noch 5 Kugeln, darunter 3 weiBe und 2 schwarze Kugeln.
1000
Anzahl der gitnstigen Falle: g 2 = 3 Anzahl der miiglichen Falle: m 2 = 5
j
Ziehung einer weiteren weiBen Kugel
P(B I A) = g2 =
m2
o
~
5
Bild 11-30
Uns interessiert die Wahrscheinlichkeit P(A n B) fur das gleichzeitige Eintreten der Ereignisse A und B. Aus dem Multiplikationssatz erhalten wir dann den folgenden Wert: P(A n B)
2 3
2
= P(A) . P(B I A) = 3.5 = 5 = 0,4
Wir erwarten daher (wenn wir unser Zufallsexperiment nur geniigend oft wiederholen), daB wir in 40 % aller Falle zwei weif3e Kugeln ziehen. (2)
Ein Handler erhalt eine Lieferung von 20 Leuchtstoffrohren, unter denen sich (was er jedoch nicht weiB) 3 defekte Rohren befinden. Bei der Wareniibergabe uberpriift er stichprobenartig die Ware, indem er der Lieferung dreimal nacheinander rein zufallig cine Rohre entnimmt. Wie in der Praxis allgemein iiblich, werden dabei die gezogenen Rohren nicht zuriickgelegt (Ziehung ohne Zuriicklegen). Uns interessiert die Wahrscheinlichkeit dafiir, daB der Handler ausschliejJlich brauchbare Rohren zieht. Wir losen dieses Problem wie folgt: Das Zufallsexperiment "Ziehung einer Leuchtstoffrohre aus der angelieferten Ware" ist ein Laplace-Experiment. Die Wahrscheinlichkeit, gezogen zu werden, ist namlich fur jede der (brauchbaren oder defekten) Rohren gleich. Unser Interesse gilt jetztden folgenden Ereignissen:
Ai: Bei der i-ten Ziehung erhalten wir eine brauchbare Leuchtstoffrohre (i = 1, 2, 3). Dann wird die Ziehung dreier brauchbarer Rohren durch das Ereignis A 1 n A 2 n A 3 beschrieben, dessen Wahrscheinlichkeit P(A 1 r, A 2 n A 3 ) wir nun schrittweise wie folgt bestimmen:
296
II Wahrscheinlichkeitsrechnung
1. Ziehung: Das Ereignis A 1 tritt ein (Bild 11-31) Symbole:
brauchbare Rohre
o
o
o
defekte R6hre Karton mit 20 R6hren m 1 == 20 Rohren gl == 17 brauchbare Rohren gl 17 P(A 1 ) == - == m 1 20
Ziehung einer brauchbaren Rotire
Bild 11-31
2. Ziehung: Das Ereignis A 2 tritt ein (Bild 1J-32) Das Ereignis A 1 ist bereits eingetreten. Daher enthalt der Karton nur noch 19 Rohren, darunter 16 brauchbare.
o
o
o
Kartan mit 19 Rohren m 2 == 19 Rohren
g2 == 16 brauchbare Rohren g2 16 P(A 2 I A 1 ) == - == m2 19
Ziehung einer weiteren brauchbaren Rohre
Bild 11-32
3. Ziehung: Das Ereignis A 3 tritt ein (Bild 11-33) Die Ereignisse A 1 und A 2 , d. h. das Ereignis A 1 r, A 2 sind bereits eingetreten. Im Karton befinden sich damit nur noch 18 Rohren, darunter 15 brauchbare.
o{
J
(?.{) (
o
Karton mit 18 Rohren m 3 == 18 Rohren g3 == 15 brauchbare Rohren P(A 3 I A 1
Ziehung einer weiteren brauchbaren Rohre
Bild 11-33
(")
g3 15 5 A 2 ) == - == - == m 3 18 6
297
3 Wahrscheinlichkeit
Die Wahrscheinlichkeit dafiir, eine Stichprobe mit drei einwandfreien Leuchtstoffrohren zu erhalten, berechnet sich dann nach dem M ultiplikationssatz (II-59) zu P(A i n A 2 n A 3 ) == P(A i) . P(A 2 I Ai) . P(A 3 I Ai n A 2 ) ==
17 16 5 20 19 6
34 57
== - . - . - == - == 0 60 == 60 010 '
•
3.6 Stochastisch unabhangige Ereignisse In Abschnitt 3.4 haben wir gesehen, daB die Wahrscheinlichkeit eines Ereignisses B noch vom Eintreten eines weiteren Ereignisses A abhangen kann. Dies fiihrte uns zu dem Begriff der bedingten Wahrscheinlichkeit P(B I A). In vielen Fallen jedoch ist die Wahrscheinlichkeit fur das Eintreten eines Ereignisses B vollig unabhdngig davon, ob das Ereignis A eingetreten ist oder nicht, und umgekehrt. In diesem Fall gelten somit die folgenden Beziehungen: P(A I B) == P(A)
und
P(B I A) == P(B)
(11-60)
Aus dem M ultiplikationssatz (II-57) folgt dann unmittelbar: P(A n B) == P(A) . P(B I A) == P(A) . P(B)
(II-61)
Man bezeichnet solche Ereignisse als stochastisch unabhdngig. Die Aussagen der Gleichungen (11-60) und (11-61) sind dabei vollig gleichwertig. Wir definieren daher den auBerordentlich wichtigen Begriff der stochastischen Unabhdngigkeit zweier Ereignisse A und B wie folgt:
Anmerkungen (1) Die Definitionsgleichung (11-62) fur die stochastisch unabhdngigen Ereignisse A und B ist zugleich der M ultiplikationssatz fur diesen Sonderfall. Mit anderen Worten: Ist von zwei Ereignissen A und B bekannt, daB sie stochastisch unabhdngig sind, so besitzt der Multiplikationssatz (II-57) die spezielle Form P(A n B) == P(A) . P(B) (2)
(11-63)
Stochastisch unabhdngige Ereignisse werden haufig auch als statistisch unabhdngige Ereignisse bezeichnet.
298 (3)
II Wahrscheinlichkeitsrechnung Die stochastische Unabhdngigkeit zweier Ereignisse ist immer wechselseitig. Der Definitionsformel (II-62) gleichwertig sind die beiden Beziehungen P(A I B) == P(A)
P(B I A) == P(B)
und
(11-64)
(4)
Der Nachweis der stochastischen Unabhdngigkeit zweier Ereignisse A und B an hand der Bedingung (11-62) ist in der Praxis oft sehr miihsam. In vielen Fallen jedoch lafit sich die Unabhangigkeit logisch begriinden (vgl. hierzu das nachfolgende 1. Beispiel).
(5)
Drei Ereignisse A, B und C sind stochastisch unabhdngig, wenn die Wahrscheinlichkeiten P(A), P(B) und P(C) nicht davon abhangen, ob die iibrigen Ereignisse eingetreten sind oder nicht. In diesem Fall lautet der Multiplikationssatz: P(A n B n C) == P(A) . P(B) . P(C)
•
(II-65)
Beispiele (1)
Eine homogene Miinze wird dreimal geworfen. Mit welcher Wahrscheinlichkeit erhalten wir in diesem Zufallsexperiment zunachst zweimal "Zahl" und dann (im 3. Wurf) "Wappen"? Liisung :
Wir betrachten die folgenden Ereignisse: A: "Zahl" beim 1. Wurf B: "Zahl" beim 2. Wurf C: "Wappen" beim 3. Wurf
Sie sind stachastisch unabhdngig. Denn das Ergebnis eines bestimmten Wurfs ist vollkommen unabhdngig vom Ergebnis des vorangegangenen Wurfs und beeinflulst auch in keinster Weise den Ausgang des nachfolgenden Miinzwurfs. Die drei Ereignisse A, B und C treten ferner mit der gleichen Wahrscheinlichkeit P(A)
1
== P(B) == P(C) == 2
ein. Unser Interesse gilt nun dem zusammengesetzten Ereignis (A n B n C): Zundchst zweimal "Zahl", dann .Wappen" beim dreimaligen Wurf einer Miinze
Wegen der stochastischen Unabhdngigkeit der Ereignisse A, B und C erhalten wir fiir die gesuchte Wahrscheinlichkeit P(A n B n C) nachdem Multiplikationssatz (11-65) den folgenden Wert: P(A n B n C)
1 1 1 222
1 8
== P(A) . P(B) . P(C) == _. _. - == -
299
3 Wahrscheinlichkeit
Wir diirfen daher die folgende Erwartung aussprechen: Wiederholen wir das Zufallsexperiment .Dreimaliger Wurf einer Miinze" geniigend oft, so wird im Mittel in jedem 8. Experiment zunachst zweimal "Zahl" und dann "Wappen" erscheinen. (2)
Zwei Schiitzen versuchen in einem Wettkampf eine Zielscheibe zu treffen. Aufgrund der Trainingsergebnisse schatzt man, daB der 1. Schiitze mit einer Wahrscheinlichkeit 'von 3/4 und der 2. Schiitze mit einer Wahrscheinlichkeit von 2/3 die Scheibe trifft. Im Wettkampf schieBt nun jeder einmal auf die Scheibe. Wie groB ist dabei die Wahrscheinlichkeit, daB genau einer von ihnen die Scheibe trifft? Losung :
Wir betrachten die Ereignisse A: Der 1. Schiaze trifft B: Der 2. Schiitze trifft sowie die dazu komplementdren Ereignisse A: Der 1. Schiaze trifft nicht B: Der 2. Schiitze trifft nicht anhand von Bild 11-34: Zielscheibe
Zielscheibe
A: Tretter
B: Tretter
A: kein Tretter
B: kein Tretter
f P(A) = t
f P(B) = t
P(A) =
1. SchOtze
P(B) =
2. SchOtze
Rieraus bilden wir die zusammengesetzten Ereignisse (A r, B): Nur der 1. Schiaze trifft und (A n B): Nur der 2. Schiaze trifft
Bild 11-34
300
II Wahrscheinlichkeitsrechnung Die Zielscheibe wird daher genau dann einmal getroffen, wenn das Ereignis C=(AnB)u(AnB) eintritt. In diesem Fall trifft namlich entweder der 1. Schiitze oder der 2. Schiitze, da sich die Ereignisse A n B (nur der 1. Schiitze trifft) und A n B (nur der 2. Schiitze trifft) gegenseitig ausschliefJen. Nach dem Additionsaxiom (11-43) gilt dann: P(C) = P[(AnB)u(AnB)] = P(AnB)
+ P(AnB)
Da A und B bzw. A und B stochastisch unabhdngige Ereignisse sind (das Ergebnis des einen Schiitzen hat keinerlei EinfluB auf das Ergebnis des anderen Schiitzen), folgt weiter P(A n B) = P(A) . P(B) und P(A n B) = P(A) . P(B) und somit P(C) = P(A n B)
+ P(A n
B) = P(A) . P(B)
+ P(A) . P(B)
Nach Voraussetzung ist P(A) = 3/4, P(B) = 2/3 und daher P(A) = 1/4, = 1/3 (vgl. hierzu auch Bild 11-34). Damit erhalten wir fur das Ereignis C (; nur einer der beiden Schiitzen trifft ") die folgende Wahrscheinlichkeit:
P(B)
P(C) = P(A) . P(B)
-
31125 4 3 4 3 12
+ P(A) . P(B) = _. - + _. - = -
Wir interpretieren dieses Ergebnis wie folgt: Wenn die beiden Schiitzen 120-mal gegeneinander antreten, dann wird die Zielscheibe in ungefdhr 50 Fallen von genau einem der beiden Schiitzen getroffen.
•
3.7 Ereignisbaume Haufig stolit man auf komplizierte Zufallsprozesse, die aus mehreren nacheinander ablaufenden Zufallsexperimenten bestehen. Ein solcher ProzeB besteht also aus einer (endlichen) Folge von Zufallsexperimenten. Es handelt sich urn ein sog. mehrstufiges Zufallsexperiment.
•
Beispiel In einer Urne befinden sich 6 Kugeln, darunter 2 weiBe und 4 schwarze. Der Urne werden nacheinander 2 Kugeln entnommen, die gezogenen Kugeln jedoch nicht zuriickgelegt (Ziehung ohne Zurucklegen). Es handelt sich hierbei urn einen ZufallsprozefJ, beidem nacheinander zwei einfache Zufallsexperimente ablaufen (2-stufiges Zufallsexperiment, Bild 11-35).
3 Wahrscheinlichkeit
301
1. Zufallsexperiment (Stufe 1): Ziehung einer ersten Kugel aus den vorhandenen 6 Kugeln 2. Zufallsexperiment (Stufe 2): Ziehung einer weiteren Kugel aus den verbliebenen 5 Kugeln
j
o
2. Stufe (hier: Ziehung einer schwarzen Kugel)
e
Bild 11-35
•
Ein auferst anschauliches Hilfsmittel bei der Berechnung von Wahrscheinlichkeiten bei mehrstufigen Zufallsexperimenten ist der sog. Ereignisbaum (haufig auch als Baumdiagramm bezeichnet). Er besteht aus einer Wurzel (Ausgangspunkt), mehreren Verzweigungspunkten und einer Vielzahl von Zweigen. IuBild 11-36 ist ein solcher Ereignisbaum fiir ein 2-stufiges Zufallsexperiment dargestellt. Die Verzweigungspunkte Ai und A 2 charakterisieren dabei die moglichen Zwischenergebnisse nach der 1. Stufe, die von diesen Verzweigungspunkten ausgehenden Zweige fiihren zu den jeweils moglichen Ergebnissen der nachfolgenden 2. Stufe (hier sind es die moglichen Endergebnisse B i bis B s).
Ai' A 2 : Verzweigungspunkte (mogliche Ergebnisse der 1. Stufe, d. h. Z wischenergebnisse) B i , ... , B s : Mogliche Endergebnisse Wurzel Zweig
Bild 11-36 Ereignisbaum oder Baumdiagramm fur ein mehrstufiges Zufallsexperiment
P(A 1)
Verzweigungspunkt (moqliches Zwischenergebnis)
moqllcnes Endergebnis
II Wahrscheinlichkeitsrechnung
302
Die Wahrscheinlichkeit eines bestimmten Ereignisses (Ergebnisses) schreibt man an den betreffenden Zweig. So ist z. B. P(A i ) die Wahrscheinlichkeit des Zwischenergebnisses (Ereignisses) Ai. Ein mogliches Endergebnis erreicht man dann (immer von der Wurzel ausgehend) langs eines bestimmten Pfades. Dieser besteht meist aus mehreren Zweigen, wie der im Bild dick gekennzeichnete Pfad, der von der Wurzel uber das Zwischenergebnis A 2 zum Endergebnis B s fiihrt. Fiir die Berechnung der Wahrscheinlichkeit eines bestimmten Endergebnisses gelten dann die folgenden Regeln:
Anmerkung Bei der Bestimmung der Wahrscheinlichkeiten fur die Zweige des Ereignisbaumes ist zu beachten, daB von der 2. Stufe ab aIle Zwischenergebnisse (Ereignisse) noch vom Ausgang der vorangegangenen Stufe abhangen, Es handelt sich daher urn bedingte Wahrscheinlichkeiten. Bei der Berechnung der Wahrscheinlichkeiten langs eines bestimmten Pfades ist demnach der Multiplikationssatz zu verwenden. Beispiel: Das Endergebnis B s im Ereignisbaum von Bild 11-36 wird langs des dick gezeichneten Pfades erreicht. Daher gilt:
•
Beispiel In einer Urne befinden sich 6 Kugeln, darunter 2 weiBe und 4 schwarze Kugeln. Wir entnehmen nacheinander ganz zufallig zwei Kugeln, legen jedoch die jeweils gezogene Kugel nicht in die Urne zuriick (Ziehung ohne Zurucklegen). Mit welcher Wahrscheinlichkeit erhalten wir a) b)
zwei gleichfarbige, zwei verschiedenfarbige
Kugeln?
3 Wahrscheinlichkeit
303
Losung:
DieserZufallsprozeB besteht aus zwei nacheinander ablaufenden Zufallsexperimenten (2-stufiges Zufallsexperiment). 1. Sture: Ziehung einer ersten Kugel Eine weifJe Kugel (Ereignis W) wird mit der Wahrscheinlichkeit P(W) == 2/6 == 1/3, eine schwarze Kugel (Ereignis S) mit der Wahrscheinlichkeit P(S) == 4/6 == 2/3 gezogen (Bild 11-37).
'-----y---1
I
P(W)
I
=~6 =.1-3
P(S)
o
=f =t
Bild 11-37
Wir zeichnen daher, ausgehend von der Wurzel 0, zwei Zweige, die den beiden moglichen Zwischenergebnissen W und S entsprechen und versehen diese Zweige mit den entsprechenden Wahrscheinlichkeiten (Bild II-38).
2/3
looeeeelo 1/3
Bild 11-38 Ereignisbaum fur das beschriebene U rnen beispiel
loeeeel
1. Ziehung
I I I I
2. Ziehung
304
II Wahrscheinlichkeitsrechnung 2. Stufe: Ziehung einer zweiten Kugel Nach der 1. Ziehung befinden sich noch 5 Kugeln in der Urne, entweder 1 weiBe und 4 schwarze oder 2 weiBe und 3 schwarze, je nachdem, ob bei der 1. Ziehung eine weiBe oder eine schwarze Kugel gezogen wurde. Die beiden Falle sind im Ereignisbaum durch die beiden Verzweigungspunkte -W und S dargestellt. Wir bestimmen jetzt dieWahrscheinlichkeiten fiir die 2. Ziehung. Verzweigungspunkt W
In der Urne befinden sich jetzt 1 weiBe und 4 schwarze Kugeln. Daher ergeben sich in der 2. Stufe die Wahrscheinlichkeiten P(W I W) = 1/5 fiir die Ziehung einer weifJen Kugel und P(S I W) = 4/5 fiir die Ziehung einer schwarzen Kugel (Bild 11-39) 15).
P(W/W) =
t
I
P(SIW) =
f
o
Bild 11-39
Im Ereignisbaum (Bild 11-38) zeichnen wir vom Verzweigungspunkt Waus zwei weitere Zweige. Sie fiihren zu den moglichen Endergebnissen W und S. Verzweigungspunkt S
In diesem Fall befinden sich 2 weiBe und 3 schwarze Kugeln in der Urne. Daher ergeben sich in der 2. Stufe die Wahrscheinlichkeiten P(W IS) = 2/5 fiir die Ziehung einer weifJen Kugel und P(S I S) = 3/5 fiir die Ziehung einer schwarzen Kugel (Bild 11-40).
oo.H oo.H ~
j
0 15)
P(WIS)
~
=f
I
P(SIS)
= 53
e
Man beachte, daB es sich hier urn bedingte Wahrscheinlichkeiten handelt.
Bild 11-40
3 Wahrscheinlichkeit
305
1m Ereignisbaum (Bild 11-38) sind daher vom Verzweigungspunkt S aus zwei Zweige einzuzeichnen, die zu den moglichen Endergebnissen W und S fiihren. , Der vollstdndige Ereignisbaum besitzt damit die in Bild 11-41 dargestellte Struktur:
2/5
2/3
o Bild 11-41 Vollstandiger Ereignisbaum fur das .beschriebcnc U rnenbeispiel
1/3
Die gesuchten Wahrscheinlichkeiten fiir die Ziehung zweier gleichfarbiger bzw. verschiedenfarbiger Kugeln lassen sich dann aus diesem Baumdiagramm wie folgt leicht bestimmen: a)
Gleichfarbige Kugeln erhalten wir langs der beiden Pfade OWW und OSS (Bild 11-41). Somit ist die Wahrscheinlichkeit dafiir, zwei gleichfarbige Kugeln zu ziehen: ~ ==
P(OWW)
1
b)
1 1
+ P(OSS) == -
.-
3 5
2 3
+ - .-
3 5
== -
7
15
Verschiedenfarbige Kugeln, d.h. je eine weiBe und schwarze Kugel erhalten wir langs der beiden Pfade OWS und OSW (Bild 11-41). Daher ist p == P(OWS) 2
1 4 3 5
2 2 8 ==3 5 15
+ P(OSW) == - ' - + _. -
die Wahrscheinlichkeit dafiir, zwei verschiedenfarbige Kugeln zu ziehen.
•
II Wahrscheinlichkeitsrechnung
306
3.8 Totale Wahrscheinlichkeit eines Ereignisses und Bayes'sche Formel Wir wollen den wichtigen Begriff der totalen Wahrscheinlichkeit eines Ereignisses zunachst an einem einfachen Urnenbeispiel erlautern,
Urnenbeispiel Fur ein Zufallsexperiment stehen drei Urnen A, B und C zur Verfiigung, die wie folgt weiBe und schwarze Kugeln enthalten (Bild 11-42): Urne A
Urne B
100.
Urne C
Bild 11-42
Zunachst wahlen wir rein zufallig eine der drei Urnen aus und entnehmen ihr dann (wiederum zufallig) eine Kugel. Dabei interessieren uns nun die folgenden Fragestellungen: 1. Wie groB ist die Wahrscheinlichkeit, dabei eine schwarze Kugel zu ziehen? 2. Wie groB ist die Wahrscheinlichkeit, daB die gezogene schwarze Kugel aus der Urne A stammt? Bei der ersten angeschnittenen Fragestellung interessieren wir uns also fiir das Ereignis
S: Ziehung einer schwarzen Kugel und insbesondere fiir die Wahrscheinlichkeit P(S) dieses Ereignisses. Bei der zweiten Frage interessiert uns die bedingte Wahrscheinlichkeit P(A IS). Sie beschreibt unter der Voraussetzung, daB eine schwarze Kugel gezogen wurde, die Wahrscheinlichkeit dafur, daB diese Kugel aus der Urne A stammt. Wir sind nun in der Lage, beide Probleme mit Hilfe des Ereignisbaumes zu Iosen, wobei wir nur diejenigen Pfade einzeichnen, die zum Ereignis S fiihren. Bild 11-43 zeigt den zu unserem 2-sttifigen Urnenexperiment gehorigen unvollstdndigen Ereignisbaum 16). Wir .bestimmen nun die benotigten Wahrscheinlichkeiten fiir die Zweige der 1. und 2. Stufe.
1. Stufe: Zufdllige Auswahl einer Urne Die Wahrscheinlichkeit dafiir, ausgewahlt zu werden, ist fur alle drei Urnen gleich. Somit gilt:
P(A) 16)
=
P(B)
=
P(C)
1
= -
3
In der 2. Stufe werden nur die zum interessierenden Ereignis S fiihrenden Pfade eingezeichnet, aIle iibrigen Pfade spie1en fur die Losung des Problems keine Rolle und werden daher weggelassen. Der Ereignisbaum ist daher in diesem Sinne unvollstiindig.
3 Wahrscheinlichkeit
307
I I C
10• •1
B
o ......-------100 • • 1-----·•
S
Bild 11-43 Unvollstandiger Ereignisbaum fur das beschriebene zweistufige U rnenexperiment
A
lOa.' I I I
1. Stufe
2. Stufe
2. Stufe: Ziehung einer schwarzen Kugel (Bild 11-44)
Die Wahrscheinlichkeit fur die Ziehung einer schwarzen Kugel betragt der Reihe nach 1 P(SIA)==3'
A
P(S I B) ==
1
2
und
P(S I C) ==
2
3
C
B
100. baH lotUtJ ~
e peS/A) =
I
f
et
peS/B) =
~
I
ef
P(S/C) =
Bild 11-44
II Wahrscheinlichkeitsrechnung
308
Der Ereignisbaum erhalt damit die in Bild 11-45 skizzierte endgiiltige Gestalt.
Das Ereignis S laBt sich dabei auf drei verschiedenen Pfaden OAS, OBS und OCS erreichen. Fur diese Pfade erhalten wir unmittelbar aus dem Ereignisbaum unter Verwendung der bekannten Regeln die folgenden Wahrscheinlichkeiten: 1 1
1
1 1
1
P(OAS) == P(A) . P(S I A) ==
3.3 == 9
P(OBS) == P(B) . P(S I B) ==
3.2 == 6
P(OCS) == P(C) . P(S I C) ==
3·3 == 9
122
Die Wahrscheinlichkeit dafur, auf irgendeinem der drei Pfade das Ereignis S zu erreichen, wird als totale Wahrscheinlichkeit P(S) bezeichnet. Wir erhalten somit durch abermalige Anwendung der bekannten Regeln: P(S) == P(OAS)
.
1
121
+ P(OBS) + P(OCS) == 9 + 6 + 9 == 2
Totale Wahrscheinlichkeit eines Ereignisses 1m Urnenbeispiel hatte der unvollstdndige Ereignisbaum die folgende Struktur (Bild 11-46):
Bild 11-46 U nvollstandiger Ereignisbaum zum Urnenbeispiel
3 Wahrscheinlichkeit
309
Die Ereignisse Ai' A 2 und A 3 entsprechen dabei den drei Urnen und B reprasentiert das Ereignis "Ziehung einer schwarzen Kugel". Das Ereignis B tritt dabei nur in Verbindung mit einem der drei sich gegenseitig ausschlieBenden Ereignisse Ai' A 2 und A 3 auf, d.h. das Ereignis B wird nur iiber die Zwischenergebnisse Ai' A 2 oder A 3 erreicht. Die totale Wahrscheinlichkeit P (B) fur das Eintreten des Ereignisses B erhalt man dann, indem man die Wahrscheinlichkeiten langs der drei Pfade OA iB, OA 2B und OA 3 B addiert: P(B) == P(OA iB) + P(OA 2B) + P(OA 3B) == == P(A i n B) + P(A 2 n B) + P(A 3 n B)
(11-66)
Durch Anwendung des Multiplikationssatzes auf die drei Summanden der rechten Seite erhalten wir schlieBlich: P(B) == P(A i) . P(B I Ai)
+ P(A 2 ) . P(B I A 2 ) + P(A 3 ) . P(B I A 3 ) ==
3
=
I
P(A;)· PCB I Ai)
(II-67)
i= 1
Dies ist die Berechnungsformel fur die totale Wahrscheinlichkeit des Ereignisses B bei einem 2-stufigen Zufallsexperiment mit dem in Bild 11-46 dargestellten Ereignisbaum. Bayes'sche Forme) Aus dem Ereignisbaum entnehmen wir, daB das Ereignis B langs drei verschiedener Pfade iiber die Zwischenergebnisse Ai' A 2 oder A 3 erreicht werden kann. Wir interessieren uns nun dafiir, wie groB die Wahrscheinlichkeit ist, daB das eingetretene Ereignis B mit dem Zwischenergebnis (Ereignis) Ai verbunden war. Mit anderen Worten: Unter der Voraussetzung, daB das Ereignis B bereits eingetreten ist, interessiert uns die Wahrscheinlichkcit dafiir, daB dieses Ereignis auf dem Pfade iiber die Zwischenstation Ai erreicht wurde. Wir suchen somit die bedingte Wahrscheinlichkeit P(A i B). Diese erhalten wir, indem wir die Wahrscheinlichkeit P(OA iB) langs des einzigen "giinstigen" Pfades OA 1 Bins Verhaltnis setzen zur totalen Wahrscheinlichkeit P (B), die ja sdmtliche nach B fiihrenden Pfade benicksichtigt (Bild II -47; der giinstige Pfad OA 1 B ist dort dick eingezeichnet): l
Bild 11-47
o
r----~II· ~l,..
It-----~..
I~
I
Das Ereignis B ist tiber verschiedene "Zwischenstationen" (hier: A l' A 2 und A 3) erreichbar
II Wahrscheinlichkeitsrechnung
310
I B) = P(OA1B) =
peA
P(A l ) · PCB I A l )
P(B)
1
(11-68)
3
I i
=
P(A i ) ' PCB
I Ail
1
Analoge Formeln ergeben sich fur die beiden iibrigen Pfade. Sie fiihren zu der sog. Bayes'schen Formel P(A.)· P(B I A.)
P (A. I B) ==
3
J
I i
J
P(A i ) ' PCB
J
(j
==
1, 2, 3)
(11-69)
I Ail
=1
Wir fassen diese wichtigen Ergebnisse in allgemeiner Form zusammen, verzichtenjedoch auf einen Beweis dieser Formeln.
o Bild 11-48 Das Ereignis B ist auf verschiedenen Pfaden tiber die "Zwischenstationen" Ai (i = 1,2, ... , n) erreichbar
3 Wahrscheinlichkeit
•
311
Beispiel In einem Werk werden auf vier Maschinen M 1 , M 2 , M 3 und M 4 Gliihbirnen hergestellt. Ihr Anteil an der Gesamtproduktion betragt der Reihe nach 10 % , 20 %, 30 % und 40 %. Die Ausschuj3anteile der Maschinen sind der Reihe nach 20/0, 1 %, 4 % und 2 %. Aus der Gesamtproduktion wird zufallig eine Gliihbirne herausgegriffen und auf ihre Funktionstiichtigkeit hin iiberpriift. a) b)
Mit welcher Wahrscheinlichkeit zieht man dabei eine [unktionsuntiichtige, d. h. defekte Gliihbirne? Vorausgesetzt, die entnommene Gliihbirne ist defekt. Wie groB ist dann die Wahrscheinlichkeit dafiir, daB sie auf der Maschine M 3 produziert wurde?
Losung: Wir fiihren die folgenden Ereignisse ein: Ai: Die aus der Gesamtproduktion zufiillig entnommene Gliihbirne wurde aufder Maschine M, produziert (i == 1,2,3,4) B: Die der Gesamtproduktion entnommene Gliihbirne ist defekt Das Ereignis B ist dann iiber eine der vier Zwischenstationen A 1 , A 2 , A 3 und A 4 zu erreichen.
II Wahrscheinlichkeitsrechnung
312
Wir erhalten den folgenden unvollstdndigen Ereignisbaum (Bild II -49):
0,4
° Bild 11-49
0,02
0, 1
U nvollstandiger Ereignisbaum fur das beschriebene Beispiel
Zunachst berechnen wir unter Verwendung der aus Abschnitt 3.7 bekannten Pfadregeln die Wahrscheinlichkeiten Iangs der vier zum Ereignis B fiihrenden Pfade:
P (0 A 1B) == P (A 1) . P (B I A 1) == 0,1 . 0,02 == 0,002 P(OA 2B) == P(A 2 ) ·P(B I A 2 ) == 0,2 . 0,01 == 0,002 P(OA 3B) == P(A 3 ) . P(B I A 3 ) == 0,3 . 0,04 == 0,012 P(OA 4B) == P(A 4 ) . P(B I A 4 ) == 0,4 . 0,02 == 0,008 Zu a): Gesucht ist die totale Wahrscheinlichkeit fur das Eintreten des Ereignisses B. Da dieses Ereignis auf vier Pfaden erreicht werden kann, gilt unter Verwendung des in Bild 11-49 dargestellten Ereignisbaumes: 4
P(B) =
L i = 1
4
P(OAiB) =
I
P(AJ· P(B
I AJ =
i= 1
== 0,002 + 0,002 + 0,012 + 0,008 == 0,024 == 2,4 % Die Wahrscheinlichkeit, aus der Gesamtproduktion rein zufallig elne defekte Gliihbirne zu ziehen, betragt somit 2,4 % . Zu b): Es gibt genau einen giinstigen Pfad, namlich den Pfad OA3 B. Somit ist nach der Bayes'schen Formel:
P(A 3 I B) ==
P(OA 3B) P(A 3 ) . P(B I A 3 ) 0,012 == == _.- == 05 == 50% P(B) P(B) 0,024'
Wir deuten dieses Ergebnis wie folgt: Wenn wir der Gesamtproduktion nur geniigend oft eine Gliihbimc entnehmen, so wird im Mittel jede zweite der gezogenendefekten Gliihbirnen aus der Produktion der Maschine M 3 stammen.
•
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
313
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen 4.1 Zufallsvariable oder Zufallsgro8en Wir kehren zunachst zu den drei Standardbeispielen aus Abschnitt 2.1 zuruck, urn an ihnen den wichtigen Begriff Zufallsvariable oder Zufallsgrofie vorzubereiten.
4.1.1 Einfiihrende Beispiele Standardbeispiell: Augenzahl beim Wurf eines homogenen Wiirfels
Die Augenzahl X nimmt bei jedem Wurf genau einen der sechs Werte 1, 2, 3, 4, 5 und 6 an. Sie kann daher als eine Funktion angesehen werden, die jedem Elementarereignis genau eine reelle Zahl zuordnet. Da jedoch der spezielle Wert, den die Grolse X (Augenzahl) bei einem bestimmten Wurf annimmt, einzig und alleine yom Zufall abhangt, nennt man diese Grobe folgerichtig Zufallsgrofie oder Zufallsvariable. Ihr Wert ist nicht vorhersehbar, sondern ausschlieBlich zufallsbedingt. Standardbeispiel 2: Augensumme beim Wurfmit zwei unterscheidbaren homogenen Wiirfeln
Wir interessieren uns bei diesem Zufallsexperiment fiir die folgende GroBe: X == Augensumme beider Wiirfel
Sie kann als Zufallsprodukt jeden der insgesamt 11 moglichen Werte 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 und 12 annehmen. Die Augensumme X ist daher eine ZufallsgrojJe oder Zufallsvariable. Jedem der 36 Elementarereignisse (1; 1), (1; 2), (1; 3), ... , (6; 5), (6; 6)
entspricht dabei ein bestimmter Wert der Augensumme X. Die folgende Tabelle zeigt, welche Elementarereignisse dabei zu welcher Augensumme gehoren,
(1; 1)
(1; 2)
(1; 3)
(1; 4)
(1; 5)
(1; 6)
(2; 6)
(3; 6)
(4; 6)
(5; 6)
(2; 1)
(2; 2)
(2; 3)
(2; 4)
(2;5)
(3; 5)
(4; 5)
(5; 5)
(6; 5)
(6; 4)
(3; 1)
(3; 2)
(3; 3)
(3; 4)
(4; 4)
(5; 4)
(4; 1)
(4; 2)
(4; 3)
(5; 3)
(6; 3)
(5; 2)
(6; 2)
(5; 1)
(6; 1)
(6; 6)
II Wahrscheinlichkeitsrechnung
314
Zum Beispiel wird die Augensumme X == 4 durch die folgenden drei Elementarereignisse (geordneten Augenpaare) realisiert (1.Wiirfel: weiB; 2. Wiirfcl: grau; Bild II-50):
(2; 2)
(1;3)
(3; 1 )
Bild II-50 Augenpaare mit der Augensumme 4
Standardbeispiel3: Zujiillige Entnahme von Kugeln aus einer Urne (mit Zuriicklegen ) Eine Urne enthalte 5 Kugeln, darunter 3 weiBe und 2 schwarze Kugeln (Bild II-51):
Bild II-51
Nacheinander ziehen wir ganz zufallig 3 Kugeln, wobei wir nach jeder Ziehung die gezogene Kugel wieder in die Urne zuriicklegen, und notieren dabei die Farbe der gezogenen Kugeln. Unser Interesse gilt nun der Grobe X == Anzahl der gezogenen schwarzen Kugeln
Sie kann nur die vier reellen Werte 0, 1, 2 und 3 annehmen. Welchen dieser Werte sie in einem konkreten Fall dabei annimmt, laBt sich jedoch nicht vorausbestimmen, sondern ist zufallsbedingt, d. h. X ist eine Zujallsgrofte oder Zufallsvariable. Zu jedem der insgesamt 8 Elementarereignisse
000,
eoo, oeo, ooe, eeo, eoe, oee, eee
gehort genau ein Wert der Zufallsgrolie X. Die folgende Tabelle zeigt, welche Elementarereignisse zu welchen X -Werten gehoren,
000
eoo oeo ooe
eeo eoe oee
eee
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
315
4.1.2 Definition einer Zufallsvariablen Der anhand unserer Standardbeispiele eingefiihrte Begriff Zufallsvariable oder ZufallsgrojJe HiBt sich allgemein wie folgt definieren:
Anmerkungen (1) Zufallsvariable werden iiblicherweise mit grofien lateinischen Buchstaben, ihre Werte dagegen mit kleinen lateinischen Buchstaben gekennzeichnet. (2)
Wir unterscheiden noch zwischen einer diskreten und einer stetigen ZufallsvariabIen. Eine Zufallsvariable X heiBt dabei diskret, wenn sie nur endlich viele oder abziihlbar unendlich viele reelle Werte annehmen kann. Eine Zufallsvariable X heiBt dagegen stetig, wenn sie jeden beliebigen Wert aus einem (reellen) endlichen oder unendlichen Intervall annehmen kann.
•
Beispiele (1)
Ein homogener Wiirfel wird [iinfmal geworfen und dabei wird festgestellt, wie oft die Augenzahl ,,1" auftritt. Dann ist die Grofse X == Anzahl von Wurfen mit der Augenzahl ,,1"
eine diskrete Zufallsvariable mit den moglichen Werten 0, 1, 2, 3, 4 und 5. (2)
Die Anzahl X der Atome, die in einem bestimmten Zeitintervall in einer radioaktiven Substanz zerfallen, HiBt sich mit einem Zahlgerat leicht feststellen. X ist dabei eine diskrete Zufallsvariable mit den abzdhlbar unendlich vielen Werten 0, 1, 2, ....
(3)
In einem Werk werden Zylinderscheiben mit einem vorgeschriebenen Durchmesser von 5 mm (dem sog. Sollwert) in groBer Stiickzahl hergestellt. Infolge zufallsbedingter Schwankungen wird jedoch der Durchmesser X einer aus der Gesamtproduktion wahllos herausgegriffen Zylinderscheibe mehr oder weniger stark von diesem Sollwert abweichen. Der Durchmesser X einer solchen Scheibe kann dabei als eine stetige Zufallsvariable aufgefaBt werden, deren Werte sich in einem bestimmten Intervall bewegen.
•
II Wahrscheinlichkeitsrechnung
316
4.2 Verteilungsfunktion einer Zufallsvariablen Bei einer Zufallsvariablen X sind die folgenden Eigenschaften von besonderer Bedeutung: 1. Der Wertebereich, 2. die Wahrscheinlichkeit P dafiir, daB die Zufallsvariable X einen bestimmten Wert annimmt (bei einer diskreten Variablen) bzw. wertemaliig in einem bestimmten Intervall liegt (bei einer stetigen Variablen). Mit dem Wertebereich einer Zufallsvariablen haben wir uns bereits in dem vorangegangenen Abschnitt beschaftigt. Die zweite Eigenschaft fuhrt uns nun zu dem Begriff der Verteilungsfunktion F(x) einer Zufallsvariablen X. Diese Funktion bestimmt dabei definitionsgemaf die Wahrscheinlichkeit dafiir, daB die Zufallsvariable X einen Wert annimmt, der kleiner oder gleich einer vorgegebenen reellen Zahl x ist. Demnach gilt ganz allgemein: F(x) == P(X
~
x)
(11-72)
Wir fassen zusammen und erganzen:
17)
Bei einer stetigen Zufallsvariablen gilt diese Formel auch fur das abgeschlossene Intervall a ~ X ~ b: P(a
~
X
~
b) = F(b) - F(a)
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
317
Anmerkung Bild II-52 zeigt den typischen Verlauf der Verteilungsfunktion F (x) fur eine stetige Zufallsvariable X. 1m Falle einer diskreten Zufallsvariablen verlauft die Verteilungsfunktion treppenformig wie in Bild II -53 skizziert.
F(x)
Bild II-52 Typischer Verlauf der Verteilungsfunktion F(x) bei einer stetigen Zufallsvariablen X
x
F(x)
-~
I I I I I
----I
---!----!--l---_l__
-
-
-
-1--1------.-
Bild II-53 Treppenformiger Verlauf der Verteilungsfunktion F(x) bei einer diskreten Zufallsvariablen X
x
Xn
4.3 Wahrscheinlichkeitsverteilung einer diskreten Zufallsvariablen (diskrete Verteilung) Bei einer diskreten Zufallsvariablen X gehort zu jedem Wert Xi eine bestimmte Wahrscheinlichkeit P (X = xJ = Pi. Wir erhalten eine sog. Verteilungstabelle von folgendem Aussehen:
P(X = xJ
P1
Pn
II Wahrscheinlichkeitsrechnung
318
Die diskrete Funktion p.
X
fur
f(x) = { 0'
::=:X i
(i
::=:
1, 2, 3, ...)
(11-77)
alle iibrigen x
heiI3t Wahrscheinlichkeitsfunktion der diskreten Verteilung. Sie HiI3t sich graphisch durch ein Stabdiagramm, auch Wahrscheinlichkeitsdiagramm genannt, darstellen. Bild II-54 zeigt das Wahrscheinlichkeitsdiagramm einer diskreten Zufallsvariablen mit endlich vielen Werten. f(x)
Bild II-54 Stabdiagramm fur die Wahrscheinlichkeitsfunktionj(x) einer diskreten Verteilung (" Wahrscheinlichkei tsdiagramm")
Dabei gilt stets f(xJ::=: Pi ~ 0
(11-78)
Die Wahrscheinlichkeitsfunktion f (x) ist ferner normiert: CiJ
I
i= 1
CiJ
f
(x;) =
I
(11-79)
Pi = 1
i=1
F(x)
Bild II-55 P31
I I I - - -.....-~-+----+-+----------1r--~-----x
Verteilungsfunktion F(x) einer diskreten Verteilung (" Treppenfunktion")
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
319
Die zugehorige Verteilungsfunktion der diskreten Zufallsvariablen X ist F(x)
=
P(X ~ x)
=
I
f(x i )
(11-80)
wobei iiber alle Werte Xi ::::;; X zu summieren ist. Die graphische Darstellung der Verteilungsfunktion F(x) fiihrt uns zu einer sog. Treppenfunktion. Bild II-55 zeigt eine solche Treppenfunktion im Falle einer diskreten Zufallsvariablen mit endlich vielen Werten. Sie macht an den Sprungstellen Xl' X 2, X 3, •.• der Reihe nach Sprunge der Grobe Pl' P2' P3' ... und ist zwischen zwei aufeinander folgenden Sprungstellen konstant.
Wir fassen zusammen:
320 •
II Wahrscheinlichkeitsrechnung Beispiele
(1)
Beim Zufallsexperiment "Wurf eines homogenen Wurfels" (Standardbeispiel 1) ist die diskrete Zufallsvariable X == Erreichte Augenzahl
wie folgt verteilt (es handelt sich urn ein Laplace-Experiment): 2 f(xJ
4
3
5
6
1
1
1
1
1
1
6
6
6
6
6
6
Bild II -56 verdeutlicht diese sag. Gleichverteilung durch ein Stabdiagramm (Wahrscheinlichkeitsdiagramm). Die zugehorige Verteilungsfunktion F(x) ist in Bild II-57 dargestellt. f(x)
1/6 Bild II-56 Stabdiagramm fur die Zufallsvariable "X = Erreichte Augenzahl" beim Wurf eines homogenen Wiirfels
3
2
4
5
6
x
F(x)
1/6 5/6 4/6
Bild II-57 Verteilungsfunktion fur die Zufallsvariable "X = Erreichte Augenzahl" beim Wurf eines homogenen Wiirfels
3/6 2/6 1/6
2
~
4
5
6
x
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen (2)
321
Beim Zufallsexperiment "Wurf mit zwei unterscheidbaren homogenen Wurfeln" (Standardbeispiel 2) besteht die Ergebnismenge Q. aus den insgesamt 36 gleichwahrscheinlichen Elementarereignissen (geordneten Augenpaaren) (1; 1), (1; 2), (1; 3), ... , (6; 5), (6; 6). Wir betrachten die Zufallsvariable
x=
Erreichte Augensumme
Sie ist diskret und nimmt die moglichen Werte 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 und 12 mit unterschiedlichen Wahrscheinlichkeiten an. Zunachst bestimmen wir mit dem nachfolgenden Schema, welche und wieviele Elementarereignisse zu den einzelnen Werten der Augensumme X gehoren:
(1; 1)
/
¥ 2
¥ 6
7
(2; 3)
(3; 2)
(3; 3)
(4; 1)
(4; 2)
(4; 3)
(5; 1)
(5; 2)
(5; 3)
(6; 1)
(6; 2)
(6; 3)
.: -: -: .: / .: .: /
¥
8
x
9
x
(1; 5)
(1; 6)
(2; 4)
(2; 5)
(2; 6)
(3; 4)
(3; 5)
(3; 6)
(4; 4)
(4; 5)
(4; 6)
(5; 5)
(5; 6)
(6; 5)
(6; 6)
-:
(3; 1)
¥ 5
(1; 4)
(2; 2)
¥ 4
/
(1; 3)
(2; 1) ¥
3
(1; 2)
.: .: .: /
/ /
.:
/
/
.: -:
/
/
10
x
(5; 4)
/ (6; 4) ¥ 11
¥ 12
Elementarereignisse, die zur gleichen Augensumme fiihren, sind durch eine Linie miteinander verbunden. Z. B. verbindet die dick gezeichnete Linie alle Elementarereignissemit der Augensumme X = 5. Daraus ergibt sich dann die folgende Haufigkeitstabeiie (ni : absolute Haufigkeit):
(1;1) (1;2) (1;3) (1;4) (2;1) (2;2) (2;3) (3;1) (3;2) (4;1)
(1;5) (2;4) (3;3) (4;2) (5; 1)
(1;6) (2;5) (3;4) (4;3) (5; 2) (6; 1)
(2;6) (3;5) (4;4) (5;3) (6; 2)
(3;6) (4;6) (5;6) (6;6) (4;5) (5;5) (6;5) (5;4) (6;4) (6;3)
Alle 36 Elementarereignisse sind dabei gleichwahrscheinlich (p = 1/36).
322
II Wahrscheinlichkeitsrechnung Daher erhalten wir die Wahrscheinlichkeiten fur die moglichen Werte der Zufallsvariablen X ("Augensumme"), indem wir die absoluten Haufigkeiten mit 1/36 multiplizieren. Dies fiihrt zu der folgenden Verteilungstabelle:
3
2
Xi
f(xJ
-
1
-
36
3 36
2
-
36
6
5
4 -
4
-
36
8
7
6 36
5
-
36
-
5
36
9 -
4
36
10
11
3 36
-
-
2
36
12 -
1
36
Bild II-58 zeigt das Stabdiagramm, Bild II-59 die zugehorige Verteilungsfunktion. f(x)
Bild II-58 Stabdiagramm fur die Zufallsvariable "X = Augensumme' beim Wurf mit zwei unterscheidbaren homogenen Wiirfeln
6/36
1/36 2
3
4
5
6
7
8
9
x
10 11 12
F(x)
30/36
20/36
10/36
Bild II-59 1/36 2
3
4
5
6
7
8
9
10
11
12
x
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen (3)
323
Wir kommen auf unser Urnenbeispiel aus Abschnitt 2.1 (Standardbeispiel S) zuriick und berechnen zunachst die Wahrscheinlichkeiten fiir das Eintreten der 8 Elementarereignisse
eoo, oeo, ooe, eeo, eoe, oee, eee
000,
Dabei beachten wir, daB eine weifle Kugel mit der Wahrscheinlichkeit p(O) = 3/5 und eine schwarze Kugel mit der Wahrscheinlichkeit p(e) = 2/5 gezogen wird. Da wir die jeweils gezogene Kugel stets zuriicklegen, sind alle Ziehungen voneinander unabhdngig. Die insgesamt 8 moglichen Elementarereignisse treten daher mit den folgenden Wahrscheinlichkeiten ein (berechnet mit dem Multiplikationssatz fiir stochastisch unabhdngige Ereignisse).
°
000
eoo oeo ooe eeo eoe oee
2
eee
3
3 _.3 3 _. 5 5 5
27 -
125
}. . 2 3 3 18 jeweils "5'"5'"5 = 125
}. . 2 2 3 12 jeweils "5'"5'"5 = 125
222 _.
-
e_
5 5 5
8 125
-
Die diskrete Zufallsvariable
x
=
Anzahl der erhaltenen schwarzen Kugeln bei drei Ziehungen mit Zuriicklegen
kann dabei die Werte 0, 1, 2 und 3 annehmen. Sie sind wie folgt verteilt:
°
f(xJ
27
125
18 54 3·-=125 125
2
3
12 36 3·-=125 125
8 125
II Wahrscheinlichkeitsrechnung
324
Bild II-60 zeigt das Stabdiagramm dieser Wahrscheinlichkeitsfunktion. Die zugehorige Verteilungsfunktion F (x) ist in Bild 11-61 dargestellt.
f(x)
54/125
36/125
Bild 11-60 27/125
Stabdiagramm zum U rnenbeispiel
8/125
a
2
3
x
F(x)
1 117/125
81/125
Bild 11-61
Verteilungsfunktion zum Urnenbeispiel
27/125
a
2
3
x
•
325
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
4.4 Wahrscheinlichkeitsverteilung einer stetigen Zufallsvariablen (stetige Verteilung) Bei einer stetigen Zufallsvariablen X mit dem Wertebereich Verteilungsfunktion F (x) in der I ntegralform
00
<X <
00
wird die
x
F(x) = P(X
~ x) =
f
(11-86)
f(u) du
-00
dargestellt. Der Integrand f (x) heiBt Wahrscheinlichkeitsdichtefunktion oder kurz Dichte[unktion der stetigen Verteilung 18). Der typische Verlauf beider Funktionen ist in den Bildern II-62 und II -63 dargestellt.
f(x)
Bild 11-62 Wahrscheinlichkeitsdichtefunktion f(x) einer stetigen Verteilung
x
F(x)
Bild 11-63 Verteilungsfunktion F(x) einer stetigen Verteilung
x
18)
Wir haben in dem Integrand f (u) die Integrationsvariable u wieder durch x ersetzt.
II Wahrscheinlichkeitsrechnung
326
Dichtefunktion J (x) und VerteilungsJunktion F (x) einer stetigen Wahrscheinlichkeitsverteilung besitzen dabei die folgenden Eigenschaften: (1)
Es gilt stets J (x)
(2)
Die Dichtefunktion J(x) ist die 1. Ableitung der Verteilungsfunktion F(x):
~
0 (Bild 11-62).
J(x) = F'(x) (3)
(11-87)
Die Verteilungsfunktion F (x) ist eine monoton wachsende Funktion mit ~ 1 und strebt fur x -400 asymptotisch gegen den Wert 1. Dies aber bedeutet, daB der Fldcheninhalt unter der Dichtefunktionj (x) genau den Wert Eins besitzt :
o ~ F(x)
00
f
(II-88)
f(x) dx = 1
-00
(sog. Normierung der Dichtefunktion, vgl. hierzu Bild 11-64).
f(x)
Bild 11-64 Zur Normierung der Dichtefunktion I(x)
Dies ist auch unmittelbar einleuchtend, da der Wert der stetigen Zufallsvariablen X mit Sicherheit im Intervall - 00 < x < 00 liegt und somit 00
P( -
00
< X < (0)
=
f
f(x) dx = 1
(11-89)
-00
sein muB (es handelt sich namlich urn das sichere Ereignis, das immer eintritt). (4)
Bei einer stetigen Zufallsvariablen X betrachtet man immer die Wahrscheinlichkeit in einem Intervall. Dann ist J (x) dx die Wahrscheinlichkeit dafiir, daB der Wert der Zufallsvariablen X in dem Intervall mit den Grenzen x und x + dx liegt. Diese Wahrscheinlichkeit entspricht dem Flacheninhalt des grau unterlegten Streifens in Bild 11-65.
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
327
f(x)
Bild 11-65 Der grau unterlegte Streifen vom Flacheninhalt f(x) dx ist ein MaB fur die Wahrscheinlichkeit, daf der Wert der Zufallsvariablen X im Intervall [x; x + dx] liegt
f(x) dx
x
x
x s dx
~ dx
(5)
Fur b > a gilt: P(a
~
X
b
~
b) == F(b) - F(a)
==
f
a
f
f(x) dx -
-00
=
f
-00
b
- 00
f (x) dx
+
a
f
f(x) dx =
b
f (x) dx =
-00
f
f (x) dx
(11-90)
a
Dies aber bedeutet 19): Die Wahrscheinlichkeit dafiir, daB die Zufallsvariable X einen Wert zwischen a und b annimmt, entspricht dem Fliicheninhalt unter der Dichtefunktion f (x) zwischen den Grenzen x == a und x == b (grau unterlegte FHiche in Bild II -66).
f(x) P(a
sx sb) Bild 11-66 Die grau unterlegte Flache entspricht der Wahrscheinlichkeit pea ~ X ~ b), daf die Zufallsvariable X einen Wert zwischen a und b annimmt
a
19)
b
x
Diese Aussage gilt auch fur ein offenes oder halboffenes Intervall.
328
Wir fassen die Ergebnisse wie folgt zusammen:
II Wahrscheinlichkeitsrechnung
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
•
329
Beispiele (1)
X sei eine stetige Zufallsvariable mit der linearen Dichtefunktion
f(x) == 0,02x
(0
~
x
~
10)
(im ubrigen Bereich ist f(x) == 0, siehe Bild 11-67). Zunachst bestimmen wir die Verteilungsfunktion F(x) im Intervall 0 ~ x ~ 10: x
F(x) =
x
J feu) du = 0,02 . Ju du = 0,02 [~ u
2
[
=
0
-00
Sie verlauft dort parabelformig. Somit gilt: x < 0
o~
fur
x
~
10
x > 10
Der Verlauf der Verteilungsfunktion ist in Bild II -68 dargestellt. f(x)
0,2
Bild 11-67 x
F(x)
Bild 11-68 10
x
330
II Wahrscheinlichkeitsrechnung (2)
Die Lebensdauer T eines bestimmten elektronischen Bauelements sei eine exponentialverteilte Zufallsgrobe mit der Dichtefunktion
f(t)=={ a) b)
~Olt c· e '
t
Wie lautet die zugehorige Verteilungsfunktion F (t)? Wie groB ist der Anteil an Bauelementen, deren Lebensdauer den Wert t == 10 uberschreitet?
Liisung : Wir bestimmen zunachst die Konstante c aus der N ormierungsbedingung (11-93):
f
f
00
00
f(t)dt=
c.e- O,l t dt=c[-lo.e- O,l tJ : =10c=1
0
-00
Somit ist c == 0,1 und die Dichtefunktion f (t) besitzt fur t Gestalt:
f
(t) == 0,1 . e -
~
0 die folgende
0,1 t
(fur t < 0 ist f (t) == 0). Ihr Verlauf ist in Bild II -69 dargestellt. f(t) 0,1
Bild 11-69
Dichtefunktion der exponentialverteilten Zufallsvariablen "T = Lebensdauer eines elektronischen Bauelements"
10
a)
Fur die Verteilungsfunktion F(t) erhalten wir damit im Intervall t t
F(t)=
f -00
t
f(u)du=
f o,l . e - O,l U d
U
=
0
= 0,1 [-10' e-O,lUJ~= -
[e-O'lUJ~ = 1 -
e- O,l t
~
0:
4 Wahrscheinlichkeitsverteilung einer Zufallsvariablen
331
Daher gilt:
F(t) == {
t
0 1 - e " 0,1 t
fur t~O
Die Verteilungsfunktion F (t) ist in Bild II -70 graphisch dargestellt. F(t)
20
10
Bild 11-70 Verteilungsfunktion fur die exponentialverteilte Lebensdauer T eines elektronischen Bauelements
b)
Die gesuchte Wahrscheinlichkeit P(T ~ 10) entspricht der in Bild 11-71 grau unterlegten Flache unter der Dichtefunktion f (t). Wir berechnen sie wie folgt: f(t) 0, 1
P(T
~
10)
Bild 11-71
10
P(T ~ 10) == 1 - P(T ~ 10) == 1 - P( -
00
< T
~
10) ==
== 1 - [F(10) - F( - (0)] == 1 - F(10) == '-v--""
o == 1 - (1 - e -
1)
== e -
1
== 0,368
Rund 36,8 % der elektronischen Bauelemente sind demnach zur Zeit t == 10 noch [unktionstiichtig.
II Wahrscheinlichkeitsrechnung
332 (3)
Zur Beschreibung von Ermiidungserscheinungen bei Werkstoffen wird haufig die sog. Weibull-Verteilung herangezogen. Die Lebensdauer T eines Werkstiicks, eines Gerats oder einer Maschine besitzt dann eine Verteilungsfunktion vom Typ
F(t) = 1 -
(t > 0)
e(- caP)
mit den Parametern a und f3 (fur t ~ 0 ist F (t) = 0). Die zugehorige Dichtefunktion erhalten wir hieraus durch Differentiation nach der Variablen t:
f (t)
= F' (t) =
:t
[1 -
(fur t > 0, ansonsten ist
f
e (-
0: t
lJ
P
=
IX
fJ t f3 -
(t) = 0).
1.
e(-
0: t
l
P
•
5 Kennwerte oder Ma8zahlen einer Wahrscheinlichkeitsverteilung Die Wahrscheinlichkeitsverteilung einer (diskreten oder stetigen) Zufallsvariablen X laBt sich in eindeutiger und vollstandiger Weise entweder durch die Verteilungsfunktion F (x) oder aber durch die zugehorige Wahrscheinlichkeits- bzw. Dichtefunktion f (x) beschreiben. Die Verteilung kann aber auch durch bestimmte Parameter, die man als Kennwerte oder M aj3zahlen der Verteilung bezeichnet, charakterisiert werden. Zu ihnen zahlen u.a. der M ittel- oder Erwartungswert u, die Varianz (J 2 und die Standardabweichung (J. Sie sind wichtige Sonderfdlle einer Gruppe von Kennwerten, die als M omente einer Wahrscheinlichkeitsverteilung bezeichnet werden 20). Der M ittelwert j.1 kennzeichnet dabei .in gewisser Weise das Zentrum oder die M itte der Wahrscheinlichkeitsverteilung, wahrend die Varianz (J 2 und die Standardabweichung (J geeignete MaBzahlen fur die Streuung der Werte urn diesen Mittelwert darstellen.
20)
Im Rahmen dieser einfuhrenden Darstellung konnen wir auf die Momente einer Verteilung nicht naher eingehen und verweisen den Leser auf die spezielle Fachliteratur (siehe Literaturverzeichnis).
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung
333
5.1 Erwartungswert einer Zufallsvariablen 5.1.1 Ein einfiihrendes Beispiel Beim Zufallsexperiment "Wurf eines homogenen Wurfels" treten die 6 moglichen Werte 1, 2, 3, 4, 5 und 6 der diskreten Zufallsvariablen
X == Erzielte Augenzahl mit gleicher Wahrscheinlichkeit auf. Wenn wir dieses Experiment nur oft genug wiederholen, konnen wir "erwarten", daB die mittlere Augenzahl in der Nahe des arithmetischen Mittels aus den 6 moglichen Werten 1 bis 6 liegt. Wir "erwarten" somit bei hinreichend groBen Versuchsserien eine mittlere Augenzahl von nahezu X==
1+2+3+4+5+6 ==35 6 '
(11-96)
Dieser Wert ist der sog. Erwartungswert der Zufallsvariablen X in dem beschriebenen Wiirfelexperiment. Bei einer groBen Anzahl von Wiirfen konnen wir daher erwarten, daB wir pro Wurf eine mittlere Augenzahl von 3,5 erhalten.
5.1.2 Erwartungswert einer diskreten Zufallsvariablen In dem soeben beschriebenen Beispiel traten die moglichen Werte der diskreten Zufallsvariablen X ("Augenzahl beim Wurfeln") alle mit der gleichen Wahrscheinlichkeit auf. 1m allgemeinen jedoch sind die Werte einer diskreten Zufallsvariablen X nicht gleichverteilt. Bei der Berechnung des Erwartungswertes spielt daher die Wahrscheinlichkeitsfunktion f (x) eine entscheidende Rolle. Sie bestimmt in gewisser Weise die Gewichtungsfaktoren, mit denen die moglichen Werte Xi in die Berechnung eingehen. Den Erwartungswert der Zufallsvariablen X erhalt man dann als Summe der gewichteten Werte Xi· f (x.). Dies fuhrt zu der folgenden Definition:
Anmerkung In der Definitionsformel (11-97) wird uber alle moglichen Werte Xi summiert. Bei einer diskreten Zufallsvariablen mit abziihlbar unendlich vielen Werten wird dabei die absolute Konvergenz der Reihe in Gleichung (II-97) vorausgesetzt. Andernfalls besitzt die Verteilung keinen Erwartungswert.
II Wahrscheinlichkeitsrechnung
334
•
Beispiele (1)
Gegeben ist eine diskrete Zufallsvariable mit der Verteilungstabelle
1
f(xJ
8
2
3
3 8
3
1
8
8
4
Sie besitzt den folgenden Erwartungswert: 4 1 3 3 1 20 E(X) = ~ x·' f(x.) = 1 . - + 2 . - + 3 . - + 4 . - = - = 2 5 ~l t 88888' i= 1
(2)
Beim ; Wurf eines homogenen Wiirfels" ist die diskrete Zufallsvariable
x
=
Erzielte Augenzahl
gleichverteilt: 2
Xi
1
f(xd
1
4
3
5
1
6
-
-
-
1
1
-
-
-
6
6
6
6
6
6
1
Sie besitzt den folgenden Erwartungswert: 6
1
1
1
E(X) = ~ x··f(x.)=1·-+2·-+ +6·-= t 66'" 6
c:
i= 1
1
1
= - (1 + 2 + ". + 6) = - . 21 = 3,5 6 6
•
5.1.3 Erwartungswert einer stetigen Zufallsvariablen Im FaIle einer stetigen ZufaIlsvariablen X definieren wir den Erwartungswert E (X) wie folgt:
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung 00
Anmerkung
Es wird vorausgesetzt, daB das Integral die Verteilung keinen Erwartungswert.
•
f
335
Ix I . J (x) dx
existiert. Andernfalls besitzt
-00
Beispiel Die Lebensdauer T eines bestimmten elektronischen Bauelements kann in guter Naherung als eine exponentialverteilte Zufallsvariable mit der DichteJunktion
t
={
0_ At
fur t~O
2·e
betrachtet werden (Bild 11-72). Die mittlere Lebensdauer ist dann durch den Erwartungswert E(T) gegeben. Wir erhalten: 00
00
E(T)= f
tof(t)dt= fto..1oe-Atdt=..1-ftoe-Atdt=
-00
=..1 [
00
0
0
1[
1
- 2t - 1 AJOO AJOO ..1 2 -e- t 0 =~ (-..1t-1) oe- t 0 =~
(Integral Nr. 313 aus der Formelsammlung).
f(t)
Bild 11-72 Dichtefunktion der exponentialverteilten Zufallsvariahlen "T = Lehensdauer eines elektronischen Bauelements"
•
II Wahrscheinlichkeitsrechnung
336
5.2 Erwartnngswert einer Fnnktion Wir ordnen der Zufallsvariablen X durch die Funktionsgleichung 2 == g(X) in eindeutiger Weise eine neue, von X abhangige Zufallsvariable 2 zu. Der Erwartungswert E(2) == E [g(X)] dieser Funktion wird dann wie folgt definiert:
Anmerkungen (1) Fur eine konstante Funktion 2 == const. == c gilt: E(c) == c (2)
(11-101 )
Sind gl(X) und g2(X) zwei von der gleichen Zufallsgrolse X abhangige Funktionen, so gilt: E [a . 9 1 (X)
+ b . 9 2 (X)] == a . E [g1 (X)] + b . E [g 2 (X) ]
(11-102)
(a, b: Konstanten). •
Beispiele
(1)
X sei eine stetige Zufallsvariable mit der Dichtefunktion f(x)==e- x
(fur x
~
0)
Dann besitzt die Zufallsvariable (Funktion) 2 == 2 X wartungswert: E(Z)=E(2X+1)=2'E(X)+E(1)=2'
f o
+1
den folgenden Er-
x'e- x d x + 1 =
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung (2)
337
Gegeben ist eine diskrete ZufaIlsvariable X mit der folgenden Verteilungstabelle: 2 f(xJ
3
4
1
3
3
1
8
8
8
8
Wir berechnen den Erwartungswert der von X abhangigen Funktion Z == X 2 nach der Definitionsformel (11-99): 4
E(Z) = E(X 2) =
I
X?· !(X i ) =
i = 1 2
1 8
2
3 8
2
3 8
2
1 8
56 8
==1 '-+2 '-+3 '-+4 '-==-==7
•
5.3 Mittelwert, Varianz und Standardabweichung einer diskreten Zufallsvariablen 1m FaIle einer diskreten ZufaIlsvariablen X lautet die Definition der drei Kennwerte M ittelwert 11, Varianz (J 2 und Standardabweichung (J wie folgt:
II Wahrscheinlichkeitsrechnung
338
Anmerkungen (1) Der M ittelwert f.l ist somit definitionsgemaf der Erwartungswert E (X) der diskreten Zufallsvariablen X.
(2)
Die Varianz (J 2 ist der Erwartungswert der Zufallsvariablen (Funktion) Z = (X - f.l)2, durch die die mittlere quadratische Abweichung vom Mittelwert u beschrieben wird: (11-106)
(3)
Fur die Varianz gilt stets (J 2 ~ o. Sie ist ein geeignetes MaB fur die Streuung der einzelnen Werte Xi urn den Mittelwert u. Bei kleiner Varianz liegen die meisten Werte in der Nahe von f.l und grofiere Abweichungen vom Mittelwert treten nur mit geringen Wahrscheinlichkeiten auf.
(4)
Haufig wird auch die Standardabweichung (J als Streuungsmafl verwendet. Sie beschreibt die durchschnittliche (mittlere) Abweichung der Zufallsvariablen X von ihrem Mittelwert u und besitzt gegeniiber der Varianz den Vorteil, daB sie die gleiche Dimension und Einheit hat wie die Zufallsvariable X.
(5)
Bei einer symmetrischen Verteilung mit dem Symmetriezentrum X o gilt: f.l = E(X) = X o
(11-107)
(falls der Mittelwert f.l existiert; vgl. hierzu das nachfolgende Beispiel (2)). (6)
(7)
Die der ZufallsvariablenX zugeordneten Kennwerte u, (J 2 und (J werden haufig auch als Kennwerte der diskreten Verteilung bezeichnet (z.B. u: Mittelwert der Verteilung) . Fur die Varianz (J2 wird haufig auch das Symbol D 2(X) verwendet.
Fur die Varianz (J 2 einer Zufallsvariablen X laBt sich noch eine spezielle F ormel herleiten, die in der Anwendung oft bequemer ist als die Definitionsformel (11-104): (J2 = E[(X - f.l)2] = E(X 2 - 2f.lX + f.l2) = E(X 2) - Tu : E(X) + f.l2. E(l) = '-..,,--'
f.l =
E(X 2) - 2f.l2 + f.l2 = E(X 2)- f.l2
~
1 (11-108)
Somit gilt allgemein: (11-109)
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung •
339
Beispiele
(1)
Beim" Wurf mit zwei unterscheidbaren homogenen Wurfeln" ist die diskrete Zufallsvariable
x
= Erzielte Augensumme
nach Beispiel 2 aus Abschnitt 4.3 wie folgt verteilt:
3
2
Xi
f(xJ
-
1
-
36
4
3 36
2
4
-
36
6
5
8
7
5
-
-
36
36
-
6 -
36
5
36
9 -
4
10
11
3 36
-
2
-
36
36
12 -
1
36
Wir berechnen zunachst den Mittelwert f.1 dieser Verteilung: f.1
=
I
X. .
1 f(x.) = 2· -
l
36
l
2
3
1
252
36
36
36
36
+ 3 . - + 4· - + ... + 12 . - = -
=7
i
Er fallt erwartungsgemaf mit dem Symmetriezentrum zusammen (Bild 11-73).
Xo
= 7 der Verteilung
f(x)
Bild 11-73 Stabdiagramm fur die Verteilung der "Augensumme X" beim Wurf mit zwei unterscheidbaren homogenen Wiirfeln
6/36
1/36 2
3
4
5
6
7
8
9
10 11
12
x
Symmetriezentrum (Erwartungswert)
Bei oftmaliger Wiederholung dieses Wurfelexperiments "erwarten" wir daher eine durchschnittliche Augensumme von nahezu 7.
340
II Wahrscheinlichkeitsrechnung Fur die Varianz (J2 liefert die Definitionsformel (11-104) den folgenden Wert:
1 2 3 + (3 - 7)2 . - + (4 - 7)2 . - + ... 36 36 36
==
(2 - 7)2 . -
... + (12 -
2 1 210 7) . 36 == 3(; == 5,83
Die Standardabweichung betragt somit (2)
(J
== ~ == 2,42.
Einer Urne mit 3 weiBen und 2 schwarzen Kugeln entnehmen wir nacheinander drei Kugeln mit Zuriicklegen (Standardbeispiel 3, Abschnitt 2.1). Die diskrete Zufallsvariable X == Anzahl der erhaltenen schwarzen Kugeln bei drei
Ziehungen mit Zuriicklegen besitzt dann die folgende Verteilung (vgl. hierzu auch Beispiel 3 aus Abschnitt 4.3):
o
f(xJ
2
3
27
54
36
8
125
125
125
125
Der Erwartungs- oder M ittelwert ist somit:
Wir interpretieren dieses Ergebnis wie folgt: Wenn wir dieses Zufallsexperiment z. B. 1000-mal wiederholen (dabei werden insgesamt 3000 Kugeln gezogen), so diirfen wir "erwarten", daf sich unter den 3000 gezogenen Kugeln nahezu 1200 schwarze Kugeln befinden. Die Varianz (J2 wollen wir dies mal nicht nach der Definitionsformel (11-104), sondern nach der rechnerisch bequemeren Formel (11-109) bestimmen. Dazu benotigen wir noch den Erwartungswert E (X 2), der sich wie folgt berechnet: 4
E(X
2
)
=
I
i = 1
x?· f(x i ) =
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung
341
Fur die Varianz erhalten wir damit: (52
=
E(X 2 )
_}12
= 2,16 - 1,22 = 0,72
Die Standardabweichung betragt demnach
(5
=
JOj2 =
•
0,85.
5.4 Mittelwert, Varianz und Standardabweichung einer stetigen Zufallsvariablen Bei einer stetigen Zufallsvariablen X werden die drei Kennwerte M ittelwert (52 und Standardabweichung (5 wie folgt in der Integralform definiert:
}1,
Varianz
Anmerkungen
(1)
Alle Anmerkungen aus Abschnitt 5.3 gelten sinngemaf auch fur den Fall einer stetigen Zufallsvariablen. Ein Beispiel fur eine symmetrische Verteilung mit dem Symmetriezentrum X o = }1 (Mittelwert) liefert die Gaufische Normalverteilung, die wir noch ausfiihrlich besprechen werden (siehe hierzu Abschnitt 6.4).
(2)
Auch bei einer stetigen Zufallsvariablen X erfolgt die Berechnung der Varianz meist bequemer nach der Formel
(J
2
(11-113)
II Wahrscheinlichkeitsrechnung
342
•
Beispiele (1)
X sei eine stetige Zufallsvariable mit der linearen Wahrscheinlichkeitsdichtefunktion f(x) == {
°
~ x ~ 10
O,02x
fur
alle iibrigen x
°
Ihr Erwartungs- oder M ittelwert 11 berechnet sich aus der Definitionsformel (11-110) zu: 10
00
f
/1=
x'f(x)dx=
f
10
x '(0,02x)dx
0
-00
=
0,02'
f
x 2dx=
0
== 002 [ -1 x 3 J10 == -20 == 667 ,
3
0
3
'
Die Varianz (J2 wollen wir nach der Formel (11-113) berechnen. Dazu benotigen wir zunachst den Erwartungswert der Zufallsvariablen X 2: 10
00
E(X
2
)
=
f
x
2
•
f(x) dx =
f
10
x
2
,
(0,02x) dx = 0,02'
0
-00
f
x 3 dx =
0
1 J10 = 0,02 [ 4 x" 0 = 50
Damit erhalten wir fur die Varianz den folgenden Wert: 2 (J
400 50 == E (X 2 ) - 11 2 == 50 - (20)2 3 == 50 - 9" == 9 == 5,56
Die Standardabweichung betragt somit (2)
(J
== ~ == 2,36.
Die Lebensdauer T eines bestimmten elektronischen Bauelements kann als eine exponentialverteilte Zufallsgrobe mit der Dichtefunktion
t
O_At
A·e
fur t~O
angesehen werden (A > 0; Bild 11-74 zeigt den Verlauf der Dichtefunktion).
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung
343
f(t)
Bild 11-74 Dichtefunktion der exponentialverteilten Zufallsvariablen "T = Lebensdauer eines elektronischen Bauelements"
Den Erwartungs- oder Mittelwert der Zufallsvariablen T haben wir bereits in Abschnitt 5.1.3 zu 1 A
Jl == E(T) ==-
bestimmt. Jetzt interessieren wir uns fur die Varianz (J2 dieser Exponentialverteilung. Urn diese mit Hilfe der Formel (11-113) berechnen zu konnen, benotigen wir noch den Erwartungswert E(T 2 ) . Fur ihn erhalten wir den folgenden Wert: E(T Z) =
f tZof(t)dt= ftZoAoe-Atdt=AoftZoe-Atdt= -
00
0
0
Die Auswertung des Integrals erfolgte dabei mit der Integraltafel der Formelsammlung (Integral Nr.314). Fur die Varianz (J2 erhalten wir damit unter Verwendung von Formel (11-113):
Die Standardabweichung der exponentialverteilten Zufallsvariablen T be..
.
tragt somit
1
(J
== ;:.
•
344
II Wahrscheinlichkeitsrechnung
5.5 Mittelwert
Varianz einer linearen Funktion
UDd
X sei eine diskrete oder stetige Zufallsvariable mit dem M ittelwert E (X) == flx und der Varianz Var(X) == ai. Dann lassen sich die entsprechenden Kennwerte der von X abhangigen linearen Funktion (Zufallsvariablen)
Z == g(X) == aX
+b
(11-114)
aus diesen MaBzahlen leicht bestimmen (a, b: Konstanten). Fur den Mittelwert flz erhal ten wir: flz == E(Z) == E(aX
+ b) == a' E(X) + b· E(l) == a' flx + b
(11-115)
~
'--v---'
1
flx
Analog bestimmen wir die Varianz von Z mit Hilfe der Formel ai == E [(Z - flZ)2] == E(Z2) - fli
(II-116)
Zunachst aber muss en wir noch den benotigten Erwartungswert E(Z2) berechnen: E(Z2) == E[(aX
+ b)2] == E(a 2X 2 + 2abX + b2) ==
== a 2 . E(X 2) + 2ab . E(X) + b? . E(l) == '--v---'
~
1
flx
== a 2 . E(X 2) + 2ab . flx
+ b?
(II-117)
Diesen Ausdruck setzen wir in Gleichung (II-116) ein, beriicksichtigen dabei noch die Beziehung flz == a . flx + b und erhalten auf diese Weise fur die gesuchte Varianz ai: ai == Var (Z) == E (Z 2) - fli == a 2 . E (X 2) + 2 a b . fl x
+ b2 - (a . u x + b) 2 ==
== a? . E(X 2) + 2ab· flx + b2 - a? . fli - 2ab· flx - b2 == == a? . E(X 2) - a 2 . fli == a 2 [E(X 2) - fli] == a 2 . ai '-v-"
ai
Wir fassen zusammen:
(11-118)
5 Kennwerte oder MaBzahlen einer Wahrscheinlichkeitsverteilung
345
Anmerkungen (1) Die lineare Funktion Z == aX + b kann auch als eine lineare Transformation gedeutet werden, durch die die Zufallsvariable X in die Zufallsvariable Z iibergefuhrt wird. Der M ittelwert /lx wird dabei auf die gleiche Weise transformiert wie X selbst. Die Transformation der Varianz 0"; ist dagegen nur von a, nicht aber vom konstanten Summand b abhangig. Die Standardabweichung 0"x transformiert sich dabei wie folgt: O"z
(2)
==
Niitzliche Rechenregeln ergeben sich aus den folgenden Sonderfdllen:
la",,~/l
E(b) = b,
la","il
E(X
I~~'tll
•
(II-123)
lal· o"x
Var(b) = 0
(11-124)
+ b) = E(X) + b Var(X + b) == Var(X)
(11-125)
E(aX) = a . E(X)
(11-127)
Var(aX) == a? . Var(X)
(11-128)
(11-126)
Beispiele
(1)
Die Zufallsvariable X besitze die beiden Kennwerte /lx == 10 und 0"; == 1. Daraus berechnen sich M ittelwert /lz und Varianz 0"£ der linearen Funktion Z == 2X + 1 wie folgt (a == 2, b == 1):
/lz == a . /lx + b == 2 . 10 + 1 == 21
0"£ == a 2 . 0"; == 2 2 . 1 == 4 Die Standardabweichung betragt somit 0"z == 2.
346
II Wahrscheinlichkeitsrechnung
(2)
X sei eine Zufallsvariable mit dem M ittelwert f.1x = f.1 und der Varianz (J i = (J 2. Durch die lineare Transformation
Z=X-f.1=(~).X_~ (J
(J
(J
wird die Zufallsvariable X in eine Zufallsvariable Z mit dem Mittelwert = 0 und der Varianz (Ji = 1 iibergefiihrt:
f.1z
f.1z
= a . f.1x + b =
(~) . f.1 - ~ = ~ - ~ = 0 (J
(J
(J
(J
Die durchgefiihrte Transformation heiBt Standardisierung oder Standardtransformation, die Zufallsvariable Z ist die zu X gehorige standardisierte Zufallsvariable.
•
6 Spezielle Wahrscheinlichkeitsverteilungen 6.1 Binomialverteilung Bernoulli-Experiment Zufallsexperimente mit nur zwei verschiedenen moglichen Ausgangen (Ergebnissen) fiihren zur Binomialverteilung. Bei einem solchen Experiment tritt ein Ereignis A mit der Wahrscheinlichkeit p und das zu A komplementdre Ereignis :It mit der Wahrscheinlichkeit q = 1 - p ein. Dies gilt auch fiir jede Wiederholung des Experiments, d. h. das Ereignis A tritt bei jeder Durchfuhrung des Experiments mit der gleichen und somit konstanten Wahrscheinlichkeit p ein. Man bezeichnet ein Experiment dieser Art, bei dem nur zwei verschiedene sich gegenseitig ausschliej3ende Ereignisse mit konstanten Wahrscheinlichkeiten eintreten konnen, als ein Bernoulli-Experiment. Wir geben zunachst zwei einfache Beispiele.
•
Beispiele (1)
Beim Miinzwurf (Wurf einer homogenen Miinze) sind nur die beiden sich gegenseitig ausschlieBenden Ereignisse A: "Zahl"
moglich.
und
A: "Wappen"
6 Spezielle Wahrscheinlichkeitsverteilungen
347
Sie treten bei jedem Wurf mit den Wahrscheinlichkeiten 1
p = P(A) = -
2
und
q
-
1
= P(A) = -
2
auf. Es handelt sich also beim Miinzwurf urn ein Bernoulli-Experiment. (2)
In einer Urne befinden sich 5 weiBe und 3 schwarze Kugeln. Bei dcr (zufalligen) Entnahme einer Kugel sind nur die beiden sich gegenseitig ausschlieBenden Ereignisse A: Ziehung einer weifJen Kugel
und A: Ziehung einer schwarzen Kugel
moglich. Sie treten mit den Wahrscheinlichkeiten p
5 8
= P(A) = -
und
q
-
3 8
= P(A) = -
auf. Wird dabei die jeweils gezogene Kugel vor der nachsten Ziehung in die Urne zuriickgelegt, so erfolgen auch aIle weiteren Ziehungen mit diesen konstanten Wahrscheinlichkeiten. Auch in diesem Beispiel handelt es sich somit urn ein Bernoulli-Experiment mit den Wahrscheinlichkeiten p = 5/8 und q = 3/8. •
Wir betrachten jetzt ein sog. Mehrstufen-Experiment, das aus einer n-fachen Ausfiihrung eines Bernoulli-Experiments mit den beiden moglichen (und sich gegenseitig ausschlieBenden) Ereignissen A und it besteht. Dabei setzen wir voraus, daB das Ereignis A in jedem der n Teilexperimente mit der gleichen Wahrscheinlichkeit P (A) = const. = p eintritt und die Ergebnisse der einzelnen Stufen voneinander unabhdngig sind. Diese Voraussetzungen sind z. B. in den beiden weiter oben angefiihrten Beispielen "Munzwurf " und "Ziehung einer Kugel mit Zuriicklegen" bei einer mehrfachen Versuchsausfiihrung stets erfiiIlt. Ein derartiges M ehrstufen-Experiment nennen wir ein BernoulliExperiment vom Umfang n. Dann kann die Zufallsvariable X = Anzahl der Versuche, in denen das Ereignis A bei einer n-fachen Ausfiihrung des Bernoulli-Experiments eintritt
jeden der Werte 0, 1, 2, ... , n annehmen. Wir interessieren uns nun fur die Wahrscheinlichkeit des Ereignisses X = x ("das Ereignis A tritt bei n Versuchsausfuhrungen genau x-mal ein"). Die Verteilung dieser Zufallsvariablen X solI im folgenden anhand eines einfachen Urnenmodells hergeleitet werden.
II Wahrscheinlichkeitsrechnung
348
Herleitung der Binomialverteilung am Urnenmodell In einer Urne befinden sich weifie und schwarze Kugeln. Die Wahrscheinlichkeit, bei einer Ziehung eine weifie Kugel zu erhalten, sei p. Dann ist q = 1 - p die Wahrscheinlichkeit dafiir, bei einer Ziehung eine schwarze Kugel zu erhalten (Bild 11:-75).
1000·.. 0 . .·...
~l/ p
\1/
Bild 11-75
Die Ziehung einer weifien Kugel erfolgt mit der Wahrscheinlichkeit p, die einer schwarzen mit der Wahrscheinlichkeit q = 1 - p
q = 1-p
Das Ereignis A wird dabei durch eine weifJe Kugel, das Komplemenidrereignis A durch eine schwarze Kugel symbolisch dargestellt.Die Ziehung einer weiBen Kugel ist daher gleichbedeutend mit dem Eintreten des Ereignisses A. Nach jeder Ziehung wird die jeweils gezogene Kugel in die Urne zuriickgelegt (Ziehung mit Zuriicklegen). Daher bleiben die Wahrscheinlichkeiten p und q fur jede· Ziehung konstant 21). Wir ziehen nun nacheinander n Kugeln, darunter mogen sich dann genau x weifie und somit n - x schwarze Kugeln befinden. Unser mehrstufiges BernoulliExperiment vom Umfang n fiihre dabei zu der in Bild 11-76 dargestellten Anordnung der gezogenen Kugeln 22).
000···0__ ···_ ~------.r--------")\.~-----,,--------
x-mal
Bild 11-76
(n-x) - mal
Da jede der x weifien Kugeln mit der Wahrscheinlichkeit p und jede der n - x schwarzen Kugeln mit der Wahrscheinlichkeit q gezogen wurde, ist die Wahrscheinlichkeit fur diese spezielle Realisierung der Zufallsvariablen X = Anzahl der gezogenen weifJen Kugeln bei n Ziehungen mit Zuriicklegen
21)
Befinden sich in der Urne insgesamt N Kugeln, darunter M weiBe und somit N - M schwarze M N-M Kuge1n, so ist p = - und q = - - - .
22)
Bei dieser speziellen Realisierung sind wir von der Annahme ausgegangen, daB zundchst x weiBe und anschliefiend n - x schwarze Kuge1n gezogen wurden.
N
N
6 Spezielle Wahrscheinlichkeitsverteilungen
349
nach dem M ultiplikationssatz fur stochastisch unabhdngige Ereignisse (11-62) durch das Produkt
(p . p . p ... p) . (q . q . q ... q) == pX . qn-x '-v-'
'-v-'
x-mal
(n - x)-mal
(11-129)
gegeben. Es sind jedoch noch weitere Realisierungen des Ereignisses X == x moglich, Sie entstehen offensichtlich durch Permutation der insgesamt n gezogenen Kugeln. Diese zerfallcn dabei in zwei Klassen zu je x weif3en und n - x schwarzen Kugeln. Die Anzahl der Permutationen ist dann nach Gleichung (11-5) mit n 1 == x und n 2 == n - x durch den folgenden Ausdruck gegeben:
n'
(n)
P(n·x·n-x)== . == , , x!(n-x)! x
(11-130)
J ede der Permutationen beschreibt dabei eine ganz spezielle Realisierung des Ereignisses X == x und tritt daher mit der Wahrscheinlichkeit r: . qn-x ein. Da alle Realisierungen sich gegenseitig ausschliej3en, addieren sich nach dem Additionsaxiom (11-43) die Wahrscheinlichkeiten fur die einzelnen Realisierungen und wir erhalten 23): P(X = x) =
C)
pX .
c:
(x == 0, 1, 2, ... , n)
(11-131)
Dies aber ist die gesuchte Wahrscheinlichkeitsfunktion f (x) der diskreten Binomialverteilung:
f(x) = P(X = x) =
C) r:: «:"
(x == 0, 1, 2, ... , n)
(11-132)
n und p sind dabei die Parameter der Binomialverteilung, deren Verteilungstabelle das folgende Aussehen hat: x
o
2
n
j'(x)
Bild II-77 zeigt die Wahrscheinlichkeitsfunktion einer Binomialverteilung fur n == 6 und verschiedene Werte der Wahrscheinlichkeit p.
23)
(n)
Es gibt genau Realisierungen des Ereignisses X pX . qn-x ein. x
=
x, jede tritt dabei mit der Wahrscheinlichkeit
II Wahrscheinlichkeitsrechnung
350 f(x)
0,6 0,5
0,4 0,3 0,2 0, 1
Bild11-77
°
a)
2
6
5
4
3
x
Wahrscheinlichkeitsfunktion einer Binomialverteilung fur den Parameter n = 6 und verschiedene Werte der Wahrscheinlichkeit p
f(x)
0,4 0,3
a) p b) p c) p
0,2 0, 1 b)
°
2
3
4
5
6
x
°
2
3
4
5
6
x
= 0,1 = 0,5 = 0,8
f(x)
0,4 0,3 0,2 0, 1
c)
Die Bezeichnung Binomialverteilung erklart sich aus der Eigenschaft, daB die in der Verteilungstabelle angegebenen Wahrscheinlichkeiten der Reihe nach den Summanden inder binomischen Entwicklungvon (q + p)n entsprechen 24): (q
+ p)n =
qn +
G) «:' . + G) «:' . p
p2
+ ... + pn
~
'-v--'
'-v--'
~
f(O)
f(1)
f(2)
f(n)
(II-133)
Die Verteilungsfunktion der Binomialverteilung lautet wie folgt: F(x) = P(X
~ x) =
I (:) pk . qn-k k~x
24)
Vergleiche hierzu den Binomischen Lehrsatz in Band 1, Abschnitt 1.6.
(11-134)
6 Spezielle Wahrscheinlichkeitsverteilungen
351
Bild 11-78 zeigt den Verlauf der Wahrscheinlichkeitsfunktion f (x) und der zugehorigen Verteilungsfunktion F(x) fur die Parameterwerte n = 5 und p = 0,5.
tix)
0,35 0,30 0,25 0,20 0,15 0,10 0,05
a)
2
°
4
3
5
x
F(x)
0, 15 6
I I I I
I I I I I I I I I
I I I I I I I I I I I I
3
4
5
I 0,313
I 0,3131
0, 15 6
1
1
1
Bild 11-78 Wahrscheinlichkeitsfunktion I(x) und zugehorige Verteilungsfunktion F(x) einer Binomialverteilung mit den Parametern n = 5 und p = 0,5 a) Wahrscheinlichkeitsfunktion I(x) b) Verteilungsfunktion F(x)
1
2 b)
x
352
II Wahrscheinlichkeitsrechn ung
Wir fassen die wichtigsten Aussagen wie folgt zusarnrnen:
6 Spezielle Wahrscheinlichkeitsverteilungen
353
Anmerkungen
(1)
Die Binomialverteilung ist durch die beiden Parameter n und p vollstdndig bestimmt und wird daher haufig durch das Symbol B(n, p) gekennzeichnet. Fiir die Wahrscheinlichkeitsfunktion f(x) verwendet man auch die Schreibweise b(x; n, p).
(2)
Die Binomialverteilung findet iiberall dort Anwendung, wo alternative Entscheidungen zu treffen sind wie z.B. beim Miinzwurf t Altemative: "Zahl" oder "Wappen ") oder bei der Qualitiitskontrolle (Alternative: "Einwandfrei" oder "AusschuB"). Voraussetzung dabei ist, daB die Wahrscheinlichkeiten p = P(A) und q = peA) = 1 - p von Experiment zu Experiment konstant bleiben. Dies aber bedeutet, daB bei einem mehrstufigen Bernoulli-Experiment alle Stufen voneinander unabhiingig sind. Jede einzelne Ausfiihrung des Bernoulli-Experiments ist also vollig unabhdngig von den Ergebnissen der vorangegangenen Durchfiihrungen und beeinfluBt auch in keinster Weise nachfolgende Ausfiihrungen.
(3)
Das Eintreten des Ereignisses A wird haufig auch als Erfolg, das Nichteintreten von A (d. h. das Eintreten des komplementdren Ereignisses A) als Mij3erfolg bezeichnet. Der Parameter p wird daher auch als Erfolgswahrscheinlichkeit bezeichnet. Beispiel: Beim Zufallsexperiment "Wurf eines homogenen Wiirfels" interessieren wir uns fiir das Ereignis A: Augenzahl ,,6". Jeder Wurf mit dieser Augenzahl als Ergebnis wird dann als ein Erfolg, jeder zu einem anderen Ergebnis fiihrende Wurf als ein M ij3erfolg gewertet. Die Erfolgswahrscheinlichkeit betragt hier demnach p = 1/6.
(4)
Die Wahrscheinlichkeitsfunktion f (x) der Binomialverteilung ist i. a. unsymmetrisch und besitzt nur im Sonderfall p = 0,5 ein Symmetriezentrum (Bild 11-77, b)). Dieser Fall tritt beispielsweise beim Zufallsexperiment "Wurf einer homogenen Miaize" ein (Ereignisse sind A: "Zahl" und A: "Wappen"; p = q = 0,5; Zufallsvariable X = Anzahl "Zahl_" bei n Wurfen).
(5)
In der Praxis ist die folgende Rekursionsformel oft von groBem Nutzen:
f (x (6)
(n - x) p
+ 1) = (
x
) . f(x)
+1
q
(x = 0, 1, ... , n - 1)
(11-140)
1m Sonderfall n = 1, d. h. bei einer einmaligen Ausfiihrung des Bernoulli-Experiments, kann die Zufallsvariable X nur die Werte 0 und 1 annehmen. Diese Werte beschreiben dabei die beiden moglichen sich aber ausschliefienden Ereignisse A und A wie folgt: X = 0: Das Ereignis A ist eingetreten (d. h. das Ereignis A ist nicht eingetreten) X = 1: Das Ereignis A ist eingetreten Die Verteilung der Zufallsvariablen X wird daher in diesem Sonderfall auch als sog. Null-Eins- Verteilung bezeichnet (Verteilung einer alternativen Grundgesamtheit).
354 •
II Wahrscheinlichkeitsrechnung Beispiele
(1)
In einer Urne befinden sich 5 weiBe und 3 schwarze Kugeln. Wir ziehen dreimal nacheinander eine Kugel mit Zurucklegen. Mit welcher Wahrscheinlichkeit werden dabei genau zwei weiBe Kua) geln gezogen? b) Wie groB ist die Wahrscheinlichkeit dafiir, daB hiichstens zwei weiBe Kugeln gezogen werden?
Liisung : Bei jeder der 3 Ziehungen hat das Ereignis A: Ziehung einer weij3en Kugel die gleiche Erfolgswahrscheinlichkeit p = 5/8. Das komplementdre Ereignis :It ist dann die Ziehung einer schwarzen Kugel. Dies geschieht mit einer Wahrscheinlichkeit von q = 1 - p = 3/8. Die Zufallsvariable
X = Anzahl der gezogenen weifJen Kugeln bei drei Ziehungen mit Zuriicklegen ist somit binomialverteilt mit den Parametern n = 3 und p = 5/8. Die zugehorige Wahrscheinlichkeitsfunktion lautet daher:
(5)X ·8 (3)3 (3)·8
f(x)=P(X=x)= x a)
(x
= 0, 1, 2, 3)
Fur x = 2 erhalten wir hieraus die gesuchte Wahrscheinlichkeit P(X = 2):
P(X = 2) = f(2) =
b)
x
G)- GY· GY
=
~:~ = 0,439 ~ 0,44
Mit einer Wahrscheinlichkeit von rund 44 % befinden sich unter den drei gezogenen Kugeln genau zwei weiBe. Mit anderen Worten: Wird dieses 3-stufige Bernoulli-Experiment 100-mal durchgefiihrt, so konnen wir in ungefdhr 44 Fallen " erwarten " , daB sich unter den drei gezogenen Kugeln genau zwei weiBe Kugeln befinden. Wir berechnen zunachst die Wahrscheinlichkeit fur das Ereignis X = 3 ("Ziehung von 3 weifien Kugeln") und daraus nach der Formel
P(X
~
2) = 1 - P(X = 3)
die gesuchte Wahrscheinlichkeit P(X ist
P(X=3)=f(3)= ( 3) 3
~
2) fur das Ereignis X
~
2. Es
(5)3 ·8 (3)0 =512 125 ·8
und somit
P(X
~
"'
125 387 2) = 1 - P(X = 3) = 1 - = = 0756 = 75 6 % 512 512' ,
6 Spezielle Wahrscheinlichkeitsverteilungen
355
In rund dreiviertel aller Falle erwarten wir somit, daB sich unter den 3 gezogenen Kugeln hiichstens 2 weiBe befinden. (2)
In einer Fabrik werden serienmaliig Schrauben mit einem Ausschuj3anteil von 2 % hergestellt, d. h. unter 100 hergestellten Schrauben befinden sich im Mittel genau 2 unbrauchbare. Mit welchen Wahrscheinlichkeiten finden wir in einer Zufallsstichprobe von 5 Schrauben genau 0, 1, 2, 3, 4 bzw. 5 unbrauchbare? Liisung:
Auch hier handelt es sich urn ein Bernoulli-Experiment. Die Alternative lautet dabei: Brauchbare oder unbrauchbare Schraube (Ausschuj3). Die Wahrscheinlichkeit, beim Ziehen einer Schraube eine unbrauchbare zu erhalten, ist dabei p = 0,02 2 5 ) . Die Zufallsvariable X
= Anzahl der unbrauchbaren Schrauben unter den 5 entnommenen Schrauben
ist dann binomialverteilt mit den Parametern n = 5 und p = 0,02. Ihre Wahrscheinlichkeitsfunktion lautet daher (q = 1 - p = 0,98): f(x) = P(X = x) =
C).
O,02x. O,98 5 - x
(x = 0,1, ... , 5)
Die zugehorige Verteilungstabelle liefert danndie gesuchten Wahrscheinlichkeiten. Sie hat das folgende Aussehen: x
°
1
2
3
P(X
= x)
0,9039
0,0922
0,0038
0,00007
P(X
= x)
90,4
9,2
0,4
°
(in 0/0) Bild 11-79 verdeutlicht diese Verteilung diagramm (Stabdiagramm).
in einem
4
5
° ° ° °
Wahrscheinlichkeits-
So betragt beispielsweise die Wahrscheinlichkeit dafiir, daB die entnommene Stichprobe genau eine unbrauchbare Schraube enthalt: P(X
= 1) = f (1) = 0,0922
~
9,20/0
Stichproben mit mehr als 2 unbrauchbaren Schrauben treten dagegen praktisch kaum auf.
25)
Dies gilt nur bei einer Ziehung mit Zuriicklegen. In der Praxis jedoch ist dies aus verschiedenen Grunden nicht iiblich. Bei groBen Stiickzahlen spielt es jedoch keine Rolle, ob die Ziehung mit oder ohne Zunicklegen erfolgt. Im nachsten Abschnitt 6.2 werden wir die sog. hypergeometrische Verteilung kennenlernen und kommen dabei nochmals auf das angeschnittene Problem zuriick.
II Wahrscheinlichkeitsrechnung
356 f(x)
0,9
0,5
Bild 11-79 0,1
(3)
2
°
3
4
5
x
Ein homogener Wiirfel wird 100-mal geworfen. Wie oft diirfen wir dabei eine gerade Augenzahl erwarten? Losung :
In diesem Beispiellautet die Alternative: Gerade oder ungerade Augenzahl. Das Ereignis A: Gerade Augenzahl
hat die Erfolgswahrscheinlichkeit p == 1/2. Denn es tritt genau dann ein, wenn die erzielte Augenzahl eine ; 2" oder eine ,,4" oder eine ,,6" ergibt, d. h. in 3 von 6 moglichen Fallen. Die Zufallsvariable X == Anzahl der Wurfe mit einer geraden Augenzahl bei insgesamt 100 Wiafen
ist daher binomialverteilt mit den Parametern n == 100 und p == 1/2. Ihr Erwartungs- oder M ittelwert betragt dann: J1
1
== n p == 100 . - == 50 2
Wir erwarten daher, daB wir bei 100 Wiirfen nahezu 50-mal eine gerade Augenzahl beobachten. Die Varianz ist (J2
= npq = np(1 - p) =
~
100 . (1
-D
=
25
J25
== 5 ist dann einMaB fur die Die zugehorige Standardabweichung (J == Streuung der Zufallsvariablen X urn ihren Mittelwert J1 == 50.
•
6 Spezielle Wahrscheinlichkeitsverteilungen
357
6.2 Hypergeometrische Verteilung In den Anwendungen wird haufig eine spezielle Wahrscheinlichkeitsverteilung benotigt, die unter der Bezeichnung hypergeometrische Verteilung bekannt ist. Sie spielt z. B. bei den Qualitdts- und Endkontrollen eines Herstellers oder den Abnahmekontrollen eines Kunden eine groBe Rolle. Bei der Herleitung dieser diskreten Verteilung greifen wir wiederum auf das anschauliche Urnenmodell zuriick, das uns bereits bei der Binomialverteilung so niitzlich war. Herleitung der hypergeometrischen Verteilung am Urnenmodell In einer Urne befinden sich N Kugeln, darunter M weifJe und N - M schwarze Kugeln. Nacheinander entnehmen wir ganz zufallig n Kugeln und interessieren uns dabei fur die Wahrscheinlichkeit, daB sich unter diesen Kugeln genau x weifJe Kugeln befinden (Bild 11-80):
o
.00.·...0. \11
0_0···0_
_
Anzahl:M Anzahl: N-M
Entnahme einer Stichprobe vom Umfang n
Bild 11-80
Zur Herleitung der hypergeometrischen Verteilung anhand des U rnenmodells
n Kugeln,darunter x weiBe Kugeln
Die Losung unserer Aufgabe hangt dabei noch ganz wesentlich davon ab, ob die Ziehung der Kugeln mit oder ohne Zurucklegen erfolgt. Bei einer Ziehung mit Zuriicklegen ist die Zufallsvariable X
== Anzahl der weifien Kugeln unter den n gezogenen Kugeln
== MIN (vgl. hierzu den vorangegangenen Abschnitt 6.1). Wird dagegen ohne Zuriicklegen gezogen (wie in der Praxis allgemein iiblich), so geniigt die Zufallsvariable X nicht der Binomialverteilung, sondern der sog. hypergeometrischen Verteilung, die wir gleich noch kennenlernen werden. Zunachst jedoch geben wir noch einige Beispiele fur Stichproben, die auf einer Ziehung ohne Zurucklegen beruhen: binomialverteilt mit den Parametern n und p
Qualiuitskontrollen eines Herstellers bei laufender Produktion: In regelmdfiigen Zcitabstanden wird dabei kontrolliert, ob Z. B. ein bestimmter Sollwert auch tatsachlich eingehalten wird;
II Wahrscheinlichkeitsrechnung
358
Endkontrollen eines Herstellers: Sie sol1en die Auslieferung einwandfreier Ware im vereinbarten Rahmen (z.B. maximal 2 % AusschuBware) gewahrleisten; Abnahmekontrollen eines Kunden: Uberprufung der angelieferten Ware, ob die Vereinbarungen z. B. beziiglich eines maximalen Anteils an AusschuBware auch tatsachlich eingehalten wurden. Bei der Herleitung der hypergeometrischen Verteilung anhand des Urnenmodells gehen wir nun schrittweise wie folgt vor: (1)
Wir entnehmen der Urne nacheinander n Kugeln ohne Zuriicklegen (Bild 11-80). Dies ist auf genau m = ( : ) verschiedene Arten moglich, Denn es handelt sich dabei urn Kombinationen n-ter Ordnung von N Elementen (Kugeln) ohne Wiederholung (siehe hierzu Abschnitt 1.3).
(2)
Unter den n gezogenen Kugeln sol1en sich genau x weifie Kugeln befinden. Diese miissen daher aus den insgesamt M weifJen Kugeln der Urne stammen. Bild 11-81 solI diese Aussage verdeutlichen.
M-mal
(N-M) - mal
\1/ \1/ 0···0
ee···e
x-mal
(n-x) - mal
Bild 11-81 Entnahme von n Kugeln, darunter befinden sich x weiBeund n - x schwarze Kugeln
Bekanntlich konnen wir aber aus M Elementen (weifJen Kugeln) x Elemente
(weijJe Kugeln) auf genau
o, = (~)
verschiedene Arten auswahlen (wiederum
handelt es sich urn Kombinationen ohne Wiederholung). (3)
Unter den n gezogenen Kugeln befinden sich genau n - x schwarze Kugeln. Sie entstammen den N - M schwarzen Kugeln der Urne und konnen auf
gz =
(~ :=~)
verschiedene Arten gezogen werden (Kombinationen (n - x l-ter
Ordnung ohne Wiederholung; vgl. hierzu Bild 11-81).
6 Spezielle Wahrscheinlichkeitsverteilungen (4)
359
Somit gibt es genau (11-141) verschiedene Moglichkeiten, der Urne n Kugeln so zu entnehmen, daB sich darunter genau x weifJe und daher n - x schwarze Kugeln befinden. Setzen wir diese Anzahl der fur das Ereignis X = x giinstigen Falle ins Verhaltnis zur Anzahl m=
(~) der insgesamt moglichen Fiille, so erhalten wir die folgende Wahrschein-
lichkeitsfunktion der sog. hypergeometrischen Verteilung:
g
(~}(~=:)
f(x) = P(X = x) = - = - - - - -
m (x
= 0, 1,2, ... , n).
Wir fassen zusammen und erganzen:
(~)
(11-142)
360
II Wahrscheinlichkeitsrechnung
Anmerkungen
(1)
Die Urne reprasentiert eine Grundgesamtheit mit N Elementen, die entweder die . Eigenschaft A oder A besitzen:
0: Trager der Eigenschaft A
e:
Trager der Eigenschaft
A
Die Parameter N, M und n der hypergeometrischen Verteilung haben dann die folgende Bedeutung:
(2)
N:
Anzahl der Elemente in der Grundgesamtheit
M:
Anzahl der Elemente in der Grundgesamtheit mit der Eigenschaft A
n:
Anzahl der entnommenen Elemente (Umfang der Stichprobe)
x:
Anzahl der Elemente in der Stichprobe mit der Eigenschaft A
Die Wahrscheinlichkeitsfunktion f (x) der hypergeometrischen Verteilung ist unsymmetrisch. Bild II -82 zeigt den Verlauf dieser Funktion fur die Parameter N == 50, M == 10 und n == 5. f(x) 0,5 0,4
0,3
Bild 11-82 Wahrscheinlichkeitsfunktion f (x) einer hypergeometrischen Verteilung mit den Parametern N = 50, M = 10 und n = 5
0,2
0, 1
o
2
3
4
5
x
6 Spezielle Wahrscheinlichkeitsverteilungen
361
(3)
Die hypergeometrische Verteilung ist durch die drei Parameter N, M und n vollstdndig bestimmt und wird daher haufig durch das Symbol H (N, M, n) gekennzeichnet. Fur die Wahrscheinlichkeitsfunktion f (x) ist auch die Schreibweise h(x; N, M, n) iiblich.
(4)
In der Praxis ist die folgende Rekursionsformel oft sehr niitzlich:
f(x (x (5)
==
+ 1) =
(x
(n - x) (M - x) _ M - n+x
+ 1) (N
(11-148)
0, 1, ... , n - 1).
Merke: Grundsatzlich gilt:
Ziehung mit Zuriicklegen Ziehung ohne Zunicklegen (6)
+ 1) . f(x)
~ ~
Binomialverteilung hypergeometrische Verteilung
Bei einer Ziehung mit Zuriicklegen wird eine weifte Kugel bei jeder Ziehung mit der konstanten Wahrscheinlichkeit p == MIN gezogen. Erfolgt die Ziehung jedoch ohne Zunicklegen, so verdndert sich die Wahrscheinlichkeit p von Ziehung zu Ziehung. Es gilt dann z. B. fur die M
1. Ziehung: p == -
N
M-1
2. Ziehung: p = = - N -1
oder
M P==N-l
je nachdem, ob bei der 1. Ziehung eine weij3e oder eine schwarze Kugel gezogen wurde. u.s.w. Fur grofies N jedoch, d. h. fur N ~ n sind diese Anderungen so gering, daB sie keine nennenswerte Rolle spielen. Die hypergeometrische Verteilung laBt sich dann ndherungsweise durch die rechnerisch bequemere Binomialverteilung mit den Parametern n und p == MIN ersetzen: hex; N, M, n)
~
hex; n, p)
mit
p
M
==-
N
(11-149)
In diesem Fall spielt es somit keine groBe Rolle mehr, ob die entnommene Stichprobe vom Umfang n durch Ziehung mit oder ohne Zuriicklegen zustande kame Faustregel: Die hypergeometrische Verteilung kann ndherungsweise durch die rechnerisch bequemere Binomialverteilung ersetzt werden, wenn die Bedingung n < 0,05 N erfullt ist.
(7)
Fur N ~ 00 und konstantes p == MIN strebt die hypergeometrische Verteilung gegen eine Binomialverteilung mit den Parametern n und p.
362
•
II Wahrscheinlichkeitsrechnung
Beispiel Eine Lieferung enthalt N == 100 Transistoren, die aus einer Massenproduktion mit 5 % AusschuB stammen. Bei der Anlieferung der Ware wird vom Kunden eine Abnahmekontrolle in Form einer Stichprobe vom Umfang n == 4 ohne Zuriicklegen durchgefiihrt. Die entnommenen Transistoren werden dabei auf ihre Funktionstiichtigkeit iiberpriift. Mit welcher Wahrscheinlichkeit enthalt die durchgefiihrte Stichprobe nur einwandfreie Ware? Liisung: Die Zufallsvariable X == Anzahl der in der Stichprobe vom Umfang n == 4 angetroffenen defekten Transistoren ist hypergeometrisch verteilt. Mit N == 100, M == 5 (5% AusschuB) und n == 4 lautet die Wahrscheinlichkeitsfunktion dieser Verteilung wie folgt:
(x == 0, 1, 2, 3, 4). Fiir x ==
°
folgt daraus:
C) .e:)
P(X==O)==f(O)==· C~o)
95 . 94 . 93 . 92 ==
==08119~8120/0
100 . 99 . 98 · 9 7 '
,
Zu einem ahnlichen Ergebnis kommen wir, wenn wir die hypergeometrische Verteilung niiherungsweisedurch die Binomialverteilung mit n == 4 und p == M/N == 0,05 ersetzen. Diese Naherung ist erlaubt, da die Faustregel n < 0,05N hier erfidlt ist (n == 4, 0,05N == 0,05 . 100 == 5 und somit 4 < 5). Die Wahrscheinlichkeitsfunktion der Binomialverteilung lautet dann: f(x) = P(X = x) =
GJ-
O,05 x . 0,95 4 -
x
(x == 0, 1, 2, 3, 4)
Aus ihr erhalten wir fiir die gesuchte Wahrscheinlichkeit P (X == 0) den N dherungswert 4 0 P(X == 0) == f(O) == (4) . 005 == 08145 " ""81 5 0/0 . 095 0 '" ", . o
in guter Ubcreinstimmung mit dem exakten Wert von 81,20/0.
•
6 Spezielle Wahrscheinlichkeitsverteilungen
363
6.3 Poisson-Verteilung In Naturwissenschaft und Technik staBt man manchmal im Zusammenhang mit Bernoulli-Experimenten auf Ereignisse, die mit nur geringen Wahrscheinlichkeiten und. daher sehr selten auftreten. Ein M usterbeispiel fur ein solches seltenes Ereignis liefert der radioaktive Zerfall eines chemischen Elementes, bei dem die einzelnen Atomkerne mit einer kleinen Wahrscheinlichkeit zerfallen, d. h. die Anzahl der pro Sekunde zerfallenden Atomkerne ist dufierst gering im Vergleich zur Anzahl der insgesamt vorhandenen Kerne. Ereignisse dieser Art, die also relativ selten, d. h. mit kleiner Wahrscheinlichkeit p auftreten, geniigen der diskreten Poisson-Verteilung mit der Wahrscheinlichkeitsfunktion flX
f(x)
==
P(X
==
x) == - ' e- Jl
(x == 0, 1, 2, ... )
x!
(11-150)
Der in der Verteilung auftretende positive Parameter u ist zugleich der Erwartungsoder Mittelwert der Verteilung: E(X) == fl. Die Varianz ist Var(X) == (J2 == u, d.h. bei einer Poisson-verteilten Zufallsvariablen X stimmen Mittelwert fl und Varianz (J2 stets uberein. Die Verteilungsfunktion der Poisson-Verteilung lautet:
(11-151)
Bild 11-83 zeigt den Verlauf der Wahrscheinlichkeitsfunktion f (x) fiir den Parameterwert fl == 1.
f(x)
0,4 0,3
Bild 11-83
0,2
Wahrscheinlichkeitsfunktion f (x) einer Poisson-Verteilung mit dem Parameter f.1 = 1
0, 1
°
2
3
4
x
II Wahrscheinlichkeitsrechnung
364
Anmerkungen (1) Die Wahrscheinlichkeitsfunktion f (x) ist unsymmetrisch (Bild 11-83). Fur grofJe Mittelwerte J1 jedoch wird f (x) nahezu symmetrisch, das Symmetriezentrum liegt dann in der Nahe des Mittelwertes: X o ~ J1 (Bild 11-84). f(x) 0,15
0,10
0,05
5
10
15
20
x
Bild 11-84 Fur grojJe Werte des Parameters {l verlauft die Wahrscheinlichkeitsfunktion f(x) der Poisson-Verteilung nahezu symmetrisch zum Mittelwert f.1 (gezeichnet ist die Verteilung fur f.1 = 10)
6 Spezielle Wahrscheinlichkeitsverteilungen
365
(2)
Die Poisson-Verteilung ist durch den Parameter /l vollstdndig bestimmt und wird daher haufig durch das Symbol Ps (/l) gekennzeichnet.
(3)
In der Praxis ist die folgende Rekursionsformel oft von groBem Nutzen: /l
(x = 0, 1, 2, ... )
f(x+1)=--·f(x) x+1 (4)
(11-157)
Die Poisson-Verteilung HiBt sich aus der Binomialverteilung fur den Grenziibergang n ~ 00 und p ~ 0 herleiten, wobei vorausgesetzt wird, daB dabei der Mittelwert u = n p konstant bleibt. Wir folgern daraus: Die Binomialverteilung mit den Parametern n und p darf fur grojJes n und kleines p in guter Naherung durch die rechnerisch bequemere Poisson- Verteilung mit dem Parameter (Mittelwert) /l = n p ersetzt werden. Dabei gilt die folgende F austregel: Faustregel: Die Binomialverteilung darf ndherungsweise durch die Poisson- Verteilung ersetzt werden, wenn die beiden Bedingungen np
< 10
und
n > 1500 p
(II-158)
erfiillt sind. •
Beispiele
(1)
Beim radioaktiven Zerfall ist die Zufallsvariable X
= Anzahl der Atomkerne, die in einer Sekunde zerfallen
Poisson-verteilt mit dem Parameter u. Dieser gibtdabei an, wieviel Atomkerne durchschnittlich pro Sekunde zerfallen. Bei einem speziellen Praparat zerfallen im Mittel pro Minute 120 Atomkerne. Wie groB ist die Wahrscheinlichkeit dafiir, mit einein Zahlgerat mehr als zwei Zerfalle pro Sekunde zu registrieren? Losung:
1m Mittel zerfallen pro Sekunde 2 Atomkerne auf natiirliche Art und Weise. Somit ist /l = 2 und die Wahrscheinlichkeitsfunlaion der Poisson-verteilten Zufallsvariablen X lautet daher:
2X f(x) = P(X = x) = - ' e- 2
x!
(x = 0, 1,2, ... )
Das uns interessierende Ereignis X > 2 besitzt dann die folgende Wahrscheinlichkeit:
P(X> 2) = 1 - P(X = 0) - P(X = 1) - P(X = 2) =
= 1 - (1 + 2 + 2) . e- 2 = 1 - 5 . e- 2 = 0,323
366
II Wahrscheinlichkeitsrechnung
Physikalische Deutung: Bei 100 Messungen diirfen wir daher in ungefdhr 32 Fallen erwarten, daB unser Zahlgerat wahrend einer MeBzeit von 1 Sekunde mehr als 2 radioaktive Zerfalle .registricrt. (2)
Die Serienproduktion von Gluhbirnen erfolge mit einem Ausschufianteil von 1 % , d. h. im Mittel befindet sich unter 100 Gliihbirnen eine unbrauchbare (defekte). Aus der laufenden Produktion wird eine Stichprobe vom Umfang n = 100 entnommen. Mit welcher Wahrscheinlichkeit enthalt diese Stichprobe drei oder mehr defekte Gliihbirnen ? Losung:
Die Zufallsvariable
x=
Anzahl der defekten Gliihbirnen in der entnommenen Stichprobe vom Umfang n = 100
ist binomialverteilt mit den Parametern n = 100 und p = 0,01. Wegen der kleinen Wahrscheinlichkeit und der umfangreichen Stichprobe geniigt die Zufallsvariable X ndherungsweise einer Poisson-Verteilung mit dem Parameter (Mittelwert) J1 = np = 100 . 0,01 = 1
und der diskreten Wahrscheinlichkeitsfunktion lX e- 1 . f(x) = P(X = x) = - ' e- 1 = x! x!
(x = 0, 1, 2, ... )
Denn die Bedingungen der Faustregel (11-158) sind erfiillt: np = 100 . 0,01 = 1 < 10 n = 100> 1500 p = 1500 . 0,01 = 15 Wir konnen dabei den Rechenaufwand noch erheblich reduzieren, in dem wir zunachst die Wahrscheinlichkeit fur das Ereignis A: In einer Stichprobe vom Umfang n = 100 befinden sich hiichstens 2 defekte Gluhbirnen ermitteln. Es gilt dann: P(A) = P(X = 0) + P(X = 1) + P(X = 2) = f(O) + f(l) + f(2) = e -1 e -1 e -1 -1 ( 1) =-+-+-=e 1 + 1 +- ·=09197 O! 1! 2! 2' Damit besitzt das zu A· komplementdre Ereignis A: In einer Stichprobe vom Umfang n = 100 befinden sich mindestens 3 defekte Gliihbirnen die Wahrscheinlichkeit P(A) = 1 - P(A) = 1 - 0,9197 = 0,0803 ~ 8 %
•
6 Spezielle Wahrscheinlichkeitsverteilungen
367
6.4 Gau8sche Normalverteilung 6.4.1 Allgemeine Normalverteilung Zahlreiche Zufallsvariable in Naturwissenschaft und Technik wie z. B. physikalischtechnische Meligroben geniigen einer stetigen Verteilung mit der Dichtefunktion 1
f(x) =
. e -2
1
(x - fl)2 (11-159)
(-oo<x
-(5-
~·a
Bild 11-85 zeigt den typischen Verlauf dieser Funktion. Eine Verteilung mit dieser Dichtefunktion heiBt GaujJsche N ormalverteilung oder kurz N ormalverteilung. Sie spielt in den Anwendungen eine iiberragende und zentrale Rolle.
f(x)
f(x)=~
I I
1
_1_.
e-2
~(j
(X-P 2 (1)
---T--I I
I I
I I x
Bild 11-85 Dichtefunktion I(x) der GauBschen Normalverteilung ("GauBsche Glockenkurve")
Die in der Dichtefunktion (11-159) auftretenden Parameter J.l und a > 0 sind zugleich spezielle Kennwerte dieser allgemeinen N ormalverteilung: J.l ist der M ittel- oder Erwartungswert, a die Standardabweichung und a 2 die Varianz der normalverteilten stetigen Zufallsvariablen X. Die Verteilungsfunktion der allgemeinen Normalverteilung besitzt dabei die folgende Integraldarstellung:
F(x)=P(-oo<X~x)=
1
~
y2n· a
1
x
.
I
-00
e
2
(t - fl)2 (J
dt
(11-160)
II Wahrscheinlichkeitsrechnung
368 Ihr Verlauf ist in Bild II -86 wiedergegeben. F(x)
Bild 11-86 Verteilungsfunktion F(x) der GauBschen Normalverteilung
x
Wir fassen zusammen:
6 Spezielle .Wahrscheinlichkeitsverteilungen
369
Anmerkungen (1) Die Dichtefunktion f (x) besitzt die folgenden Eigenschaften (Bild 11-87): a) f (x) ist spiegelsymmetrisch beziiglich der Geraden x == }1. b) Das (einzige) Maximum liegt bei Xl == J.1 und ist zugleich S ymmetriezentrum, die beiden Wendepunkte liegen symmetrisch zum Maximum an den Stellen X 2/ 3
c)
==
J.1
± 0".
f (x) ist normiert, d. h. die Flache unter der Dichtefunktion hat den Wert Eins (grau unterlegte Flache in Bild II -87):
f
f
1
00
f(x) dx =
1
.
~.O"
e -"2
(x -11)2 -(J-
dx == 1
(11-166)
-00
-00
f(x)
I Symmetrieachse
P-(j
Bild 11-87 Eigenschaften der GauBschen N ormalverteilung
x
p+(j
P
(2)
Die Gestalt der Dichtefunktion f (x) erinnert an eine Glocke. Man spricht daher auch haufig von der GaujJschen Glockenkurve.
(3)
Wahrend der Parameter J.1 die Lage des Maximums festlegt, bestimmt der zweite Parameter (J Breite und Hohe der Glockenkurve. Dabei gilt: Je kleiner die Standardabweichung (J ist, umso hoher liegt das Maximum und umso steiler fallt die Dichtekurve nach beiden Seiten hin abo In Bild II -88 wird diese Aussage fur den speziellen Wert J.1 == 0 und verschiedene Werte von (J verdeutlicht. f(x) 0,8 /......
/.. /
-2
-1
0,4
a=O 5
\~
,
Bild 11-88 Die Standardabweichung (J bestimmt "Hohe" (Maximum) und "Breite" der N ormalverteilungsdichtefunktion f (x) (gezeichnet sind die Kurven fur die Parameterwerte (J = 0,5 und (J = 1)
....\
2
x
370 (4)
II Wahrscheinlichkeitsrechnung Die GauBsche Normalverteilung mit den Parametern /1 (Mittelwert) und (J (Standardabweichung) wird haufig auch durch das Symbol N (/1; (J) gekennzeichnet.
6.4.2 Standardnormalverteilung Die im vorangegangenen Abschnitt behandelte allgemeine GauBsche Normalverteilung mit den Parametern /1 und (J laBt sich stets auf die sog. Standardnormalverteilung mit den speziellen Parameterwerten /1 = 0 und (J = 1 zuruckfuhren, Dies entspricht einem Ubergang von der normalverteilten Zufallsvariablen X zur sog. standardnormalverteilten Zufallsvariablen U mit Hilfe der linearen Transformation (Substitution) U=X-/1
(11-167)
(J
Die Standardnormalverteilung besitzt dabei die folgenden wesentlichen Eigenschaften:
qJ(U) 0,4
,
I
_/~ ,
-2
~
I I
e:
",.,.
Bild 11-89 Dichtefunktio n tp (u) der Standard normalverteilung
~
....
I I
Ftticbe
"
........ .
-1
1
" """"I
-
2
U
371
6 Spezielle Wahrscheinlichkeitsverteilungen
Anmerkungen (1) Die wichtigsten Eigenschaften der Dichtefunktion lung sind (Bild II -89): a) b) c)
tp (u)
der Standardnormalvertei-
cp(u) ist achsensymmetrisch, d.h. eine gerade Funktion: cp( - u) = cp(u). Das Maximum liegt bei u 1 = und ist zugleich Symmetriezentrum, die beiden Wendepunkte befinden sich an den Stellen U 2/ 3 = ± 1. cp(u) ist normiert, die in Bild 11-89 grau unterlegte Flache besitzt somit den Flacheninhalt Eins:
°
f
-00
cp(u)du=_1 .
J2;c
f
(11-171)
-00
(2)
Die Standardnormalverteilung wird haufig auch durch das spezielle Symbol N (0; 1) gekennzeichnet (f.1 = 0, (J = 1).
(3)
Eine ausfiihrliche Tabelle der Verteilungsfunktion ¢ (u) der Standardnormalverteilung befindet sich im Anhang (Tabelle 1).
(4)
Die Verteilungsfunktion ¢(u) wird haufig auch als Gaufisches Fehlerintegral bezeichnet.
II Wahrscheinlichkeitsrechnung
372
6.4.3 Erlauterungen zur tabellierten Verteilungsfunktion der Standardnormalverteilung Die Berechnung von Wahrscheinlichkeiten bei einer normalverteilten Zufallsvariablen X erfolgt in der Anwendung stets mit Hilfe der in der Integralform dargestellten Verteilungsfunktion
(11-172) -00
der Standardnormalverteilung. Dieses uneigentliche Integral ist jedoch nicht elementar losbar. Die Werte dieser Funktion miissen daher mit speziellen Naherungsmethoden wie z. B. der numerischen Integration berechnet werden 26) • 1m Anhang dieses Bandes befindet sich eine ausfiihrliche Tabelle mit den auf das Intervall u ~ beschrankten Funktionswerten der Verteilungsfunktion ¢(u) (Tabelle 1). Aus dieser Tabelle lassen sich dann die benotigten Funktionswerte von ¢ (u) wie folgt ablesen:
°
(1)
°
Fur u ~ wird die Verteilungsfunktion ¢(u) durch die in Bild 11-91 grau unterlegte Flache dargestellt. Der Funktionswert ¢ (u) kann dabei direkt aus der Tabelle 1 im Anhang entnommen werden. Es gilt dabei stets ¢(u) ~ 0,5 (siehe nachfolgende Zahlenbeispiele).
qJ(t)
Bild 11-91 Die tabellierte Verteilungsfunktion ¢(u) wird durch die grau unterlegte Flache reprasentiert (u ~ 0) u
Zahlenbeispiele
¢ (1,58) == 0,9429 ¢ (2,315) == 0,9897 (2)
26)
(durch Interpolation)
Fur negative Argumente (wir setzen dafur - u mit u > 0) wird der Funktionswert ¢ (- u) durch die in Bild II -92 grau unterlegte Flache reprasentiert. Dabei gilt in diesem Bereich stets ¢ (- u) < 0,5 (siehe nachfolgende Zahlenbeispiele).
Vgl. hierzu die in Band 1 ausfuhrlich behandelten Integrationsmethoden (Abschnitt V.8A).
6 Spezielle Wahrscheinlichkeitsverteilungen
373
tp (t)
Bild 11-92 Zur Berechnung des Funktionswertes ¢ (- u) mit Hilfe von Tabelle 1 im Anhang, Teil A
-u Die Berechnung des Funktionswertes cjJ( - u) erfolgt dabei nach der Formel cjJ ( - u) = 1 - cjJ (u)
(u > 0)
(11-173)
wiederum unter Verwendung von Tabelle 1. Diese wichtige Beziehung HiBt sich unmittelbar aus Bild 11-93 entnehmen, wenn man die Achsensymmetrie und die Normierung der Dichtefunktion cp(t) beachtet (es gilt stets cjJ(u) + cjJ( - u) = 1).
qJ(t)
-u
u qJ(t)
u Bild 11-93 Zur Herleitung der Beziehung ¢ ( - u) = 1 - ¢ (u) fur u > 0
Zahlenbeispiele cjJ( - 1,25) = 1 - cjJ(1,25) = 1 - 0,8944 = 0,1056 cjJ ( - 2,423) = 1 - cjJ (2,423) = 1 - 0,9923 = 0,0077
(durch Interpolation)
374
II Wahrscheinlichkeitsrechnung
Wir fassen wie folgt zusammen:
•
Beispiele (1)
(2)
(durch Interpolation)
• 6.4.4 Berechnung von Wahrscheinlichkeiten mit Hilfe der tabellierten Verteilungsfunktion der Standardnormalverteilung Wir beschaftigen uns in diesem Abschnitt mit der Berechnung von Wahrscheinlichkeiten bei einer normalverteilten Zufallsvariablen X unter ausschlieBlicher Verwendung der tabellierten Verteilungsfunktion
==
F(x)
==
J2;c .
1
x
1
. (J
I
e
2
(t - fl)2 (J
dt
-00
und wird durch die in Bild II -94 grau unterlegte Flache dargestellt.
(11-175)
6 Spezielle Wahrscheinlichkeitsverteilungen
375
t(t) P(X s x)
BUd 11-94 Die grau unterlegte Flache entspricht der Wahrscheinlichkeit P(X ~ x)
x
Wir fiihren nun die folgende I ntegralsubstitution durch 27): t - 11
du
1
(J
dt
(J
u=-- ,
,
(11-176)
Dabei transformieren sich die I ntegralgrenzen wie folgt: Untere Grenze: t
=-
Obere Grenze:
=x
t
00
=-
~
u
~
u=--
00
x-Il (J
Dann aber gilt:
F(x) =
1
~.(J
x
.
1
J
e 2
(t - /1)2 (J
dt =
-00
1
(11-177) -00
27)
-00
Sie entspricht dem Ubergang von der normalverteilten Zufallsvariablen X zur zugehorigen standardnormalverteilten Zufallsvariablen
X - J1
u=-(J
(sag. Transformation in Standardeinheiten).
II Wahrscheinlichkeitsrechnung
376
Das letzte Integral der rechten Seite ist aber genau der Wert, den die Verteilungsfunktion ¢ (u) der Standardnormalverteilung an der Stelle u = (x - fl)/(J annimmt. Daher besteht zwischen den Verteilungsfunktionen F(x) und ¢(u) ganz allgemein der folgende fur die Praxis wichtige Zusammenhang: X - fl) F(x) = ¢ ( -(J-
(11-178)
Fur die Wahrscheinlichkeit P(X P(X·~
x)
~
x) erhalten wir damit die Formel
X - fl) = F(x) = ¢ ( -(J= ¢(u)
(11-179)
~
u
die wir auch in der Form P(X
~
x)
= P(U
~
u) = ¢(u)
(11-180)
darstellen konnen (u = (x - fl)/(J). Dies aber bedeutet: Beim Ubergang von der normalverteilten Zufallsvariablen X zur zugehorigen standardnormalverteilten Zufallsvariablen U geht die Verteilungsfunktion F (x) in die Verteilungsfunktion ¢ (u) mit u = (x - fl)/(J iiber : X-J.1
u=--
F(x)
(J
--~)
¢(u)
(11-181)
Diese lineare Transformation HiBt sich in sehr anschaulicher Weise auch wie folgt bildlich verdeutlichen (Bild 11-95).
f(t)
({J (t)
P(X
s x) =F(x)
P(U ~ u) =
x ----
x
U
u
Bild 11-95
Zur Berechnung der Wahrscheinlichkeit P(X ~ x) mit Hilfe der tabellierten Verteilungsfunktion
¢ (u) der Standardnormalverteilung
Die grau unterlegten Flachen sind dabei gleich, da sich die Wahrscheinlichkeit P (X bei der linearen Transformation nicht verandert: P(X ~ x) = P(U ~ u).
~
x)
6 Spezielle Wahrscheinlichkeitsverteilungen
377
(2) Berechnung der Wahrscheinlichkeit P(X ~ x) Die Berechnung der Wahrscheinlichkeit P(X
P(X ~ x) = 1 - P(X ~ x) = 1 - ¢
~
x) erfolgt nach der Formel
X - f.1) -(f-
(
(11-182)
= 1 - ¢(u)
'--.-'
U
(Bild 11-96; die Gesamtfldche unter der Dichtefunktion f (t) besitzt den Wert Eins).
f(t) P(X s x)
P(X ;::: x)
=1 -
P(X ~ x)
x
Bild 11-96 Zur Herleitung der Beziehung P(X ~ x) = 1 - P(X ~ x)
(3) Berechnung der Wahrscheinlichkeit P(a
~
X ~ b)
Die Wahrscheinlichkeit
P(a~X~b)=
b
1
j2;c.(f
1
.fe-2:
(x - fl)2 -(J-
dx=F(b)-F(a)
(11-183)
a
entspricht der in Bild II -97 grau unterlegten Flache.
f(x)
P(a
a
~X~
b)
b
Bild 11-97 Die grau unterlegte Flache entspricht der Wahrscheinlichkeit Pea
x
~
X
~
b)
II Wahrscheinlichkeitsrechnung
378
Beim Ubergang von der normalverteilten Zufallsvariablen X zur zugehorigen standardnormalverteilten Zufallsvariablen U == (X - /l)/(J wird daraus unter Beriicksichtigung der Beziehung (111-179)
(a -
/l) b - /l) - ¢ -(JP(a ~ X ~ b) ~ F(b) - F(a) == ¢ ( -(J'-v--'
'-v--'
b*
a*
(11-184)
oder
P(a
~
X
~
b) == F(b) - F(a)
==
¢(b*) - ¢(a*)
(11-185)
Dabei sind a * und b * die neuen Intervallgrenzen, die sich aus den alten Grenzen a und b mit Hilfe der Substitution (Transformation) u == (x - /l)/(J wie folgt berechnen: a-/l (J
Untere Grenze: a ~ a*
== - -
b-/l (J
Obere Grenze: b ~ b* == - Somit gilt:
P(a
~
X
~
b) == P(a*
~
U
~
b*)
==
(11-186)
¢(b*) - ¢(a*)
Beim Ubergang von der normalverteilten Zufallsvariablen . X zur standardnormalverteilten Zufallsvariablen U == (X - /l)/(J werden somit die Intervallgrenzen a und b in gleicher Weise mittransformiert. Das Intervall a ~ X ~ b geht dabei in das Intervall a * ~ U ~ b * iiber, wobei sich die Wahrscheinlichkeit nicht andert. In Bild II -98 ist die Transformation X ~ U bildlich dargestellt. Die grau unterlegten Flachen, die den Wahrscheinlichkeiten P(a ~ X ~ b) bzw. P(a* . ~ U ~ b*) entsprechen, stimmen dabei iiberein.
q>(u)
f(x) P(a
~X5:
P(a*
b)
~U5:
b*)
x ---- u
a
b
x
a*
Bild 11-98 Zur Berechnung der Wahrscheinlichkeit Pea ~ X Verteilungsfunktion ¢(u) der Standardnormalverteilung
(4) Berechnung der Wahrscheinlichkeit P(IX - pi
~
~
b*
b) mit Hilfe der tabellierten
k a)
Von besonderem Interesse sind haufig Intervalle, die symmetrisch zum Mittelwert /l liegen (Bild II -99).
u
6 Spezielle Wahrscheinlichkeitsverteilungen
379
f(x)
Bild 11-99 Die grau unterlegte FUiche entspricht der Wahrscheinlichkeit P(IX - III
~
ka)
x
Der Abstand der beiden Intervallgrenzen von der Intervallmitte u betrage k (J (k > 0) 28). Das Intervall Iafit sich dann in der Form (11-187) oder auch
IX~~I~k
oder
(11-188)
darstellen. Beim Ubergang von X zur standardnormalverteilten Zufallsvariablen V = (X - Il)/(J wird daraus das Intervall
IVI
~k
oder
-k~V~k
(11-189)
Fur die Wahrscheinlichkeit P(I X - III ~ k(J) erhalten wir dann: P(IX - III
~
k(J) = P(\V\
~
k) = P(- k
~
V
~
k) = ¢(k) - ¢(- k) =
= ¢(k) - [1 - ¢(k)] = 2 . ¢(k) - 1
(11-190)
Bei der vorgenommenen Transformation X ~ V bleibtwiederum die Flache unter der betreffenden Dichtefunktion und somit die Wahrscheinlichkeit erhalten. Bild 11-100 verdeutlicht diese Aussage.
f(x)
qJ(u)
x -----
U
x Bild 11-100 Zur Berechnung der Wahrscheinlichkeit P(lX - III Verteilungsfunktion ¢ (u) der Standardnormalverteilung
28)
-k ~
o
k
u
ka) mit Hilfe der tabellierten
Wir geben den Abstand zweckmaliigerweise in Vielfachen der Standardabweichung
(J
an.
II Wahrscheinlichkeitsrechnung
380
Speziell fur k = 1,2, 3 erhalten wir die folgenden Ergebnisse: (Bild 11-101) P(IX -
ill
~
0") = P(il- 0"
~ X
= il
+ 0") =
P(-1 ~ U ~ 1) =
= 2 . ¢(1) - 1 = 2 . 0,8413 - 1 = 0,6826
(11-191)
Somit liegen rund 68,3 % aller Werte der ZufalIsvariablen X im abgeschlossenen Intervall [il - 0", u + 0"].
f(x)
X~U
J.1-a J.1
J.1+a
x
-1
Bild 11-101 Zur Berechnung der Wahrscheinlichkeit P(IX - /11 Verteilungsfunktion ¢ (u) der Standardnormalverteilung
~
u
0
a) mit Hilfe der tabellierten
(Bild II -102) P(IX -
ill
~
20") = Pi]: - 20" ~ X ~ il
+ 20")
= P( - 2
~
U ~ 2) =
= 2 . ¢(2) - 1 =,2 . 0,9772 - 1 = 0,9544
(11-192)
Somit liegen rund 95,4 % aller Werte der ZufalIsvariablen X im abgeschlossenen Intervall [il - 20", u + 20"].
f(x)
X~U
x
o
-2
Bild 11-102 Zur Berechnung der Wahrscheinlichkeit P(IX -/11 Verteilungsfunktion ¢ (u) der Standardnormalverteilung
~
2
u
2a) mit Hilfe der tabellierten
6 Spezielle Wahrscheinlichkeitsverteilungen
381
IB;~JI (Bild II-103) P(I x
- ,ul
~
30-) == Pi u - 3 0-
~
X
~
u
+ 30-) == P( -
3
~
U
~
== 2 . ¢(3) - 1 == 2 . 0,9987 - 1 == 0,9974
3) ==
(II-193)
99,7 % , d. h. fast aile Werte der Zufallsvariablen X liegen somit irn 30--Streuungsbereich Lu - 30-,,u + 30-].
tix)
qJ(u)
X~U
J.l-3cr
J.l +3cr
x
o
-3
Bild 11-103 Zur Berechnung der Wahrscheinlichkeit P(IX Verteilungsfunktion ¢(u) der Standardnormalverteilung
fLl
~
3
u
3 a) mit Hilfe der tabellierten
Wir fassen nun die wichtigsten Ergebnisse wie folgt zusarnrnen:
382
•
II Wahrscheinlichkeitsrechnung
Beispiele
(1)
In einem Werk werden serienmalsig Gewindeschrauben hergestellt, deren Durchmesser eine normalverteilte Zufallsvariable X mit dem Mittelwert (Sollwert) J1 = 10 mm und der Standardabweichung (J = 0,2 mm sei. Toleriert werden dabei noch (zufallsbedingte) Abweichungen vom Solldurchmesser bis zu maximal 0,3 mm. Welcher Anteil an Ausschufiware ist zu erwarten? Liisung:
Wir berechnen zunachst die Wahrscheinlichkeit dafiir, daB der Schraubendurchmesser X im tolerierten Bereich (10 ± 0,3) mm, d.h. zwischen 9,7 mm und 10,3 mm liegt (hellgrau unterlegte Flache in Bild 11-104).
Bild 11-104
9,7
:USSChU; I"
10
Toleranzbereich
10,3
-I"
x
mm
AusschuB
383
6 Spezielle Wahrscheinlichkeitsverteilungen
Zuvor aber rechnen wir die Maximalabweichung von 0,3 mm noch in Standardeinheiten urn, d. h. in ein Vielfaches (k-faches) der Standardabweichung a = 0,2 mm: 0,3 mm = k a = k· 0,2 mm
=>
k = 1,5
Somit ist P(IX-l0mml~0,3mm)=P
= P(I U I ~
(I
. X -lomml ~1,5 ) = 0,2mm
1,5) = 2 . 4>(1,5) - 1 = 2 . 0,9332 - 1 = 0,8664
Rund 86,6 % der Schrauben besitzen demnach einen Durchmesser, der innerhalb des tolerierten Bereiches (10 ± 0,3) mm liegt (hellgrauer Bereich im Bild 11-104). Der zu erwartende AusschufJ (Anteil an nicht brauchbaren Schrauben) betragt somit rund 13,4 % und entspricht der in Bild II -104 dunkelgrau unterlegten Flache, (2)
Die ZufalIsvariable X sei normalverteilt mit dem M ittelwert fJ = 10 und der Varianz a 2 = 4. Wieviel Prozent aller Werte liegen dann im Intervall 5 ~ X ~ 12?
Liisung : Die Umrechnung der Intervallgrenzen a = 5 und b = 12 in Standardeinheiten ergibt: a - fJ 5 - 10 Untere Grenze: a ~ a* = - - = - - = - 25 a 2 ' b - 'fJ 12 - 10 Obere Grenze: b ~ b* = - - = =1 a 2 ~
Damit erhalten wir fur die gesuchte Wahrscheinlichkeit P(5 folgenden Wert: P(5
~
X
~
12) = P( - 2,5
~
U
~
~·12)
X
den
1) = 4>(1) - 4>( - 2,5) =
= 4>(1) - [1 - 4>(2,5)] = 4>(1) + 4>(2,5) - 1 = = 0,8413 + 0,9938 - 1 = 0,8351 Somit fallen rund 83,5 % aller Werte in das Intervall 5 11-105).
~
X
~
12 (Bild
Bild 11-105
5
10
12
x
384
II Wahrscheinlichkeitsrechnung (3)
Die normalverteilte Zufallsvariable X mit dem M ittelwert fl und der Standardabweichung (J solI 50 % ihrer Werte in dem symmetrischen Interva11 IX - fll ~ k (J annehmen (Bild II -106). f(x)
Bild 11-106 Im Mittelliegt jeder zweite Wert der Zufallsvariablen X im eingezeichneten symmetrischen Intervall der Lange 2 k (J
50%
x 2ka
Wir bestimmen den Faktor k aus der Bedingung
P(IX -
fll ~ ko-) == pel VI ~ k) == 2· ¢(k) - 1 == 0,5
Somit ist ¢(k) == 0,75. Aus der Tabelle 1 im Anhang erhalten wir fur k den folgenden Wert:
¢(k) == 0,75
=>
k == 0,674
(interpoliert)
•
6.4.5 Quantile der Standardnormalverteilung In den Anwendungen der Wahrscheinlichkeitsrechnung sowie in der mathematischen Statistik stellt sich haufig das folgende Problem: Eine standardnormalverteilte Zufallsvariable V solI mit einer vorgegebenen Wahrscheinlichkeit p einen Wert unterhalb, oberhalb oder innerhalb bestimmter Grenzen (Schranken) annehmen. Probleme dieser Art treten beispielsweise im Zusammenhang mit Parameterschdtzungen und statistischen Priifverfahren auf und werden uns noch im nachsten Kapitel des ofteren beschaftigen, Bei einer einseitigen Abgrenzung nach oben (auf die wir uns hier beschranken wollen) muB dann die zur vorgegebenen Wahrscheinlichkeit p gehorende Grenze oder Schranke up bestimmt werden (Bild 11-107).
qJ(u)
u
Bild 11-107 Zur vorgegebenen Wahrscheinlichkeit p (grau unterlegte Flache) gehort eine eindeutig bestimmte Schranke up, die als Quanti! der Standardnormalverteilung bezeichnet wird
6 Spezielle Wahrscheinlichkeitsverteilungen
385
Diese Schranke geniigt somit der Gleichung
P(U
~
up) == ¢(u p)
==
(11-199)
p
Dabei gehort zu jedem p genau ein up. Die Werte dieser Schranken .heifien Quantile der Standardnormalverteilung. Sie lassen sich prinzipiell aus der Wertetabelle der Verteilungsfunktion ¢ (u) der Standardnormalverteilung (Tabelle 1 im Anhang) errnitteln. Allerdings ist das Aufsuchen des Quantils up zum vorgegebenen Wahrscheinlichkeitswert p meist recht miihsam. Da solche Probleme in den Anwendungen jedoch sehr haufig auftreten ist es sinnvoll, die gangigen Werte in einer Tabelle zu sammeln. Im Anhang dieses Buches befindet sich daher eine Tabelle mit den wichtigsten Quantilen der Standardnormalverteilung (Tabelle 2). Mit Hilfe dieser Tabelle lassen sich auch die Intervallgrenzen bei einer einseitigen Abgrenzung nach unten bzw. einer (symmetrischen) zweiseitigen Abgrenzung leicht ermitteln. Die nachfolgenden Beispiele werden dies noch verdeutlichen. •
Beispiele
(1)
Die standardnormalverteilte Zufallsvariable U solI mit der Wahrscheinlichkeit p == 900/0 == 0,9 einen Wert aus dem Intervall U ~ c annehmen (einseitige Abgrenzung nach oben, grau unterlegte Flache in Bild II -108). Die gesuchte Schranke (Intervallgrenze) c ist in diesem Fall das zum Wahrscheinlichkeitswert p == 0,9 gehorende Quantil up == U O,9 der Standardnormalverteilung. Wir erhaIten unter Verwendung von Tabelle 2 im Anhang:
P(U
~
c)
==
¢(c)
==
0,9
~
c
==
U O,9
==
1,282
Bild 11-108 U
(2)
Die Werte der standardnormalverteilten Zufallsvariablen U sollen mit der Wahrscheinlichkeit p == 90 % == 0,9 oberhalb der (noch unbekannten) Schranke c liegen (hellgrau unterlegter Bereich in Bild 11-109). qJ(U)
Bild 11-109
U
II Wahrscheinlichkeitsrechnung
386
Bei dieser einseitigen Abgrenzung nach unten gilt also P(U > c) == 0,9. Mit Hilfe von Tabelle 2 aus dem Anhang erhalten wir dann: P(U> c) == 1 - P(U
¢(c) == 0,1 (3)
~
c ==
~
UO,l
c) == 1 - ¢(c) == 0,9
== - 1,282
Bei einer zweiseitigen Abgrenzung nach Bild II-110 sollen die Werte der standardnormalverteilten Zufallsvariablen U mit der Wahrscheinlichkeit p == 95 % == 0,95 im symmetrischen Intervall - c ~ U ~ c liegen (hellgrau unterlegte FHiche).
Bild 11-110
u
Wegen der Achsensymmetrie der Dichtefunktion cp(u) besitzen die beiden dunkelgrau unterlegten Flachenstiicke jeweils ~_ den Flacheninhalt 0,025. Unter Verwendung von Tabelle 2 im Anhang HiBt sich dann die obere Grenze c wie folgt bestimmen: P(U ~ c) == ¢(c) == 0,95 + 0,025 == 0,975 ~ c ==
Das gesuchte Intervall lautet somit: - 1,960 ~ U
~
U O,975
== 1,960
•
1,960.
6.5 Zusammenhang zwischen der Binomialverteilung und der Normalverteilung Die Berechnung der Verteilungsfunktion einer Binomialverteilung mit der Wahrscheinlichkeitsfunktion (x == 0, 1, 2, ... , n)
(11-200)
erweist sich in der Praxis oft als sehr miihsam und aufwendig. Fur grofte Werte von n und p- Werte, die sich deutlich von und 1 unterscheiden, HiBt sich jedoch die Binomialverteilung B(n; p) durch die rechnerisch wesentlich bequemere Gaufische Normalverteilung N (f1; a) mit den Parametern
°
f1 == np
und
a ==
j;;pq == J n p(1 -
p)
(11-201 )
387
6 Spezielle Wahrscheinlichkeitsverteilungen niiherungsweise ersetzen 29). Unter den genannten Voraussetzungen gilt also:
1 _ ~ (x - n )2 n) (,x v" . qn-x ~.J2-nnpq . e ~ p
fB(X) = P(X = x) =
(11-202)
2
(x = 0, 1, 2, ... , n). Diese Naherung wird dabei mit zunehmendem n immer besser. Wir geben zunachst ein Beispiel.
•
Beispiel Fur n = 10 und p = 1/2 lautet die Wahrscheinlichkeitsfunktion der Binomialverteilung wie folgt:
(x = 0,'l , 2, ... ,10). Niiherungsweise diirfen wir diese Funktion durch die DichtefunktionfN(x) der Normalverteilung mit den Parametern 1 /1=np=10'-=5
und
2
ersetzen:
fN(X) =
1
J2;r . J2j
(x - 5)2
.e
- -1 2
m
1
= -- .e
J5;r
- -1 (x -
2
5)
5
Die folgende Tabelle zeigt einen Vergleich zwischen der exakten Verteilung und ihrer Niiherung:
° 1 2
3 4
5 6 7 8 9
10
29)
0,0010 0,0098 0,0439 0,1172 0,2051 0,2461 0,2051 0,1172 0,0439 0,0098 0,0010
0,0017 0,0103 0,0417 0,1134 0,2066 0,2523 0,2066 0,1134 0,0417 0,0103 0,0017
Auch Bild II-111 zeigt deutlich die brauchbare Annaherung der Binomialverteilung B (10;
D
durch die Normal-
verteilung N(5;
J2j).
Diese Naherung ist eineFolge des Grenzwertsatzes von Moivre und Laplace (vgl. hierzu den spateren Abschnitt 7.6.3).
388
II Wahrscheinlichkeitsrechnung
0,3
0,2 Naherung (Normalverteilung)
exakter Wert (Bi nomialverteiIun g)
0,1
2
3
4
5
6
7
8
9
x
Bild 11-111 Anndherung einer Binomialverteilung durch eine Normalverteilung: Die eingezeichneten Punkte (Stabk6pfe) liegen in guter Naherung auf der Dichtefunktion einer Normalverteilung
• Die Annaherung der Binomialverteilung B(n;p) durch die Normalverteilung N(/1 = np; (J = ;;;r;q) fur groj3e n ermoglicht nun eine wesentlich bequemere Berechnung von Wahrscheinlichkeiten. Eine in der Praxis haufig verrwendtete N dherungsformel lautet: Pea
~ X ~ b) =
±(:)
pX . e""
~ F(b + 0,5) -
F(a - 0,5)
=
x=a
= P(a*
~
U
~
b*) = 4J(b*) - 4J(a*)
(11-203)
Dabei ist F (x) die Verteilungsfunktion der N ormalverteilung mit dem Mittelwert /1 = np und der Standardabweichung (J =;;;r;q und 4J(u) die Verteilungsfunktion der Standardnormalverteilung. a * und b * sind die in Standardeinheiten umgerechneten (neuen) In tervallgrenzen : (a - 0,5) - /1 a*=-----, (J
b*=(b+O,5)-/1 (J
(11-204)
6 Spezielle Wahrscheinlichkeitsverteilungen
389
Dabei wurde an den alten Intervallgrenzen a und b eine sog. Stetigkeitskorrektur vorgenommen. Die Zufallsvariable X ist.namlich eine diskrete Grobe, erscheint jedoch in der Naherung durch die Normalverteilung als eine stetige Variable. Im folgenden Beispiel zeigen wir, warum es bei dieser Naherung sinnvoll ist, die Intervallgrenzen a und b urn jeweils 0,5 Einheiten nach aufien hin zu verschieben (Bild II -112). a-D,S
b+0,5 Bild 11-112
a
x
b
0,5
L •
korrigierte Interval/grenzen
~
Wird eine diskrete Verteilung (hier: Binomialverteilung) durch eine stetige Verteilung (hier: Normalverteilung) angenahert, so miissen die Intervallgrenzen korrigiert werden (sag. Stetigkeitskorrektur)
Beispiel Eine homogene Miinze wird 10-mal geworfen. Wir interessieren uns dabei fur die Wahrscheinlichkeit, daB die diskrete Zufallsvariable X
= Anzahl der Wurfe mit dem Ergebnis "Zahl"
einen Wert zwischen 3 und 5 annimmt (einschlieftlich der beiden Grenzen). Exakte Losung Die Zufallsvariable X ist binomialverteilt mit den Parametern n = 10 und p = 1/2. Ihre Wahrscheinlichkeitsfunktion lautet somit:
(x = 0, 1,2, ... , 10). Die Wahrscheinlichkeit dafiir, bei 10 Wiirfen mit der Miinze drei-, vier- bzw. fiinfmal das Ereignis "Zahl" zu erhalten, ist dann: P(3
~
X ~ 5)
= fB(3) + fB(4) + fB(5) =
= 1;24 . C30) + 1;24 . C40) + 1;24 . CsO) = =
1 582 1024 (120 + 210 + 252) = 1024 = 0,5684
Wir versuchen nun, dieses Ergebnis anschaulich zu deuten und gehen dabei von dem in Bild II -113 dargestellten Stabdiagramm aus. Verschieben wir nun jeden der drei Stabe urn jeweils 0,5 einmal nach links und einmal nach rechts, so erhalten
II Wahrscheinlichkeitsrechnung
390
wir die in Bild 11-114 grau unterlegten Rechtecke. Aus dem Stabdiagramm ist nun ein Histogramm geworden. Die Rechtecke haben dabei die gleiche Breite Ax = 1, ihre Hohen entsprechen der Reihe nach den StabHingenfB(3),fB(4) undfB(5). Die Fldcheninhalte der drei Rechtecke stimmen dann zahlenmabig mit den Wahrscheinlichkeitswerten fB(3), fB(4) bzw. fB(5) iiberein und reprasentieren daher der Reihe nach genau die Wahrscheinlichkeiten, daB wir bei 10 Wiirfen mit der Miinze dreimal, viermal bzw. fiinfmal das Ereignis "Zahl" erhal ten. fB(x)
252 1024
210 1024
120 1024
BUd 11-113 - - - - - - ' I I p I - - - - - - ' I I p I - - - - - - ' ' l ' I - - - -____
3
4
5
x
fB(x)
252 1024
210 1024
120 1024
Bild 11-114
3
4
5
x
Die Gesamtfldche des Histogramms ist dann die gesuchte Wahrscheinlichkeit P(3 ~ X ~ 5). Sie besitzt den Wert 0,5684. Das entspricht einer Wahrscheinlichkeit von 56,8 0/0.
6 Spezielle Wahrscheinlichkeitsverteilungen
391
Naherungslosung Die Binomialverteilung wird jetzt durch die Normalverteilung mit den Parametern 1 j1=np=10·-=5
und
2
und der Dichtefunktion
fN(X) =
(x - 5)2
1
J2;·m
·e
- -1 -
2m
1 - -1 (x =--·e 5
5)
2
J5;c
angenahert, Bild II -115 zeigt den Verlauf der Dichtefunktion. Zusatzlich sind die bereits aus dem Histogramm (Bild 11-114) vertrauten Rechtecke eingezeichnet, die mit ihrer 'Gesamtflache die gesuchte exakte Wahrscheinlichkeit P(3 ~ X ~ 5) darstellen.
Bild 11-115 Zur Begriindung der "Stetigkeitskorrektur"
0,2
0, 1
2
3
2,5
4
5
6
5,5
7
8
9
10
x
II Wahrscheinlichkeitsrechnung
392
In der N dherung durch die N ormalverteilung werden die drei Rechtecke durch die im Bild stark umrandete Flache unter der GauBschen Glockenkurve ersetzt. Dabei miissen offensichtlich die alten Intervallgrenzen a = 3 und b = 5 um jeweils 0,5 nach auflen hin verschoben werden, um eine verniinftige Approximation zu erreichen. Die gesuchte Wahrscheinlichkeit P(3. ~ X ~ 5) wird dann ndherungsweise durch die Flache unter der GauBschen Glockenkurve zwischen den ·Grenzen
a= a -
0,5 = 3 - 0,5 = 2,5
und
b = b + 0,5 = 5 + 0,5 = 5,5 dargestellt. Man bezeichnet diese Korrektur als Stetigkeitskorrektur. Sie beruht darauf, daB eine diskrete Verteilung (hier: Binomialverteilung) durch eine stetige Verteilung (hier: Normalverteilung) approximiert wird und ist daher grundsatzlich durchzufiihren. Fur die gesuchte Wahrscheinlichkeit gilt dann: 5,5
P(3 ~ X ~ 5) ::::;
1
1
f J5;c'
- -(x - 5)2
e
dx = F(5,5) - F(2,5)
5
2,5
Wir rechnen die bereits korrigierten Intervallgrenzen noch in Standardeinheiten um, d.h. gehen von der normalverteilten Zufallsvariablen X zur zugehorigenszcndardisierten Zufallsvariablen U iiber: a-/1 25-5 a=2,5 ~ a*=--=-'--=-1581 a ~ ,
b = 5,5
~ b*
b-/1
55-5
a
~
°
= - - = - ' - - = 316 ,
Somit ist P(3
~
X
~
5) ~ P( ~ 1,581
~
U
~
0,316) = ¢(0,316) - ¢( - 1,581) =
= ¢(0,316) .. [1 - ¢(1,581)] = ¢(0,316) + ¢(1,581) - 1 = = 0,6240 + 0,9430 - 1 = 0,5670 Die gesuchte Wahrscheinlichkeit betragt somit rund 56,7 0/0 in guter Ubereinstimmung mit dem exakten Wert 56,80/0.
•
6 Spezielle Wahrscheinlichkeitsverteilungen Wir fassen diese fur die Praxis so wichtigen Ergebnisse wie folgt zusammen:
393
II Wahrscheinlichkeitsrechnung
394
Anmerkung Die Stetigkeitskorrektur ist eine unmittelbare Folge der Annaherung einer diskreten Verteilung durch eine stetige Verteilung (hier: Binomialverteilung ~ Normalverteilung).
6.6 Tabellarische Zusammenstellung der wichtigsten Wahrscheinlichkeitsverteilungen Die nachfolgende Tabelle 3 gibt eine Ubersicht iiber die Eigenschaften der behandelten diskreten und stetigen Wahrscheinlichkeitsverteilungen (z.B. iiber Parameter, Wahrscheinlichkeits- bzw. Dichtefunktion, Art der Verteilung, Kennwerte wie Mittelwerte, Varianz und Standardabweichung).
6.7 Approximation einer diskreten Verteilung durch eine andere Verteilung, insbesondere durch die Normalverteilung Zwischen den verschiedenen Wahrscheinlichkeitsverteilungen bestehen gewisse Zusammenhange. So ist uns aus Abschnitt 6.5 bereits bekannt, daB zwischen der diskreten Binomialverteilung und der stetigen Gaufischen N ormalverteilung der folgende wichtige Zusammenhang besteht: Eine binomialverteilte Zufallsvariable X mit den Parametern n und p laBt sich fur hinreichend groBes nndherungsweise durch eine Normalverteilung mit den Parametern /l
= np
und
O"=~=Jnp(l-p)
(II-210)
beschreiben (q = 1 - p). Die Verteilungsfunktion F(x) = P(X ~ x) der Binomialverteilung B(n; p) kanndann durch die entsprechende Verteilungsfunktion der Standardnormalverteilung approximiert werden 30): F(x) =
P(X~ x) ~ c/J (x + 0,5) -
p) n Jnp(l - p)
(11-211)
(unter Beriicksichtigung der Stetigkeitskorrektur). Da die exakte Bestimmung der Verteilungsfunktion F(x) der Binomialverteilung fur groBes n sehr aufwendig und miihsam ist, bringt die Annaherung durch die Normalverteilung in der Praxis enorme Rechenvorteile. Als Faustregel gilt dabei: Die Approximation ist zuldssig, wenn die Bedingung n p(l - p) > 9 erfiillt ist. Analog lassen sich auch andere diskrete Wahrscheinlichkeitsverteilungen wie die hypergeometrische Verteilung H (N; M; n) oder die Poisson-Verteilung Ps (/l) unter gewissen Voraussetzungen z.B. durch die Gaufische N ormalverteilung N (/l; 0") anndhern. Tabelle 4 gibt eine Ubersicht iiber wichtige Approximationen und nennt die jeweiligen Voraussetzungen in Form einer Faustregel.
30)
Die Normalverteilung ist die Grenzverteilung der Binomialverteilung fur n ---+- 00.
31)
Standardabweichung:
(J"
=
JVar(X)
/1=0 (5=1
/1,(5 -001<00 (5)0
/1 /1>0
000'
000
N,M,n N = 1,2,3, M = 1,2,o.o,N n = 1,2, N
000
n,p n = 1,2,3, 0
I
I
I
»": qn-x
~
0
(J
o
j2;
j2;
1
/1x
~
N - M)
e 2
1
2
(J
_~(x-~y
f(x)=-oe-/l x!
M; n - x
--u 1 qJ(u)=--oe 2
f(x) =
(x
(~)
(~)- (~=~) f(x) =
(q = 1 - p)
f(x) = (:)
Tabelle 3: Eigenschaften der wichtigsten Wahrscheinlichkeitsverteilungen
I
I
I
I
000
n
n
I
I
I
I
stetig I -oo
stetig -oo<x
diskret x = 0, 1,2,
000'
diskret x = 0, 1,
000'
I x -_diskret 0, 1,
°
/1
/1
M nN
np
I
I
I
I
n
(52
/1
M (1 _M) N - n N N N-1
npq = np(1 - p)
0\
v..
\0
VJ
(D
(JQ
= =
~
~o
~
Io-t
(D
<
r:J'J
~
~o
~
(D
::r [ (=)0 ::r
r:J'J ()
::r Io-t
~
(t)
[
N
(D
~
tr:
B(n;p = ~)
ps(~ = n ~)
Ps(,u = n p)
Faustregel:
Tabelle 4: Wichtige Approximationen diskreter Wahrscheinlichkeitsverteilungen
(J
N'
N(,u; (J =~)
Faustregel:
N
N
1
N(~=nM. (f=Jn M(l- M)~) N
= Jnp(l - p)) Faustregel:
N(,u = np;
Faustregel:
w
(JQ
~
= =
::r"
o
(i)
;.;
00
l"""!'-
!].
~
&
2.:
::r" (i)
o
00
~
::r"
~
~ ~
\0 0"\
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
397
Anmerkungen zur Tabelle 4
(1)
Die Tabelle 4 verdeutlicht die iiberragende und zentrale Rolle, die die GauBsche Normalverteilung in den Anwendungen spie1t: Binomialverteilung, hypergeometrische .Verteilung und Poisson-Verteilung lassen sich jeweils unter den genannten Voraussetzungen durch eine Normalverteilung approximieren. Diese Naherungen beruhen in erster Linie auf dem sog. zentralen Grenzwertsatz der Wahrscheinlichkeitsrechnung, den wir am Ende dieses Kapitels noch kennenlernen werden (Abschnitt 7.6.1). Dort werden wir nochmals auf das Problem der Approximation diskreter Verteilungen zuriickkommen.
(2)
Bei der Approximation einer diskreten Verteilung mit der Verteilungsfunktion F(x) = P(X ~ x) durch die Normalverteilung mit den Parametern f.1 und (J muB die Stetigkeitskorrektur beriicksichtigt werden. Diese besteht bekanntlich darin, daB man die Intervallgrenzen urn. jeweils 0,5 Einheiten nach aufien hin verschiebt (siehe hierzu Abschnitt 6.5 und insbesondere Bild 11-112).
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen Bisher haben wir uns ausschlieBlich mit Zufallsexperimenten beschaftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem Abschnitt geben wir nun eine kurze Einfiihrung in Zufallsexperimente, bei denen gleichzeitig zwei (oder auch mehr) Zufallsgrolsen oder Zufallsvariable beobachtet werden. Wir stoBen in diesem Zusammenhang auf zweidimensionale Wahrscheinlichkeitsverteilungen und beschreiben diese wiederum durch Wahrscheinlichkeits- bzw. Dichtefunktionen oder durch die zugehorigen Verteilungsfunktionen, die in diesem Fall dann von zwei Variablen abhangen, Von besonderem Interesse in den naturwissenschaftlich-technischen Anwendungen, insbesondere in der Statistik und Fehlerrechnung, sind dabei die Eigenschaften von Summen und Produkten von (stochastisch unabhangigen) Zufallsvariablen wie z.B. deren Mittelwerte, Varianzen und Standardabweichungen. AbschlieBend behandeln wir dann zwei fiir die Praxis besonders wichtige Verteilungen, die Chi-Quadrat- Verteilung und die t- Verteilung von Student. Sie bilden die Grundlage fiir statistische Prifverfahren ("Tests"), die wir im nachsten Kapitel iiber Statistik noch ausfiihrlich beschreiben werden.
7.1 Ein einfiihrendes Beispiel Wir werfen gleichzeitig eine Miinze und einen Wiirfel und beobachten dabei die Zufallsvariablen
x = Anzahl "Wappen" bei der M iinze und Y
= Augenzahl beim Wurfel
398
II Wahrscheinlichkeitsrechnung
Fur die Zufallsvariable X gibt es dann nur die beidenrnoglichen Werte 0 und 1. Sie charakterisieren die folgenden Ereignisse: X = 0: Auftreten der "Zahl" (d.h. O-mal "Wappen") X
= 1: Auftreten des " Wappens;~ (d.h. i-mal "Wappen")
Die Zufallsvariable Y dagegen kann jeden der 6 moglichen Werte 1, 2, 3, 4, 5 und 6 annehmen. Insgesamt gibt es daher 2 . 6 = 12 verschiedene Elementarereignisse, die wir durch eine sog. zweidimensionale Zufallsvariable (X, Y) mit der folgenden Wertetabelle beschreiben konnen:
X
1
2
3
4
5
6
0
(0; 1)
(0,; 2)
(0; 3)
(0; 4)
(0; 5)
(0; 6)
1
(1; 1)
(1; 2)
(1; 3)
(1; 4)
(1; 5)
(1; 6)
So bedeutet z.B. das Wertepaar (1; 5), daB bei der Miinze "Wappen" und beim Wiirfel ,,5 Augen" oben liegen. Da es sich bei unserem Zufallsexperiment urn ein Laplace-Experiment handelt, treten alle Elementarereignisse mit der gleichen Wahrscheinlichkeit auf 3 2 ) : P(X
= x;
1
Y
(x
= y) = 12
= 0, 1; y = 1,2, ... ,6)
(11-212)
Die gemeinsame Verteilung der beiden Zufallsvariablen X und Y ist somit durch die folgende Verteilungstabelle gegeben:
X
1
2
3
4
5
6
0
1/12
1/12
1/12
1/12
1/12
1/12
1
1/12
1/12
1/12
1/12
1/12
1/12
Die Wahrscheinlichkeitsfunktion f (x; y) dieser sog. zweidimensionalen Verteilung beschreibt dann das Ereignis "X = x; Y = y" und ist somit eine Funktion von zwei unabhangigen Variablen x und y. In unserem Beispiel gilt dann:
f
(x; y) = P(X = x; Y = y) = {
:2
x = 0, 1; y = 1, 2, ... , 6 fur
(11-213) alle iibrigen
32)
(x; y)
Zur symbolischen Schreibweise: P(X = x; Y = y) ist die Wahrscheinlichkeit dafiir, daB bei dem Zufallsexperiment die Zufallsvariable X den Wert x und gleichzeitig die Zufallsvariable Yden Wert y annimmt.
399
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
Bild 11-116 zeigt die graphische Darstellung dieser diskreten Funktion in Form eines raumlichen Stabdiagramms (aIle Stabe haben die Lange 1/12). f(x;y)
6
~--+----I----+----I----+---+-------
y
Bild 11-116
x
Addiert man in der Verteilungstabelle die Wahrscheinlichkeitswerte zeilenweise, so erhalt man genau die Verteilung der 1. Zufallsvariablen X (Anzahl "Wappen" beim M unzwurf), beschrieben durch die Wahrscheinlichkeitsfunktion I, (x) mit den folgenden Werten:
Summiert wird dabei iiber samtliche Werte der ZufaIlsvariablen Y (hier also iiber 6 Werte). Die Wahrscheinlichkeitsfunktion I. (x) beschreibt somit die Verteilung der Zufallsvariablen X und zwar unabhiingig davon, welchen der 6 moglichen Werte 1, 2, 3,4, 5 und 6 die zweite ZufaIlsvariable Yannimmt. Mit anderen Worten: I, (x) ist die Wahrscheinlichkeit fiir das Ereignis "X = x", unabhdngig von der gewiirfelten Augenzahl. Die Funktionswerte von fl (x) stehen am rechten Rand der nachfolgenden Verteilungstabelle und sind grau unterlegt: Y
X 0
1
2
3
4
5
1/12
1/12
1/12
1/12
1/12
6
Wahrscheinlichkeitsfunktion f2 (Y) der Zufallsvariablen Y (Wiirfel)
Wahrscheinlichkeitsfunktion fl (x) der Zufallsvariablen X (Miinze)
}
400
II Wahrscheinlichkeitsrechnung
Bei spaltenweiser Addition erhalten wir die Verteilung ,der 2. Zufallsvariablen Y ("Augenzahl" des Wiirfels). Ihre Wahrscheinlichkeitsfunktion f2 (y) besitzt die folgenden Werte: f2(1) =
\'
L f(x;
1 1) = 12
1
1
+ 12 = 6
x
x
x
Dabei wird iiber samtliche Werte der Zufallsvariablen X summiert (hier also uber zwei Werte). Die Wahrscheinlichkeitsfunktion f2 (y) beschreibt somit die Verteilung der Zufallsvariablen Y und zwar unabhdngig davon, welchen der beiden moglichen Werte 0 und 1 die erste Zufallsvariable X annimmt. Mit anderen Worten.j, (y) ist die Wahrscheinlichkeit fur das Ereignis "Y = y", unabhdngig vom Ausgang des Miinzwurfs, Die Funktionswerte von f2 (y) sind am unteren Rand der Verteilungstabelle ebenfalls grau unterlegt. Die beiden (eindimensionalen) Wahrscheinlichkeitsfunktionen I, (x) und f2 (y) der Zufallsvariablen X bzw. Y werden in diesem Zusammenhang auch als Randverteilungen der zweidimensionalen Verteilung (X; Y) bezeichnet. Dabei gilt in diesem konkreten Beispiel: f (x; y) = I, (x) . f2 ( y)
(11-214)
7.2 Zweidimensionale Wahrscheinlichkeitsverteilungen 7.2.1 Verteilungsfunktion einer zweidimensionalen Zufallsvariablen Zufallsexperimente, in denen gleichzeitig zwei Merkmale (Eigenschaften) beobachtet werden, lassen sich durch zweidimensionale Wahrscheinlichkeitsverteilungen beschreiben. Die den beiden beobachteten Grolsen zugeordneten Zufallsvariablen bezeichnen wir mit X und ~ Sie bilden eine zweidimensionale Zufallsvariable (X; Y), deren Wahrscheinlichkeitsverteilung sich vollstdndig durch die Verteilungsfunktion F(x; y)
= P(X
~
x; Y
~
y)
(11-215)
darstellen laBt. Dabei ist P(X ~ x; Y ~ y) die Wahrscheinlichkeit dafiir, daB die (erste) Zufallsvariable X einen Wert kleiner oder gleich x und die (zweite) Zufallsvariable Y gleichzeitig einen Wert kleiner oder gleich y annimmt.
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
Anmerkungen
401
y
(1)
Die zweidimensionale Zufallsvariable (X; Y) wird haufig auch als zweidimen- b 2 sionaler Z ufallsvektor bezeichnet. X und Y sind dabei die beiden Komponenten dieses Vektors.
(2)
Man sagt auch, F(x; y) beschreibe die gemeinsame Verteilung der Zufallsvariablen X und Y
x Bild 11-117 33)
Sind die Zufallsvariablen X und Y beide stetig, so gilt diese Formel auch fur den abgeschlossenen rechteckigen Bereich at ~ X ~ b t , a 2 ~ Y ~ b2 •
II Wahrscheinlichkeitsrechnung
402
Bei den weiteren Uberlegungen unterscheiden wir noch, ob die Zufallsvariablen X und Y beide diskret oder stetig sind. Die entsprechenden zweidimensionalen Verteilungen werden dann als diskrete bzw. stetige Verteilungen bezeichnet.
7.2.2 Diskrete zweidimensionale Verteilung Eine zweidimensionle Zufallsvariable (X; Y) heiBt diskret, wenn beide Komponenten (d.h. X und Y) diskrete Zufallsvariable sind. Wir wollen dabei der Einfachheit halber annehmen, daB die diskreten ZufaIlsvariablen X und Y unabhangig voneinander die endlich vielen Werte bzw.
(11-220)
durchlaufen. Mit (11-221) bezeichnen wir die Wahrscheinlichkeit fur das Eintreten des Ereignisses "X = Xi; Y == Yk" (i = 1, 2, ... , m; k = 1,2, ... , n). Die zweidimensionale Verteilungstabelle hat dann das folgende Aussehen: X
Y
Randverteilung I, (x)
Randverteilung f2 (Y) Die Wahrscheinlichkeitsverteilung der diskreten zweidimensionalenZufallsvariablen (X; Y) kann dann vollstandig durch die wie folgt definierte Wahrscheinlichkeitsfunktion f (x; y) beschrieben werden: Pik
f(x;y)= (i
{
0
(11-222)
fur aIle iibrigen (x; y)
= 1, 2, ... , m; k = 1, 2, ... , n). Es ist stets f (x; y) ~ 0 und m
n
i= 1
k= 1
I I
f
(Xi; Yk) = 1
(N ormierung)
(11-223)
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
403
Die zugehorige Verteilungsfunktion lautet damit:
F(x; y) =
I I Xi ~ X
Yk
(11-224)
f(x;; Yk)
~
Y
Die sag. Randverteilungen der Zufallsvariablen X bzw. Y in der zweidimensionalen Zufallsvariablen (X; Y) erhalt man, indem man in der Verteilungstabelle die Einzelwahrscheinlichkeiten Pik zeilen- bzw. spaltenweise aufaddiert (grau unterlegte Bereiche in der Verteilungstabelle). So ist x
=
Xi
(i
= 1, 2, ... , m)
fiir alle iibrigen
(11-225)
X
die Randverteilung von X in der zweidimensionalen Zufallsvariablen (X; Y) und somit die Wahrscheinlichkeitsfunktion der Zufallsvariablen X. Analog ist
f2(Y)=
{
P:* 0
fiir
Y = Yk
(k
= 1, 2, ... , n)
(11-226)
alle iibrigen Y
die Randverteilung von Y in der zweidimensionalen Zufallsvariablen (X; Y), d.h. die Wahrscheinlichkeitsfunktion der Zufallsvariablen Y. Wir fassen kurz zusammen:
II Wahrscheinlichkeitsrechnung
404 Anmerkung
Alle Uberlegungen und Aussagen lassen sich sinngemiij3 auch auf Verteilungen von n diskreten Zufallsvariablen X l' X 2' , X n , d.h. auf Verteilungen der diskreten n-dimensionalen Zufallsvariablen (Xl; X 2; ; X n ) (auch n-dimensionaler Zufallsvektor genannt) iibertragen,
•
Beispiel Beim dreimaligen Wurf einer homogenen Miinze sind die folgenden acht gleichwahrscheinlichen Elementarereignisse moglich (Z: Zahl; W: Wappen):
ZZZ, ZZlt: zwz,
wzz, ZWlt: WZlt: wwz, WWW
Wir beobachten dabei die folgenden diskreten Zufallsvariablen: X = Anzahl "Zahl" beim ersten Wurf
Y = Anzahl "Zahl" bei drei Wiufen
Die Zufallsvariable X kann nur die beiden Werte 0 und 1 annehmen, je nachdem, ob beim1. Wurf "Wappen" oder "Zahl" erscheint. Fur die Zufallsvariable Y sind dagegen die vier Werte 0, 1, 2 und 3 moglich, Wir fassen jetzt die beiden Zufallsvariablen X und Y zu einer diskreten zweidimensionalen Zufallsvariablen (X; Y) zusammen, ordnen dann den moglichen Wertepaaren dieser zweidimensionalen Zufallsgrolle die entsprechenden Elementarereignisse zu und bestimmen schlieBlich die Wahrscheinlichkeiten dieser Ereignisse: ("Wappen" beim 1. Wurf) Y=O
WWW
---+
P(X
= 0; Y = 0) = 1/8
Y=l
WWZ, WZW
---+
P(X
= 0; Y = 1) = 2/8
Y=2
WZZ
---+
P(X
= 0; Y = 2) = 1/8
Y=3
unmoglich
---+
P(X
= 0; Y = 3) = 0
("Zahl" beim 1. Wurf) Y=O
unmoglich
---+
P(X=l;Y=O)=O
Y=l
ZWW
---+
P(X
= 1; Y = 1) = 1/8
Y=2
zzn:
---+
P (X
= 1; Y = 2) = 2/8
Y=3
ZZZ
---+
P(X
= 1; Y = 3) = 1/8
ZWZ
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
405
Damit erhalten wir die folgende zweidimensionale Verteilungstabelle:
Y
x o
Durch zeilen- bzw. spaltenweise Addition erhalten wir hieraus die Wahrscheinlichkeitsfunktionen der Randverteilungen von X bzw. Y in dieser zweidimensionalen Verteilung (grau unterlegte Bereiche), Die zugehorigen Verteilungstabellen lauten somit: Xi
0
fl (xJ
-
-
2
2
1
1 1
Yk
0
1
f2 (Yk)
-
1 8
-
-
8
8
3
2
3
3 1 8
-
•
7.2.3 Stetige zweidimensionale Verteilung Eine zweidimensionale Zufallsvariable (X; Y) heiBt stetig, wenn beide Komponenten (d.h. X und Y) stetige Zufallsvariable sind. In diesem Fall wird die Verteilungsfunktion wie bei der eindimensionalen Verteilung in der Integralform, hier also durch ein uneigentliches Doppelintegral definiert 34): y
x
F (x; y)
f
=
f
u=-oo
f(u; v) dv du
(11-229)
v=-oo
Die Integrandfunktion f (x; y) ~ 0 ist dabei die normierte Wahrscheinlichkeitsdichte oder kurz Dichtefunktion der zweidimensionalen Wahrscheinlichkeitsverteilung. Es gilt somit: 00
f
x=-oo
34) U
00
f
f(x;y) dy dx = 1
y=-oo
und v sind Integrationsvariable.
(11-230)
II Wahrscheinlichkeitsrechnung
406
Die Dichten der Randverteilungen erhalten wir durch Integration der zweidimensionalen Dichtefunktion f (x; y)beziiglich der Variablen x bzw. y. Die Randverteilung der Zufallsvariablen X in' der zweidimensionalen Verteilung besitzt daher die Dichtefunktion 00
f
11 (x) = y
= -
I (x; y) dy
(11-231)
00
Analog erhalten wir die Dichtefunktion der Randverteilung von Yin der zweidimensionalen Verteilung:
f x = -
I(x;y)dx 00
Wir fassen diese Ergebnisse kurz zusammen:
(11-232)
407
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
Anrnerkungen fl(X) ist die Dichtefunktion der Zufallsvariablen X,f2 (y) die Dichtefunktion der
(1)
Zufallsvariablen 1': (2)
•
Diese Aussagen lassen sich sinngernii./3 auch auf Verteilungen einer stetigen n-dirnensionalen Zufallsvariablen (X 1; X 2; ... ; X n) iibertragen. Beispiele
(1)
Die Dichtefunktion einer zweidimensionalen Gleichverteilung laute wie folgt:
f(x;y)= {
const. = c 0
o ~ x ~ 2,
fur
0
~
y
~
5.
allc iibrigen (x; y)
(Bild 11-118). Wir interessieren uns fur die. Verteilungsfunktion F(x;y) und die Wahrscheinlichkeit P(X ~ 1; y ~ 3). f(x;y) f(x;y)
=c
c
Bild 11-118
5 y
x
2
Zunachst bestimmen wir die Konstante c aus der Norrnierungsbedingung
(11·230): 00
2
00
f
f
x=-oo
f(x; y) dy dx
f f
=
y=-oo
5
x=O
C
dy dx
y=O
Wir erhalten: 2
5
f f x=O
y=o
2
cdydx = c·
5
f f x=O
dydx=10c=1
y=O
A = 10
=1
408
II Wahrscheinlichkeitsrechnung 2
Denn das Doppelintegral
5
f f
dy dx beschreibt den Fliicheninhalt des
x=o y=o rechteckigen .Definitionsbereiches und besitzt den Wert A == 10 (hellgrau unterlegtes Rechteck in Bild 11-118). Somit ist c == 0,1. Die Verteilungsfunktion F(x; y) HiBt sich damit in dem rechteckigen Bereich ~ x ~ 2, ~ y ~ 5 durch das folgende Doppelintegral darstellen:
°
°
x
f f
F(x; y) =
x
y
0,1 dv du = 0,1·
u=o v=o
y
f f
dv du
u=o v=o
Wir losen dieses Integral schrittweise wie folgt: Innere Integration (nach der Variablen v):
;fufJere Integration (nach der Variablen u): x
f
x
y du =
f
r
u=o
J:
du = y [ u
= 0
= xy
u=o
Die Verteilungsfunktion der zweidimensionalen Verteilung lautet daher im Bereich ~ x ~ 2, ~ y ~ 5 wie folgt:
°
°
F(x; y) == 0,1 xy
Die gesuchte Wahrscheinlichkeit P(X P(X
~
1; Y
~
~
1; Y
~
3) betragt dann:
3) == F (1; 3) == 0,1 . 1 . 3 == 0,3
Die Wahrscheinlichkeit dafiir, daB die Zufallsvariable X einen Wert annimmt, der hochstens gleich 1 ist und gleichzeitig die Zufallsvariable Yeinen Wert, der hochstens gleich 3 ist, betragt demnach 300/0. (2)
Die in der gesamten x, y- Ebene definierte Dichtefunktion
liefert ein Beispiel fur eine normalverteilte zweidimensionale Zufallsvariable (X; Y) (sog. zweidimensionale Normalverteilung).
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
409
Wir bestimmen die Dichtefunktionen fl (x) und f2 (y) der Randverteilungen der beiden Komponenten X und Y in dieser zweidimensionalen Verteilung. Bei der Auswertung der dabei anfallenden Integrale benutzen wir die bekannte Beziehung 35)
-00
Dichtefunktion
y
/1 (x)
f
= -
,1
f
f(x; y)dy = 12n·
y = - 00
00
1
1 (X)2 --
=-·e 12n
2 3
f
1
00
.
(y - 2)2
e 2
2
dy
-00
Das Integral l , fiihren wir durch die Substitution
y-2
t=--
2
dt dy
2'
dy = 2 dt
wie folgt auf das bekannte Integral I zuriick (die Integrationsgrenzen bleiben dabei erhal ten):
-00
-00
-00 ~
I
Somit ist
die Dichtefunktion der Zufallsvariablen X.
35)
Es handelt sich urn die (urngeforrnte) Normierungsbedingung (11-171) fur die Dichtefunktion der Standardnorrnalverteilung.
II Wahrscheinlichkeitsrechnung
410
Dichtefunktion f 2 (y)
f
f2 (Y) =
x = -
x = -
00
00
Mit der Substitution
dt dx
x
t =3'
1
dx = 3 dt
3'
erhalten wir dann (die Integrationsgrenzen bleiben dabei unverdndertt:
f
1
00
12
=
e-
(X)2
2"3
f
1
00
dx
=
-00
e-
2t
2
f
1
00
.
3 dt
= 3·
-00
e-
2t
2
dt =
-00
'-...-'
I
=3I=3J2;
Damit ist 1
(y - 2)2
f2(Y) = _1_. e -2 -2-·· 12n
1
.
3J2; = _1_. e -2
J8;
die Dichtefunktion der zweiten Komponente 1:
(y - 2)2 -2-
•
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
411
7.3 Stochastisch unabhangige Zufallsvariable Haufig werden bei einem Zufallsexperiment zwei Gr6Ben oder Merkmale X und Y gleichzeitig beobachtet, deren einzelne Ergebnisse jedoch vollig unabhdngig voneinander sind. Der beobachtete Wert der einen Zufallsvariablen hat 'also keinerlei EinfluB auf den beobachteten Wert der anderen Zufallsvariablen. Wir geben zunachst ein einfaches Beispiel.
•
Beispiel Beim Wiirfeln mit unterscheidbaren homogenen Wiirfeln konnen die beiden Zufallsvariablen X == Augenzahl des 1. Wurfels
und Y
==
Augenzahl des 2. Wurfels
unabhdngig voneinanderjeden der insgesamt 6 Werte 1, 2, 3, 4, 5 und 6 annehmen. Die Augenzahl des einen Wiirfels ist dabei vollkommen unabhdngig davon, welches Ergebnis der andere Wiirfel bringt. Es handelt sich also urn voneinander unabhdngige Ergebnisse. _
Diese Uberlegungen fiihren uns zu dem wie folgt definierten Begriff der stochastischen Unabhdngigkeit von Zufallsvariablen.
Anmerkungen (1) Ist die Bedingung (11-236) jedoch nicht erfiillt, so heiBen die Zufallsvariablen stochastisch abhdngig. (2)
Die Bedingung (II-236) bedeutet, daB die beiden Ereignisse "X ~ x" und "Y ~ y" stochastisch unabhdngig sind (vgl. hierzu Abschnitt 3.6 iiber stochastisch unabhdngige Ereignisse).
(3)
Sind X und Y stochastisch unabhdngige Zufallsvariable, so gilt fur die zugehorigen Wahrscheinlichkeits- bzw. Dichtefunktionen die folgende Beziehung: f (x; y) == I, (x) . f2 (Y)
(11-237)
412
II Wahrscheinlichkeitsrechnung
Sie ist eine notwendige und hinreichende Bedingung fur die stochastische Unabhdngigkeit der Zufallsvariablen X und Y. (4)
Der Begriff der stochastischen Unabhdngigkeit HiBt sich auch auf n Zufallsvariable ausdehnen. Die Zufallsvariablen Xl' X 2' ... , X nmit den Verteilungsfunktionen F 1(Xl)' F 2(X2), ... , Fn(Xn) und der gemeinsamen n-dimensionalen Verteilungsfunktion F (X1; X 2; .•. ; X n) heiBen stochastisch unabhiingig, wenn die Beziehung F(x 1 ; x 2 ; · · · ; x n) = F; (Xl)· F 2 ( X 2 ) · · • Fn(xn) fur aIle (Xl; X 2;
.•. ; X n )
(11-238)
erfiillt ist.
Die Bedingung (11-239) fur die zugehorigen Wahrscheinlichkeits- bzw. Dichtefunktionen ist dabei notwendig und hinreichend fur die stochastische Unabhdngigkeit der n Zufallsvariablen
x., X 2 , · · · , X n • (5)
In der Praxis ist es oft sehr miihsam und schwierig, die stochastische Unabhangigkeit zweier Zufallsvariabler anhand der Bedingung (11-236) nachzuweisen. In vielen Fallen jedoch laBt sich die Unabhangigkeit logisch begriinden.
•
Beispiele
(1)
In einer Urne befinden sich drei weiBeund zwei schwarze.Kugeln (Bild 11-119). Wir entnehmen ihr nacheinander
1000H
Bild 11-119
zufallig zwei Kugeln und beobachten dabei die wie folgt definierten diskreten Zufallsvariablen: X = Farbe der bei der 1. Ziehung erhaltenen Kugel Y = Farbe der bei der 2. Ziehung erhaltenen Kugel Wir vereinbaren: Wird eine weij3e Kugel gezogen, so besitzt die entsprechende Zufallsvariable den Wert O,bei der Ziehung einer schwarzen Kugel den Wert 1. Im weiteren Verlauf miissenwir noch unterscheiden, ob die Ziehung der Kugeln mit oder ohne Zuriicklegen erfolgen soll,
413
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen 1. Fall: Ziehung mit Zuriicklegen
Wir konnen dieses Zufallsexperiment durch den folgenden Ereignisbaum beschreiben (Bild 11-120):
2/5
loooeel 3/5
Bild 11-120 Ereignisbaum bei einer Ziehung mit Zuriicklegen
loooeel
1. Ziehung
p(OO) = p ( eO)
3 3
9
2 3
6
I
3/5
I I I
2. Ziehung
5' 5 = 25 = 0,36
= 5.5 = 25 = 0,24
p ( 0 e)
3 2
6
2 2
4
= 5.5 = 25 = 0,24
p(ee) =
5' 5 = 25 = 0,16
Die gemeinsame Wahrscheinlichkeitsfunktion f (x; y) besitzt damit die folgenden Werte: f(O; 0) = p(O 0) = 0,36 f(O; 1) = p(Oe) = 0,24 f(l; 0) = p(e 0) = 0,24 f(l; 1) = p(ee) = 0,16
II Wahrscheinlichkeitsrechnung
414
Die Verteilungstabelle der zweidimensionalen (X; Y)- Verteilung besitzt daher das folgende Aussehen:
o
e
Y X
o e
° 1
Die durch zeilen- bzw. spaltenweise Addition erhaltenen Randverteilungen liefern uns die Wahrscheinlichkeitsfunktionen 11 (x) und 12 (y) der beiden Zufallsvariablen X und Y und sind in der Verteilungstabelle jeweils grau unterlegt. Sie lauten also: x
11 (x)
°
0,6
y
0,4
°
Wir vermuten dabei, daf die beiden Zufallsvariablen X und Y stochastisch unabhdngig sind und begrunden dies inhalt1ich wie folgt: Da die bei der 1.
Ziehung entnommene Kugel (ob weif oder schwarz) vor der 2. Ziehung in die Urne zuriickgelegt wird, haben wir bei beiden Ziehungen exakt die gleiche Ausgangslage. In der Urne befinden sich in beiden Fallen jeweils drei weiBe und zwei schwarze Kugeln. Das Ergebnis der 2. Ziehung muf daher vom Ergebnis der 1. Ziehung unabhdngig seine Zu dem gleichen Ergebnis kommen wir, in dem wir die fur die stochastische Unabhangigkeit hinreichende Bedingung I (x; y) == 11(x) . 12 (y) fur alle Wertepaare iiberpriifen:
== 0,36
11 (0) . 12 (0)
== 0,6 . 0,6 == 0,36 == 1(0; 0)
1(0; 1) == 0,24
11 (0) . 12 (1)
== 0,6 . 0,4 == 0,24 == 1(0; 1)
== 0,24
11 (1) . 12 (0)
== 0,4 . 0,6 == 0,24 == 1(1; 0)
1(1;1)==0,16
11 (1) . 12 (1)
== 0,4 '0,4 == 0,16 == 1(1; 1)
1(0; 0)
1(1; 0)
Die hinreichende Beditigung ist somit erfidlt, die beiden Zufallsvariablen X und Y sind daher stochastisch unabhdngig.
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
415
2. Fall: Ziehuog ohne Zuriicklegeo Wir erhalten diesmal den in Bild 11-121 dargestellten Ereignisbaum:
2/5
loooeel 3/5
looeel
Bild 11-121
Ereignisbaum bei einer Ziehung ohne Zuriicklegen
I I
I I
1. Ziehvng
p(OO) ==
p(
3 1
3
2 3
6
5·2 == 10 == 0,3
eO) == 5.4 == 20 == 0,3
2. Ziehung
p(oe) ==
o e
e
y
x
°
3
2 1
2
pcee) == 5·4 == 20 == 0,1
Dies fuhrt zu der folgenden Verteilungstabelle:
o
3 1
5·2 == 10 == 0,3
}/1 (x)
416
II Wahrscheinlichkeitsrechnung
Die grau unterlegten Randverteilungen ergeben die folgenden Wahrscheinlichkeitsfunktionen fur die beiden Zufallsvariablen X und Y: x
°
0,6
1
y
0,4
°
1 0,4
Die Zufallsvariablen sind diesmal jedoch stochastisch abhdngig. Denn wegen 1(0; 0) == 0,3
und
11 (0) . 12 (0)
== 0,6 . 0,6 == 0,36
und somit 1(0; 0) =F 11(0) ·12 (0)
ist die fur die Unabhangigkeit notwendige (und hinreichende) Bedingung (x; y) == 11(x) ·12 (y) nicht iiberall erfullt, Wir geben dafiir die folgende logische Erklarung: Vor der 2. Ziehung befinden sich in der Urne entweder zwei weiBe und zwei schwarze Kugeln oder drei weiBe und eine schwarze Kugel, je nachdem, ob beim erstenmal eine weij3e oder eine schwarze Kugel gezogen wurde. Der Ausgangszustand der Urne vor der 2. Ziehung hangt somit noch vom Ergebnis der 1. Ziehung abo Die Zufallsvariablen X und Y sind daher stochastisch abhdngig, sie beschreiben also stochastisch abhdngige Ereignisse.
I
(2)
Ein Sportschiitze versucht, das Zentrum einer Zielscheibe zu treffen. Wir nehmen nun an, daB der Einschuf an der Stelle P auf der Scheibe erfolge. Die Lage dieses Punktes fixieren wir durch die kartesischen Koordinaten X und 1': wobei wir das Scheibenzentrum als Koordinatenursprung gewahlt haben (Bild 11-122). Diese Koordinaten beschreiben dann die Abweichungen vom angestrebten Ziel in horizontaler bzw. vertikaler Richtung und konnen als zwei normalverteilte stetige Zufallsvariable mit den Mittelwerten J11 ==J12 == und den (unbekannten) Standardabweichungen IT1 und IT2 betrachtet werden. Die Lage des EinschuBpunktes P wird also durch eine zweidimensionale Zufallsvariable (X; Y) mit normalverteilten Komponenten festgelegt.
°
y
p
x
x
Bild 11-122 Der EinschuBpunkt P auf der Zielscheibe HiBt sich durch die beiden Koordinaten X und Y beschreiben, die hier als Zufallsvariable aufzufassen sind
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
417
Die zugehorigen Dichtefunktionen j', (x) undf2(Y) der normalverteilten Koordinaten X und Y lauten somit:
(-oo<x
(-oo
Ferner konnen wir davon ausgehen, daB die Abweichungen X und Y vollig unabhdngig voneinandersind und sich gegenseitig nicht beeinflussen. Mit anderen Worten: Wir diirfen die kartesischen Koordinaten X und Y als stochastisch unabhdngige Zufallsvariable auffassen. Die gemeinsame Dichtefunktion f (x; y) der zweidimensionalen Verteilung erhalten wir daher, in dem wir die Dichten I, (x) und f2 (y) der beiden eindimensionalen Komponenten X und Y miteinander multiplizieren:
• 7.4 Funktionen von mehreren Zufallsvariablen Ordnet man den beiden Zufallsvariablen Xund Y durch eine eindeutige Vorschrift, z.B. in Form einer Gleichung vom Typ Z = g(X; Y) eine neue Variable Z zu, so stellt diese von X und Y abhangige Funktion ebenfalls eine Zufallsvariable dar. Die Wahrscheinlichkeitsverteilung dieser Zufallsvariablen Z laBt sich dabei wiederum durch eine Wahrscheinlichkeits- bzw. Dichtefunktion f (z) oder aber durch eine Verteilungsfunktion F (z) vollstandig beschreiben. Es stellt sich dann das folgende Problem: Wie ermittelt man in einem konkreten Fall die Funktionen f (z) und F (z) aus der als bekannt vorausgesetzten Wahrscheinlichkeits- bzw. Dichtefunktion f (x; y) der zweidimensionalen Zufallsvariablen (X; Y) und der vorgegebenen Funktionsgleichung Z = g(X; Y)? Wir zeigen die Vorgehensweise an einem einfachen Beispiel.
II Wahrscheinlichkeitsrechnung
418
•
Beispiel Beim Wurf zweier unterscheidbarer homogener Wiirfel (Standardbeispiel 2 aus Abschnitt 2.1) beobachten wir die beiden stochastisch unabhdngigen Zufallsvariablen
X = Augenzahl des 1. Wiirfels und Y = Augenzahl des 2. Wiirfels
Dann ist die Summe
Z=X+Y eine von X und Y abhangige Zufallsvariable (Funktion), durch die die beim Wurf beobachtete Augensumme beschrieben wird. Z ist dabei wie X und Yeine diskrete Zufallsvariable und durchlauft alle ganzzahligen Werte von z = 2 bis hin zu z = 12. Die insgesamt 62 = 36 moglichen Augenpaare (X; Y) (Elementarereignisse) treten dabei alle mit der gleichen Wahrscheinlichkeit von 1/36 auf. Die zweidimensionale Zufallsvariable (X; Y) besitzt somit die folgende Wahrscheinlichkeitsfunktion:
f(x; y) =
{
x, y = 1, 2, ... , 6
3:
fur alle iibrigen
(x; y)
Die 36 Elementarereignisse (1; 1), (1; 2), (1; 3), ... , (6; 5), (6; 6), Iassensich dabei den moglichen z-Werten wie folgt zuordnen: z
2
3
4
5
6
(1; 1) (1; 2) (1; 3) (1; 4) (1; 5) (2; 1) (2;2) (2; 3) (2;4) (3; 1) (3; 2) (3; 3) (4; 1) (4; 2) (5; 1)
7
8
(1; 6) (2; 5) (3; 4) (4; 3) (5;2) (6; 1)
(2; 6) (3; 5) (4; 4) (5; 3) (6; 2)
9
10
11
12
(3; 6) (4; 6) (5; 6) (6; 6) (4; 5) (5; 5) (6; 5) (5; 4) (6;4) (6; 3)
Die in der vorletzten, hellgrau unterlegten Zeile festgestellte absolute Haufigkeit gibt dabei an, durch wieviel verschiedene Elementarereignisse (geordnete Augenpaare) sich ein vorgegebener Summenwert z zwischen z = 2 und z = 12 realisieren laBt. Dividiert man diese Zahlen noch durch die Anzahl der insgesamt moglichen Augenpaare, also durch 36, so erhalt man die Wahrscheinlichkeiten fur die verschiedenen
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
419
moglichen Werte der abhangigen Zufallsvariablen Z. Die letzte (dunkelgrau unterlegte) Zeile ist somit die tabellarische Darstellung der gesuchten Wahrscheinlichkeitsfunktion f (z) (fur alle iibrigen z ist f (z) = 0).
•
Analog wird durch die Funktionsgleichung Z=g(X 1;X2 ; ..• ;X n )
(11-240)
eine neue Zufallsvariable Z definiert, die eine Funktion der n Zufallsvariablen Xl' X 2' ... , X n darstellt.
7.5 Summen und Produkte von Zufallsvariablen In den Anwendungen treten haufig Zufallsvariable auf, die als Summe oder Produkt von Zufallsvariablen darstellbar sind. Mit ihren Eigenschaften, insbesondere mit ihren Mittelwerten und Varianzen wollen wir uns in diesem Abschnitt beschaftigen,
7.5.1 Additionssatz fur Mittelwerte X und Y seien zwei diskrete oder stetige Zufallsvariable mit den Mittelwerten E(X) = flx und E (Y) = fly. Dann ist die aus ihnen gebildete Summe Z = X + Y ebenfalls eine Zufallsvariable mit dem Mittelwert E(Z) = E(X + Y) = E(X) + E(Y)
(11-241)
oder - in anderer Schreibweise -
flz = flx + fly
(11-242)
Dies ist der sog. Additionssatz fur Mittelwerte. Er lautet in allgemeiner Form wie folgt:
420
II Wahrscheinlichkeitsrechn ung
Anmerkung Der Additionssatz HiBt sich noch etwas allgemeiner fassen: Fur eine aus n Zufallsvariablen Xl' X 2' ... , X n gebildete Linearkombination vorn Typ (11-246)
gilt: (11-247) (ai : reelle Koeffizienten; i == 1, 2, ... , n). Wir folgern daraus: Fur den Mittelwert der Differenz 2 == X - Y gilt somit:
E(X - Y) == E(X) - E(Y) •
(11-248)
Beispiele
(1)
Die Zufallsvariablen Xl' X 2 und X 3 besitzen der Reihe nach die Mittel- oder Erwartungswerte /11 == 3, /12 == 2 und /13 == - 1. Mit Hilfe des Additionssatzes fur Mittelwerte berechnen wir nun die Mittelwerte der folgenden ZufallsvariabIen: 2 1 == X 1 + X 2 + X 3 23
== 5(X 1 + X 3 ) + X 2
2 2 == 2X 1 24
== 2(X 1
+ 5X 3 3X 2 ) + 3X 3
3X 2
-
Wir erhalten der Reihe nach: E (2 1)
== /11 + /12 + /13 == 3 + 2 - 1 == 4
E (2 2)
== 2/11 - 3 /12 + 5 /13 == 2 . 3 - 3 . 2 + 5 . (- 1) == - 5
E(2 3 ) == 5(/11 E (2 4 )
(2)
== 2 (/11
+ /13) + /12 == 5(3 - 1) + 2 == 12 - 3 /12) + 3 /13 == 2 (3 - 3 . 2) + 3 . (-
1) == - 9
Beim Zufallsexperiment "Wurfeln mit zwei unterscheidbaren homogenen Wurfeln" interessieren wir uns fur die Zufallsvariable 2 == Augensumme beider Wurfel
die als Summe der beiden Zufallsvariablen X == Augenzahl des 1. Wurfels
und Y == Augenzahl des 2. Wiirfels
darstellbar ist. Die Zufallsvariablen X und Y besitzen dabei nach Beispiel 2 aus Abschnitt 5.1.2 die M ittelwerte /1x == 3,5 und /1y == 3,5. Aus dem Additionssatz (II-245) folgt dann fur den Mittelwert der Summe 2 == X + Y: /1z == /1x
+ /1y == 3,5 + 3,5 == 7
(in Ubereinstimmung mit dem Ergebnis aus Beispiel 1 in Abschnitt 5.3).
•
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
421
7.5.2 Multiplikationssatz fur Mittelwerte Wir gehen zunachst wiederum von zwei diskreten oder stetigen Zufallsvariablen X und Y mit den Mittelwerten E (X) == f.1x und E (Y) == f.1y aus, interessieren uns diesmal aber fur den Mittelwert des Produktes Z == X . Y Es laBt sich dann zeigen, daB im allgemeinen die folgende Ungleichung gilt:
== E(X . Y) # E(X) . E(Y)
E(Z)
(11-249)
Sind die beiden Zufallsvariablenjedoch stochastisch unabhiingig, so geht die Ungleichung in eine Gleichung iiber und wir erhalten den sog. M ultiplikationssatz fur M ittelwerte in der speziellen Form
== E(X . Y) == E(X) . E(Y)
E(Z)
(11-250)
oder - in anderer Schreibweise f.1z
==
f.1x . f.1y
(II-251)
Er laBt sich wie folgt verallgemeinern:
Anmerkung
Man beachte, daB der Multiplikationssatz fur Mittelwerte nur fur stochastisch unabhdngige Zufallsvariable gilt.
II Wahrscheinlichkeitsrechnung
422
•
Beispiele (1)
Beim "Wurfeln mit zwei unterscheidbaren homogenen Wurfeln" betrachten wir wiederum die beiden stochastisch unabhdngigen Zufallsvariablen X == Augenzahl des 1. Wurfels
und Y == Augenzahl des 2. Wurfels
Dann ist auch das Produkt Z' == X . Y eine Zufallsvariable mit der folgenden Bedeutung:
Z == Produkt der Augenzahlen beider Wiafe! Unser Interesse gilt fortan dem Mittelwert Ilz == E(Z) dieses Produktes, wobei wir zwei verschiedene Losungswege einschlagen werden.
1. Losungsweg: Berechnung des M ittelwertes Ilz mit H iIfe der Wahrscheinlichkeitsfunktion f (z)
Fur die Zufallsvariable Z == X . Y sind nur bestimmte ganzzahlige Werte zwischen z == 1 (kleinster Wert) und z == 36 (grojJter Wert) moglich. Die insgesamt 6 2 == 36verschiedenen geordneten Augenpaare (X; Y) (Elementarereignisse) treten dabei mit der gleichen Wahrscheinlichkeit f (x; y) == 1/36 auf. Wir stellen nun bei jedem der moglichen Augenpaare den jeweiligen Produktwert z == x . y fest und ordnen dann die Augenpaare den moglichen z-Werten wie folgt zu:
(1;1)
('2; 5) (5; 2)
(1;2) (2; 1)
(1; 3) (3; 1)
(2; 6) (3; 4) (4; 3) (6; 2)
(1; 4)
(2; 2) (4; 1)
(1; 5) (5; 1)
(1; 6) (2; 3) (3; 2) (6; 1)
(3; 5) (5; 3)
(2;4) (3;3) (4; 2)
(4; 4)
(3; 6)
(6; 3)
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
(4; 5)
(4; 6)
(5; 4)
(6; 4)
423
(5; 5)
(5; 6)
(6; 6)
(6; 5)
Es treten genau 18 verschiedene Produktwerte auf. Wir erhalten damit die folgende Hdufigkeits- bzw. Verteilungstabelle:
Die grau unterlegte letzte Zeile enthalt die Wahrscheinlichkeit fur das Auftreten der verschiedenen z-Werte und ist somit die tabellarische Darstellung der Wahrscheinlichkeitsfunktion f (z). Mit ihr berechnen wir den M ittelwert /lz == E (Z) gemaf der Definitionsformel (11-97): flz = E(Z) =
I
Zi .
I(z;) =
i
==
1 1 .36
2
2
1
36
36
36
+ 2 . - + 3 . - + ... + 36 . -
441
== -
36
==
12 25 '
II Wahrscheinlichkeitsrechnung
424
2. Losungsweg: Berechnung des Mittelwertes J1z mit Hilfe des Multiplikationssatzes fur M ittelwerte Da die Zufallsvariablen X und Y stochastisch unabhdngig sind, konnen wir den M ultiplikationssatz fur M ittelwerte anwenden. Er liefert uns unter Beachtung von J1x = J1y = 3,5 das bereits vom 1. Losungsweg her bekannte Ergebnis, allerdings auf einem wesentlich kiirzeren Wege:
J1z = J1x . J1y = 3,5 . 3,5 = 12,25 Dabei haben wir uns auf das Beispiel (2) aus Abschnitt 5.1.2 gestiitzt, in dem die mittlere Augenzahl beim "Wurf mit einem homogenen Wurfe!" berechnet wurde (Ergebnis: J1 = 3,5). Die stochastisch unabhdngigen Zufallsvariablen Xl' X 2 und X 3 besitzen der Reihe nach die Mittel- oder Erwartungswerte J11 = 2, J12 = 4 und J13 = - 5. Wir wollen mit dem Multiplikationssatz fur Mittelwerte (und teilweise auch unter Verwendung des Additionssatzes) die M ittelwerte der folgenden Zufallsvariablen berechnen:
(2)
1 Z4 - ' X 13 'X 2 'X 32 - 100
Das Ergebnis lautet dann wie folgt:
E (Z 1) = J11 . J12 . J13 = 2 . 4 . ( - 5) = - 40 E(Z2) = J13(J12 '- J11) = - 5(4 - 2) = - 10 E(Z3) = (J11 E(Z4) =
+ 2J12) (J11 + J13) = (2 + 2· 4) (2 -
1~O . /1f . /12 . /1~ = 1~O . (2)3 ·4 . (-
5) =
w
=
8
- 30
•
7.5.3 Additionssatz fur Varianzen Fur die Varianz
O"i
einer Summe Z = X
+
Y HiBt sich die allgemein giiltige Beziehung (11-255)
herleiten. Dabei sind O"i und 0": die Varianzen der beiden Zufallsvariablen X und Y und 0" xr die als Kovarianz der Zufallsvariablen X und Y bezeichnete Grobe O"XY
= E(X' Y) - E(X) . E(Y)
(11-256)
Fur stochastisch unabhdngige Zufallsvariable X und Y jedoch gilt nach dem Multiplikationssatz fur Mittelwerte E(X' Y)
und somit
O"XY
= E(X) . E(Y) = O.
(11-257)
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
425
In diesem Sonderfall stochastisch unabhdngiger Zufallsvariabler nimmt der sog. Additionssatz fur Varianzen die spezielle Form (11-258)
an. Er liiBt sich wie folgt verallgemeinern:
Anmerkungen (1) Man beachte, daB der Additionssatz fur Varianzen nur fur stochastisch unabhdngige Zufallsvariable gilt.
(2)
Dieser Additionssatz liiBt sich noch etwas allgemeiner fassen: Fur eine aus n stochastisch unabhdngigen Zufallsvariablen x.. X 2' ... , X n gebildete Linearkombination vom Typ (11-262)
gilt: Var(Z) == ai' Var(X 1 ) + a~' Var(X 2 ) + ... + a~' Var(X n )
(11-263)
Wir folgern daraus: Fur die Varianz der DifJerenz Z == X - Y gilt somit unter der genannten Voraussetzung: Var(X - Y) == 12 . Var(X) + (- 1)2 . Var(Y) == Var(X) + Var(Y) (11-264) Auch bei einer Differenz X - Y addieren sich somit die Varianzen.
426 •
II Wahrscheinlichkeitsrechnung
Beispiele
(1)
Wir kommen nochmals auf das Beispiel aus dem vorangegangenen Abschnitt zuriick (" Wurf mit zwei unterscheidbaren homogenen Wurfeln"). Die beiden stochastisch unabhdngigen Zufallsvariablen X und Y ("Augenzahl des 1. bzw. 2. Wurfels") besitzen dabei die Varianzen O"i == O"~ == 35/12. Damit erhalten wir fur die Varianz ihrer Summe Z == X + Y ("Augensumme beider Wurfel") mit Hilfe des Additionssatzes fur Varianzen den folgenden Wert: 2 O"z
(2)
==
2 O"x
2
+ O"y ==
35 12
35
35
+ 12 == 6 ==
5,83
Bei der in Bild 11-123 dargestellten Parallelschaltung dreier Kondensatoren addieren sich die Einzelkapazitaten C l ' C 2 und C 3 jzur Gesamtkapazitat C. Die Kapazitaten dieser aus einer Serienproduktion stammenden Kondensatoren konnen dabei als voneinander unabhdngige Grolien betrachtet werden und besitzen der Reihe nach die folgenden Mittelwerte und Standardabweichungen: C1 :
J11
== 30 JlF,
0" 1
== 2 JlF
C2 :
J12
== 50 JlF,
0"2
== 2 JlF
C3 :
J13
== 20 JlF ,
0" 3
== 1 JlF
C1
Bild 11-123 Parallelschaltung dreier Kondensatoren
Die Gesamtkapazitat C == C 1 + C 2 + C 3 istdann eine Zufallsgroj3e mit dem Mittelwert J1
==
J11
+ J12 + J13 == (30 + 50 + 20) JlF ==
100 JlF
Aus dem Additionssatz fur Varianzen erhalten wir fur die Varianz Gesamtkapazitat dann den folgenden Wert: 2 2 2 0"2 == O"i + O"~ + O"~ == (2 + 2 + 1 ) (JlF)2 == 9 (JlF)2 Die Gesamtkapazitat C besitzt somit die Standardabweichung
0"
0"2
== 3 JlF.
der
•
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
427
7.5.4 Eigenschaften einer Summe von stochastisch unabhangigen und normalverteilten Zufallsvariablen In den Anwendungen hat man es haufig mit Summen von Zufallsvariablen zu tun, die samtlich normalverteilt und stochastisch unabhdngig sind. Eine aus n stochastisch unabhdngigen Zufallsvariablen Xl' X 2' ... , X n gebildete Summe Z==X 1 + X2 + · · · + Xn
.
(11-265)
besitzt dann nach dem Additionssatz fur Mittelwerte den Mittelwert f.1z
== f.11 + f.12 + ... + f.1n
(11-266)
und nach dem Additionssatz fur Varianzen die Varianz (J~
==
(Ji + (J~ + ... +
(J;
(11-267)
Sind zusatzlich (wie hier vorausgesetzt) samtliche Summanden normalverteilt, so ist auch die Summe Z eine normalverteilte Zufallsgrobe, wie man zeigen kann. Der groBen Bedeutung wegen fassen wir die wichtigsten Eigenschaften einer solchen Summe wie folgt zusammen:
Anmerkung Ein in den Anwendungen wichtiger Sonderfallliegt vor, wenn die stochastisch unabhangigen und normalverteilten Summanden Xi denselben Mittelwert u, == f.1 und dieselbe
II Wahrscheinlichkeitsrechnung
428
Varianz Z == Xl
at == a
2
besitzen (i == 1, 2, ... , n). Dann hat die normalverteilte Summe
+ X 2 + ... + X; den Mittelwert f.1z == f.1 + f.1 + ... + f.1 == nf.1
(11-273)
'-v-'
n-mal und die Varianz (11-274)
n-mal •
Beispiele
(1)
Wir bilden aus n unabhdngigen und normalverteilten ZufaIlsvariablen Xl' X 2' ... , X n , die aIle denselben Mittelwert f.1 und dieselbe Varianz a 2 haben, den arithmetischen Mittelwert
Zwischen X und der Summe Z == X 1 + X 2 + ... + X n besteht dann der lineare Zusammenhang X == (lin) . Z. Wir konnen daher die Zufallsvariable X als eine lineare Funktion der ZufaIlsvariablen Z auffassen. Fur den Mittelwert f.1x und die Varianz a} des arithmetischen Mittelwertes X erhalten wir dann unter Verwendung der Ergebnisse aus Abschnitt 5.5 und der Beziehungen f.1z == n u und a~ == no": - == E (_. 1Z) == _. 1 E(Z) == -(nf.1) 1 f.1x == E(X) == f.1 n n n a~
x
2
~ . ( _. 1 Z) == ( -1 )2 . Var(Z) == -(na 1 2 a == Var(X) == Var ) ==2 n
n
n
n
X besitztdamit denselben Mittelwert wie die ZufaIlsvariablen Xl' X 2' ... , X n , wahrend die Varianz auf den n-ten Teil zuriickgegangen ist. Auf dieses wichtige Ergebnis werden wir im Rahmen der Fehler- und Ausgleichsrechnung zuruck-
(2)
greifen (Kap. IV, Abschnitt 3.1). Der Kern eines Transformators wird schichtweise aus Blechen der Dicke X und Zwischenlagen der Dicke Yaufgebaut (Bild 11-124). X und Y seien dabei normalverteilte Zufallsgrofien mit den folgenden Parametern (Kennwerten): X:
E(X) == f.1x == 0,6 mm,
a x == 0,03 mm
Y:
E(Y) == f.1y == 0,05 mm,
a y == 0,01 mm
Der Kern bestehe aus insgesamt 100 Blechen und somit 99 Zwischenlagen. Die einzelnen Schichtdicken werden dabei als vollig unabhdngig voneinander angesehen. Wir interessieren uns nun fur die Wahrscheinlichkeitsverteilung der Dicke Zdes Transformatorkerns.
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
429
B/ech (Dicke X)
Zwischen/age (Dicke Y)
Bild 11-124 Schichtweiser Aufbau eines Transformatorkerns
Bei der Losung der Aufgabe miissen wir folgendes beachten: Wir haben 100 Bleche mit den Dicken Xl' X 2' ... , X 10o, die alle die gleiche Verteilung besitzen wie die Zufallsvariable X: E (XJ == E (X) == J1x == 0,6 mm
(Ji == (0,03 mm)?
Var(XJ == Var(X) ==
(i == 1, 2, ... , 100). Die Dicken der 99 Zwischenlagen beschreiben wir durch die Zufallsvariablen Y1 , Y2 , ..• , Y9 9 , die alle die gleiche Verteilung besitzen wie die Zufallsvariable Y: E(~)
== E(Y) == J1y == 0,05 mm
Var(~) == Var(Y)
==
(J~
== (0,01 mm)?
(k == 1,2, ... ,99). Die Dicke des Transformatorkerns ist somit eine Summe aus genau 199 unabhdngigen und normalverteilten Zufallsvariablen: 100
Z =
I
99
Xi
i=l
+
I
y,;
k=l
Die Zufallsvariable Z besitzt somit nach Gleichung (11-271) den folgenden M ittelwert: 100
E(Z) =
I
i=l
99
E(XJ
+
I
E(y';) = 100 . E(X)
+ 99 . E(Y) ~
k=l
== 100 . J1x + 99 . J1y == 100 . 0,6 mm + 99 ·0,05 mm == 64,95 mm
430
II Wahrscheinlichkeitsrechnung Die Varianz der Gesamtdicke Z betragt dann nach dem Additionssatz fur Varianzen (II-272): 100
61 = Var(Z) =
I
99
Var(X;)
i=1
+
I
Var(Y,J =
k=1
= 100 . Var(X) + 99 . Var(Y) = 100 . O"i + 99 . O"i; = = 100 . (0,03 mmr' + 99 . (0,01 mm)? = 0,0999 mm ' Die Standardabweichung betragt somito, = 0,316 mm. Da alle 199 unabhangigen Zufallsvariablen Xl' X 2' ... , X 100' Yl , Y2 , ... , Y9 9 stochastisch unabhdngig und normalverteilt sind, trifft diese Eigenschaft auch auf die Summe Z zu. Daher gilt: Die Gesamtdicke Z des Transformatorkerns ist eine normalverteilte Zufallsvariable mit dem M ittelwert /lz = 64,95 mm und der Standardabweichung o"z = 0,316 mm (Bild 11-125).
I I
---T--I I
I I
I I
I
I
I
z mm
Bild 11-125
•
7.6 Uber die groBe Bedeutung der GauBschen Normalverteilung in den Anwendungen 7.6.1 Zentraler Grenzwertsatz Im Ietzten Abschnitt haben wir gesehen, daB die Summe von normalverteilten ZufallsvariabIen ebenfalls eine normalverteilte Zufallsgrolse darstellt. In den naturwissenschaftlichtechnischen Anwendungen hat man es jedoch haufig mit Summen zu tun, deren Summanden nicht aIle normaiverteilt sind oder bei denen die Verteilungen der einzeinen Summanden sogar weitgehend unbekannt sind. Wir geben zunachst zwei wichtige Beispiele aus der Praxis.
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen •
431
Beispiele
(1)
Der MefJfehler X einer physikalisch-technischen Meligrolie kann (wie wir in Kapitel IV nochausfuhrlich begriinden werden) als eine ZufallsgrofJe aufgefaBt werden, die sich additiv aus einer groBen Anzahl voneinander unabhangiger Einzelfehler zusammensetzt. Die Einzelfehler selbst sind wiederum Z ufallsprodukte und lassen sich somit durch stochastisch unabhdngige Zufallsvariable beschreiben.
(2)
Bei der industriellen Fertigung von Werkstiicken auf Maschinen oder Automaten werden stets Abweichungen von den (vorgegebenen) Sollwerten beobachtet, die als Summe sehr vieler kleiner zufalliger Abweichungen angesehen werden konnen.
•
Die Wahrscheinlichkeitsverteilung einer Summe von Zufallsvariablen bleibt daher meistens unbekannt, kann jedoch in vielen Fallen (die beiden soeben genannten Beispiele gehoren dazu) unter bestimmten Voraussetzungen als anndhernd normalverteilt betrachtet werden. Grund dafiir ist der sog. Zentrale Grenzwertsatz der Wahrscheinlichkeitsrechnung, den wir wie folgt formulieren:
Anmerkung Einen Beweis dieses wichtigen Grenzwertsatzes findet man z.B. in dem Lehrbuch .Jngenieur-Statistik'' von Heinhold/Gaede (s. Literaturverzeichnis).
432
II Wahrscheinlichkeitsrechnung
Der zentrale Grenzwertsatz HiBt sich wie folgt interpretieren: Die Zufallsvariable
U == n
Z - nil n ~(J
mit
Zn==X 1 + X2+ ... +Xn
(11-277)
ist fur hinreichend groBes n anndhernd standardnormalverteilt. Dies aber bedeutet zugleich, daB die. aus n Summanden mit der gleichen Verteilungsfunktion bestehende Summe
(11-278) fiir hinreichend groBes n anndhernd normalverteilt ist mit dem Mittelwert E (Zn) == nil und der Varianz Var(Zn) == n(J2.
7.6.2 Wahrscheinlichkeitsverteilung einer Summe von Zufallsvariablen Der zentrale Grenzwertsatz HiBt sich noch etwas allgemeiner formulieren, wenn man die Voraussetzung, daB alle Summanden der gleichen Verteilungsfunktion geniigen, fallen HiBt. Man geht dabei von stochastisch unabhdngigen Zufallsvariablen Xi mit den Mittelwerten E(XJ == Ili und den Varianzen Var(XJ == (Jf aus und bildet daraus zunachst die Summe
(11-279) die ja bekanntlich nach dem Additionssatz fur M ittelwerte bzw. Varianzen den M ittelwert
(11-280) und die Varianz Var(Zn) ==
(J2
==
(Ji + (J~ + ... + (J;
(II-281)
besitzt. Es laBt sich dann unter sehr allgemeinen Voraussetzungen 36) zeigen, daB die Verteilungsfunktion Fn(u) der aus Z; gebildeten standardisierten Zufallsvariablen
Zn_ -_ Jl U == __ f"" n
(J
(11-282)
im Grenzfall n -+ 00 gegen die Verteilungsfunktion ¢ (u) der Standardnormalverteilung konvergiert. Dies aber bedeutet fur hinreichend grojJes n: Die Zufallsvariable U; ist anndhernd standardnormalverteilt und die Summe Z; somit anndhernd normalverteilt mit dem Mittelwert u und der Varianz (J2. Fiir die Praxis bedeutet dies, daB haufig schon Summen mit hinreichend vielen Summanden mit einer vollig ausreichenden Genauigkeit als normalverteilt angesehen werden konnen,
36)
1m Rahmen dieser einfiihrenden Darstellung ist es leider nicht moglich, auf diese Voraussetzungen naher einzugehen. Fur die hier behandelten Verteilungen sind diese Bedingungen jedoch praktisch immer erfiillt (s. hierzu z.B. "Ingenieur-Statistik" von Heinhold/Gaede).
7 Wahrscheinlichkeitsverteilungen von mehreren Zufallsvariablen
433
Wir fassen diese fur Praxis und Anwendung so bedeutenden Aussagen wie folgt zusammen:
Anmerkung
Ob eine Summe Z == Xl + X 2 + ... + X n anndhernd normalverteilt ist, HiBt sich in der Praxis oft anhand einer Stichprobe wie folgt uberpriifen: 1. Graphisch durch Ubcrtragung der Stichprobenwerte auf ein sog. Wahrscheinlichkeitspapier, wobei die Punkte im Falle einer Normalverteilung nahezu auf einer Geraden liegen.
2. Durch Anwendung eines speziellen Prifverfahrens, in der Statistik als Anpassungstest bezeichnet (vgl. hierzu den sog. Chi-Quadrat- Test im nachsten Kapitel).
434
•
II Wahrscheinlichkeitsrechnung
Beispiele (1)
Der MejJfehler X einer physikalisch-technischen MeBgraBe HiBt sich als Summe einer groBen Anzahl von unabhiingigen Einzelfehlern auffassen, die alle jedoch nur einen geringen Beitrag zum Gesamtfehler leisten. Daher kann X als eine (annahernd) normalverteilte Zufallsvariable angesehen werden. Wir behandeln diesen in der Anwendung so wichtigen Fall im iibcrnachstcn Kapitel uber Fehler- und Ausgleichsrechnung ausfiihrlich.
(2)
Das arithmetische Mittel
aus den n voneinander unabhiingigen Stichprobenwerten Xl' X 2' ... , X; ist ebenfalls eine anniihernd normalverteilte Zufallsvariable. Die Stichprobenwerte Xi haben dabei alle die gleiche Verteilungsfunktion mit dem Mittelwert J1 und der Varianz (J2 (i = 1, 2, ... , n). Dann besitzt das arithmetische Mittel X den Mittelwert E(X) = J1 und die Varianz Var(X) = (J2jn. Diese Aussage ist in der Fehlerrechnung von groBer Bedeutung. (3)
Abmessungen von Werkstiicken, die von Maschinen oder Automaten gefertigt werden, sind haufig einer Vielzahl von zufalligen und voneinander unabhiingigen Schwankungen unterworfen. Die Abweichung von einem vorgegebenen Sollwert kann daher als Summe sehr vieler kleiner Zufallsabweichungen betrachtet werden, die auf verschiedene sich jeweils aber nur schwach auswirkende Ursachen zuruckzufiihrcn sind. Die Abmessungen konnen somit als anniihernd normalverteilte Grolsen angesehen werden.
• 7.6.3 Grenzwertsatz von Moivre-Laplace In Abschnitt 6.5 haben wir uns bereits mit der Approximation der Binomialverteilung durch die Normalverteilung ausfiihrlich beschaftigt und uns dabei auf den Grenzwertsatz von M oivre-Laplace berufen. Er laBt sich aus dem zentralen Grenzwertsatz als Sonderfall herleiten und lautet wie folgt:
8 Pruf- oder Testverteilungen
435
Dieser Grenzwertsatz von Moivre-Laplace ist von groBer praktischer Bedeutung, da er eine wesentlich bequemere (naherungsweise) Berechnung einer Binomialverteilung B(n; p) durch eine Normalverteilung N(fl; a) mit dem Mittelwert fl == np und der Standardabweichung a = Jnp(l - p) ermoglicht (nahere Einzelheiten in Abschnitt 6.5).
8 Priif- oder Testverteilungen Unter dem Sammelbegriff .Pritf» oder Testverteilungen" werden alle diejenigen Wahrscheinlichkeitsverteilungen zusammengefaBt, die in der Statistik im Zusammenhang mit speziellen statistischen Pruf- oder Testverfahren benotigt werden. Neben der alles iiberragenden Gaufischen N ormalverteilung, die wir in Abschnitt 6.4 bereits ausfiihrlich besprochen haben, spielen dabei zwei weitere stetige Verteilungen eine bedeutende Rolle. Es handelt sich dabei urn die Chi-Quadrat- Verteilung und die t- Verteilung von "Student". Auf diese Wahrscheinlichkeitsverteilungen werden wir im nachsten Kapitel tiber Statistik bei zahlreichen Parameter- bzw. Verteilungstests des ofteren zuruckgreifen.
8.1 Chi-Quadrat-Verteilung Die sog. Chi-Quadrat- Verteilung (Kurzschreibweise:X 2 - Verteilung) bildet die Grundlage fur ein wichtiges Priif- oder Testverfahren der Statistik, den Chi-Quadrat- Test 37). Wir gehen dabei von den folgenden Voraussetzungen aus: Xl' X 2' ... , X n seien n stochastisch unahhdngige Zufallsvariable, die alle der Standardnormalverteilung N (0; 1) geniigen, d.h. den Mittelewert fli == 0 und die Varianz af == 1 besitzen (i == 1, 2, ... , n). Mit diesen Zufallsvariablen bilden wir durch Quadrieren und anschlieBendes Aufsummieren die GroBe
z == X
2
==
x; + xi + ... + X;
(11-287)
Aus historischen Grunden wird diese Summe durch das Symbol X2 gekennzeichnet. Die von n Zufallsvariablen abhangige Funktion Z == X2 ist dann eine stetige Zufallsvariable mit dem Wertebereich z ~ O. Sie geniigt dabei einer Verteilung mit der Dichtefunktion n-
A·z
f(z)==
(
2)
2
Z
·e 2
n
{
fur
z>O
(11-288)
z~O
o
die als Chi-Quadrat- Verteilung bezeichnet wird. Bild 11-126 zeigt den typischen Verlauf der Dichtefunktion. 37)
2
Der Chi-Quadrat- Test (kurz: X - Test) wird in Kapite1 III, Abschnitt 5.3 ausfiihrlich behandelt. dabei ein Buchstabe aus dem griechischen Alphabet.
X ist
II Wahrscheinlichkeitsrechnung
436
Der Parameter n dieser Funktion ist eine natitrliche Zahl und bestimmt die Anzahl f der Freiheitsgrade der Verteilung: f = n. Die Konstante An in der Funktionsgleichung (11-288) hangt dabei noch vom Freiheitsgrad n ab und wird durch Normierungder Dichtefunktion f (z) bestimmt. Diese bildet somit mit der positiven z-Achse eine Flache vom Flacheninhalt Eins (Bild II -126): fez)
Bild 11-126 Typischer Verlauf der normierten Dichtefunktion fez) einer Chi-Quadrat-Verteilung
z
f
f (n-2)
CfJ
f (z) dz = An'
o
Z
z -2- . e - 2: dz = 1
(11-289)
0
Die Berechnung dieses uneigentlichen Integrals fuhrt zu einer nicht-elementaren Funktion, der sog. Gammafunktion
f
CfJ
T( ex) =
t" -
1 .
e - t dt
(a > 0)
(11-290)
o Die N ormierungskonstante An liiBt sich dann mit Hilfe dieser Funktion wie folgt ausdriikken: (n
=
Die dabei benotigten Funktionswerte
1, 2, 3, ...)
(11-291)
r (~) der Gamma-Funktion konnen mit Hilfe von
Rekursionsformeln leicht berechnet werden, die wir am Ende dieses Abschnitts in der Tabelle 5 zusammengefaBt haben. In Bild 11-127ist der VerIauf der Dichtefunktionf (z) fur n = 1 und n = 2 dargestellt. Bild 11-128'zeigt den (typischen) Kurvenverlauf fur Parameterwerte n > 2.
8 Pruf- oder Testverteilungen
437
f(z)
0,5 n=1 0,4
0,3
....
\
Bild 11-127 Verlauf der Dichtefunktion fez) einer Chi-Quadrat-Verteilung fur die Parameter n = 1 und n = 2
n =2
.... 0,2
'.'.
••.••..•.•
......
0,1
.....................•................................... 2
3
5
4
z
6
f(z)
Bild 11-128 Verlauf der Dichtefunktion fez) einer Chi-Quadrat-Verteilung fur die Parameter n = 3 und n = 4
0,3
0,2
0,1
I ..•...
/ ····1······
!
I
r..
!..~. ~.~
i
.
I 2
3
5
4
6
7
8
z
Die Verteilungsfunktion der Chi-Quadrat-Verteilung hat fur z
f (n - 2) Z
F(z) = An . u
~
0 die Integralform
U
-2- . e -"2
du
(11-292)
o (F(z) = 0 fur z < 0). Die Chi-Quadrat-Verteilung besitzt den Mittelwert J1 = n und die Varianz (J2 = 2 n. Ahnlich wie bei der Poisson-Verteilung sind auch hier Mittelwert und Varianz durch einen einzigen Parameter (hier: n) eindeutig bestimmt.
438
Wir fassen wie folgt zusammen:
II Wahrscheinlichkeitsrechnung
8 Priif- oder Testverteilungen
439
Anmerkungen (1) Wichtige Eigenschaften der Dichtefunktion f (z) sind: a)
f (z) ist unsymmetrisch.
b)
f (z) verlauft fur n == 1 und n == 2 streng monoton fallend (Bild 11-127).
c)
Die Dichtefunktion f (z) besitzt bei mehr als zwei Freiheitsgraden, d.h. fur n > 2 ein absolutes Maximum an der Stelle z 1 == n - 2 (Bild II -128).
(2)
Fur grojJe Freiheitsgrade n HiBt sich die Chi-Quadrat-Verteilungdurch eine Normalverteilung mit dem Mittelwert J1 == n und der Varianz (J2 == 2 n anndhern. Die hier meist verwendete Faustregel lautet: n> 100.
•
Beispiel 2
Z sei eine X -verteilte Zufallsvariable mit f == n == 10 Freiheitsgraden. Wie muB man die Intervallgrenze a wahlen, damit 950/0 aller Werte im Intervall Z ~ a liegen? Liisung: Wir miissen die Intervallgrenze a so bestimmen, daB die Bedingung P(Z ~ a)
==
F(a)
== 0,95
erfiillt ist (hellgrau unterlegte Flache in Bild 11-129). Aus der Tabelle 3 im Anhang entnehmen wir fur f == n == 10 Freiheitsgrade den gesuchten Wert der Konstanten a: F(a)
== 0,95
f= 10
a
==
Z(0,95;10)
== 18,31
Die Intervallgrenze a ist das Quantil Z(0,95; 10) der Chi-Quadrat-Verteilung. Die Zufallsvariable Z nimmt somit mit einer Wahrscheinlichkeit von 95% Werte an, die hochstens gleich 18,31 sind.
f(z)
Bild 11-129
•
II Wahrscheinlichkeitsrechnung
440
Spezielle Werte und Rekursionsformeln der Gamma-Funktion
r(~)
Die nachfolgende Tabelle 5 enthalt einige Werte der Gamma-Funktion sowie hilfreiche Rekursionsformeln, durch die die Berechnung der N ormierungskonstanten An in der Funktionsgleichung (11-294) ermoglicht wird.
Tabelle 5: Spezielle Werte und Rekursionsformeln der Gamma-Funktion r(a)
8.2 t-Verteilung von Student Eine weitere wichtige Testverteilung ist die sog. t-Verteilung von Student 38). Sie bildet die Grundlage fur bestimmte Parametertests in der mathematischen Statistik. Wir gehen dabei von den folgenden Voraussetzungen aus: X und Y seien zwei stochastisch unabhdngige Zufallsvariable, wobei X der Standardnormalverteilung und Y der Chi-Quadrat- Verteilung mit dem Freiheitsgrad n geniige. Die aus diesen Zufallsvariablen gebildete GroBe X T==--
(11-299)
~
ist dann eine stetige Zufallsvariable, die der sog. t- Verteilung mit der Dichtefunktion
f (t) == An . (
t 2 ) (n+1)/2
(-oo
(11-300)
1 +n
geniigt (Bild 11-130). Der Parameter n in dieser Funktion ist eine natiirliche Zahl und heiBt Freiheitsgrad der t- Verteilung. Wie bei der Chi-Quadrat- Verteilung bedeutet auch hier An eine noch vom Freiheitsgrad n abhangige N ormierungskonstante.
38)
Diese Verteilung stammt von dem Mathematiker Gosset und wurde von ihm unter dem Pseudonym "Student" veroffentlicht,
8 Pruf- oder Testverteilungen
441
Sie wird wiederum so bestimmt, daB die Flache unter der Dichtefunktion f (t) den Wert Eins annimmt (Bild 11-130):
(11-301)
Bild 11-130 Typischer Verlauf der normierten Dichtefunktion J(t) einer
t- Verteilung
von "Student"
Die Berechnung dieser Konstanten fiihrt dabei wieder uber die Gamma-Funktion und erfolgt nach der Formel
r(n;1) A
(n = 1, 2, 3, ' , .)
=-----
n
~.r(~)
(11-302)
unter Verwendung der in Tabelle 5 angegebenen Rekursionsformeln (Abschnitt 8.1), Die Verteilungsfunktion der t- Verteilung besitzt die Integralform
f (1 t
F(t)=A n
'
-00
du
+ u;yn+l)/2
(-oo
(11-303)
Die t- Verteilung hat den M ittelwert J1 = 0 fur n ~ 2 (fur n = 1 ist der Mittelwert nicht n vorhanden) und die Varianz (J2 = - - fur n ~ 3 (fur n = 1 und n = 2 ist die Varianz n-2 nicht vorhanden),
442
II Wahrscheinlichkeitsrechnung
8 Pruf- oder Testverteilungen
443
Anmerkungen (1) Wichtige Eigenschaften der Dichtefunktion f (t) sind (Bild II-130):
a) b) c) (2)
f (t) ist eine gerade Funktion (Achsensymmetrie); f (t) besitzt an der Stelle t 1 = 0 ein absolutes Maximum; ~
f (t) nahert sich fur t
± 00
asymptotisch der t-Achse.
Die Dichtefunktion f (t) zeigt eine gewisse Ahnlichkeit mit der Dichtefunktion der Standardnormalverteilung N (0; 1). In der Tat laBt sich zeigen, daB die t- Verteilung fiir n ~ 00 gegen die Standardnormalverteilung konvergiert. Bild II-131 verdeutlicht diese Aussage. Faustregel: Bereits fur n > 30 darf die t- Verteilung in guter Naherung durch die Standardnormalverteilung ersetzt werden. f(t)
O'.~•. ......' ............. 0,3
....../
Normalverteilung N (0; 1) (n ---00)
0,2 ".
0, 1
-2
2
--1
Bild 11-131 Fur grofJeWerte des Parameters (Freiheitsgrades) n darf die t-Verteilung durch die Standardnormalverteilung ndherungsweise ersetzt werden
•
Beispiel
Die Zufallsvariable T geniige der t- Verteilung mit f = n = 10 Freiheitsgraden. 900/0 der Werte sollen dabei in das symmetrische Intervall - c ~ T ~ c fallen. Wie lauten die zugehorigen I ntervallgrenzen (Schranken)? Losung: Wir miissen die Konstante c so bestimmen, daf die Bedingung P( - c
~
T
~
c)
= 0,9
erfiillt ist (hellgrau unterlegte Flache in Bild II-132). Die beiden dunkelgrau unterlegten Flachen haben somit jeweils den Flacheninhalt 0,05. Somit gilt: P(T
~
-c)
+ P(-c
~
T
~
c) =P(T~ c) = F(c) = 0,95
444
II Wahrscheinlichkeitsrechnung
-c
c
Bild 11-132
Den zugehorigen Wert fur die obere Schranke c entnehmen wir der Tabelle 4 im Anhang fur f == n == 10 Freiheitsgrade (es handelt sich dabei urn das Quantil t(0,95; 10) der t-Verteilung): P(T ~ c) == F(c) == 0,95
f=10
c ==
t(0,95; 10)
==
1,812
Somit liegen 900/0 aller Werte der ZufalIsvariablen T im symmetrischen Intervall - 1,812 ~ T ~ 1,812.
•
445
Ubungsaufgaben
Ubnngsaufgaben
Zu Abschnitt 1 1) Wieviel verschiedene Moglichkeiten gibt es, 5 Personen a) an einen rechteckigen Tisch, b) an einen runden Tisch mit jeweils 5 Stiihlen zu plazieren? 2)
Fur eine Reihenschaltung aus 3 Widerstanden a, b und c stehen insgesamt 6 verschiedene Widerstande R 1 , R z , ... , R 6 zur Verfiigung (Bild 11-133). Bestimmen Sie die Anzahl der moglichen verschiedenen Reihenschaltungen, wenn jeder Widerstand hochstens einmal in der Schaltung auftreten darf (die Reihenfolge der Widerstande ist dabei ohne Bedeutung).
a
b
c
Bild 11-133 Reihenschaltung aus drei ohmschen Widerstanden
3)
Wieviel 2-atomige Molektilc vom Typ X Y lassen sich aus 5 verschiedenen atomaren Bausteinen (theoretisch) bilden, wenn jeder Baustein a) b)
nur einmal, mehrmals (d.h. hier bis zu zweimal)
verwendet werden darf? 4)
Wieviel verschiedene Augenpaare (i;j) sind beim Wiirfeln mit zwei gleichen (d.h. nicht unterscheidbaren) homogenen Wiirfeln moglich?
5) In einer Mathematik-Klausur sind 10 Aufgaben zu losen. Die Klausur gilt dabei als bestanden, wenn mindestens 7 Aufgaben, darunter die ersten 3 Aufgaben, richtig gelost wurden. Auf wieviel verschiedene Arten laBt sich diese M inimalforderung erfiillen? 6)
Die Lieferung von 20 Elektrogeraten eines bestimmten Typs enthalt 3 fehlerhafte Gerate. Zu Kontrollzwecken wird eine (ungeordnete) Stichprobe yom Umfang n == 4 entnommen. a) Wieviel verschiedene Stichproben sind insgesamt moglich? b) Wie groB ist dabei der Anteil an Stichproben mit genau einem fehlerhaften Gerat?
Hinweis: Die Stichprobe erfolgt (wie in der Praxis allgemein ublich) durch Ziehung ohne Zuriicklegen.
446
II Wahrscheinlichkeitsrechnung
7)
Bild 11-134 zeigt ein aus 3 elastischen Federn a, b und c bestehendes System. Es stehen insgesamt 5 verschiedene Federn F l ' F 2' ... , F 5 zur Verfiigung. Wieviel verschiedene Federsysteme sind dann moglich?
Hinweis: Beachten Sie dabei, daB durch Vertauschen der Federn b und c kein neues System entsteht und jede Feder nur einmal zur Verfiigung steht.
a
b
8)
c
Bild 11-134 Kombinierte Reihen- Parallel-Schaltung aus drei elastischen Federn
Wieviel verschiedene "Worter" mit 3 Buchstaben lassen sich aus den 6 Buchstaben a, b, c, d, e und f bilden, wenn jeder Buchstabe a) nur einmal, b) mehrmals (d.h. hier bis zu dreimal) verwendet werden darf?
Anmerkung: Die gebildeten "Worter" mussen nicht unbedingt einen Sinn ergeben. 9)
Eine homogene Miinze wird viermal geworfen. Wir notieren dabei das jeweilige Ergebnis (also "Zahl" oder "Wappen") und zwar in der Reihenfolge des Auftretens. So bedeutet z.B. ZZZW: Zunachst dreimal hintereinander "Zahl" und dann im 4. Wurf "Wappen". Wieviel verschiedene Endergebnisse sind moglich?
10)
Eine Urne enthalt 10 Kugeln, die durch die Ziffern 0, 1, 2, ... ,9 unterschieden werden. Wieviel verschiedene geordneteStichproben vom Umfang k == 3 konnen der Urne entnommen werden, wenn die Ziehung der Kugeln a) ohne Zuriicklegen, b) mit Zurucklegen erfolgt?
11)
Bei der Kennzeichnung von Kraftfahrzeugen durch 2 Buchstaben und 4 Ziffern (in dieser Reihenfolge) darf die erste Ziffer keine Null seine Wieviel verschiedene Kennzeichen sind dann moglich, wenn sowohl jeder Buchstabe· als auch jede Ziffer mehrmals verwendet werden darf?
Ubuugsaufgaben
447
Zu Abschnitt 2 1)
Eine homogene Miinze wird dreimal geworfen ("Zahl": Z; "Wappen": W). a) Bestimmen Sie die dabei moglichen Ergebnisse (Elementarereignisse) sowie die Ergebnismenge Q dieses Zufallsexperiments. b) Durch welche Teilmengen von Q lassen sich die folgenden Ereignisse beschreiben? A: Bei 3 Wiirfen zweimal "Zahl" B: Bei 3 Wiirfen zweimal "Wappen" C: Bei 3 Wiirfen einmal "Zahl" D: Bei 3 Wiirfen dreimal "Zahl" E: Bei 3 Wiirfen dreimal "Wappen" c) Bilden Sie aus den unter b) genannten Ereignissen die folgenden zusammengesetzten Ereignisse und deuten Sie diese: AuB, AnD, BuE, DuE, AnB, (CuD}nB
Beschreiben und deuten Sie die Ereignisse A und D.
d) 2)
Beim Zufallsexperiment "Wurf mit zwei nicht unterscheidbaren homogenen Wurfeln" lassen sich die moglichen Ergebnisse (Elementarereignisse) durch ungeordnete Augenpaare (i;j) darstellen. a) Wie lauten diese Elementarereignisse und die zugehorige Ergebnismenge Q? b) Beschreiben Sie die folgenden Ereignisse durch Teilmengen von Q: A: Die Augensumme betragt 4 B: Die Augensumme ist kleiner oder gleich 5 C: Die Augenzahlen beider Wiirfel sind ungerade D: Die Augensumme ist ungerade E: Das Produkt beider Augenzahlen ist gerade
3)
Bild 11-135 zeigt die Reihen- bzw. Parallelschaltung dreier Gliihlampen ai' a2 und a 3 . Ai sei das Ereignis "Gluhlampe a, brennt durch", B das Ereignis "U nterbrechung des Stromkreises" (i == 1, 2, 3).
a)
a) b)
b)
Bild 11-135 Stromkreis mit drei Gliihlampen a) Reihenschaltung b) Parallelschaltung
Beschreiben Sie das Ereignis B mit Hilfe der Ereignisse Ai fiir beide Schaltungen. Welche Bedeutung haben die Ereignisse Ai u A 2 und A 2 n A 3 ?
448
II Wahrscheinlichkeitsrechnung
Zu Abschnitt 3 1)
Aus einem Skatspiel mit 32 Karten wird eine Karte zufallig entnommen. Wie groB ist die Wahrscheinlichkeit, a)
eine rote Karte,
b) c)
ein As, eine Dame oder einen Konig,
d)
einen schwarzen Buben zu ziehen? 2)
In einer Warenlieferung von 20 Gliihbirnen befinden sich 4 defekte Gliihbirnen. Zu Kontrollzwecken werden der Lieferung 3 Gliihbirnen zufallig und ohne Zuriicklegen entnommen. Bestimmen Sie die Wahrscheinlichkeit dafiir, daB diese Stichprobe keine, a) b) mindestens eine defekte Gliihbirne enthalt.
3)
Ein homogener Wiirfel wird zweimal nacheinander geworfen. Berechnen Sie die Wahrscheinlichkeit fiir die folgenden Ereignisse: A: Die Augensumme betragt 4 B: Beide Augenzahlen sind gleich C: Beide Augenzahlen sind durch 3 teilbar
4)
Fur ein Wiirfelexperiment mit einem auf bestimmte Weise verfalschten Wiirfel gilt die folgende Wahrscheinlichkeitsverteilung: Augenzahl i
2
3
Wahrscheinlichkeit Pi == p(i)
1/8
1/8
4
5
6
1/8
1/4
Bekannt ist ferner, daB eine gerade Zahl mit der Wahrscheinlichkeit p(gerade) == 1/2 auftritt. a) b)
5)
Berechnen Sie die unbekannten Einzelwahrscheinlichkeiten PI und P4' Mit welchen Wahrscheinlichkeiten treten dabei die Ereignisse A == {1, 6) und B == {2, 3, 4} auf?
Ein Wiirfel wurde so manipuliert, daB die geraden Zahlen gegeniiber den ungeraden Zahlen mit der vierfachen Wahrscheinlichkeit auftreten. a)
Berechnen Sie die Wahrscheinlichkeit fur das Auftreten einer geraden (g) bzw. ungeraden (u) Augenzahl.
b)
Welche Wahrscheinlichkeit besitzen die folgenden Ereignisse? A == {1, 2, 3}, D == C,
B == {1, 6},
E == B u C
und
C == {2, 4, 6} F == B n C
Ubungsaufgaben
449
Hinweis: Die geraden Zahlen treten jeweils mit gleicher Wahrscheinlichkeit p(g) auf, ebenso die ungeraden Zahlen mit jeweils gleicher Wahrscheinlichkeit p(u). 6)
An einem Schwimmwettbewerb beteiligen sich 3 Schwimmer A, B und C, deren Siegeschancen sich wie 5: 3 : 1 verhalten. Wie groB ist die Wahrscheinlichkeit, daB a) Schwimmer C, b) Schwimmer A oder B gewinnt?
7)
Eine homogene Miinze wird dreimal geworfen. Wie groB ist die Wahrscheinlichkeit, daB dabei mindestens zweimal "Wappen" (W) erscheint?
8)
In einer Lieferung von 20 elektronischen Bauelementen eines bestimmten Typs befindet sich 10% AusschufJ. Wie groB ist die Wahrscheinlichkeit dafiir, daB man in einer entnommenen Stichprobe vom Umfang n == 3 ausschlieBlich einwandfreie Bauelemente antrifft?
9)
Einer Urne mit 8 weiBen und 2 schwarzen Kugeln werden nacheinander und ohne Zuriicklegen 2 Kugeln zufallig entnommen. Bestimmen Sie die Wahrscheinlichkeit, daB man bei der 2. Ziehung eine schwarze Kugel erhalt, wenn bei der 1. Ziehung eine weif3e Kugel gezogen wurde.
10)
Ein homogener Wiirfel wird zweimal geworfen. Wie groB ist die Wahrscheinlichkeit, daB die Augensumme beider Wiirfe kleiner als 6 ist, wenn beim 1. Wurf die Augenzahl 2 erzielt wurde?
11) Zwei Sportschiitzen A und B treffen eine Zielscheibe mit den Wahrscheinlichkeiten P(A) == 1/3 und P(B) == 1/2. Mit welcher Wahrscheinlichkeit wird die Scheibe getroffen, wenn beide Schiitzen gleichzeitig schieBen? 12)
Eine Reihenschaltung aus drei Gliihlampchen at, a2 und a 3 wird von einem Strom durchflossen (Bild II-136). Dabei treten die Ereignisse Ai: Das i-te Gluhldmpchen brennt durch unabhangig voneinander mit den konstanten Wahrscheinlichkeiten Pi == 0,2 .ein (i == 1, 2, 3). Wie groB ist die Wahrscheinlichkeit fur eine Stromkreisunterbrechung (Ereignis B)? Hinweis: Bestimmen Sie zunachst die Wahrscheinlichkeit des komplementdren Ereignisses B. Bild 11-136 Reihenschaltung aus drei Gliihlarnpchen
450
II Wahrscheinlichkeitsrechnung
13)
Ein Bogenschiitze trifft die Zielscheibe mit der Wahrscheinlichkeit p = 0,6. Er schieBt insgesamt dreimal.
14)
a)
Berechnen Sie die Wahrscheinlichkeit, daB er dabei genau zweimal die Scheibe trifft.
b)
Mit welcher Wahrscheinlichkeit wird die Scheibe mindestens einmal getroffen?
Bei einem Windhundrennen mit 3 Hunden a, b und c besteht die folgende Gewinnwahrscheinlichkeit: Windhund
a
b
c
Gewinnwahrscheinlichkeit
1
5
2 5
2 5
Es werden zwei Rennen mit den gleichen Hunden veranstaltet. Berechnen Sie mit Hilfe des Ereignisbaumes die Wahrscheinlichkeit dafiir, daB a) b)
Windhund a das erste und Windhund b das zweite Rennen, Windhund c beide Rennen gewinnt.
15)
In einer Urne befinden sich 4 weiBe (W) und 6 schwarze (8) Kugeln. Eine Kugel wird zufallig entnommen und dafiir eine der anderen Farbe wieder hineingelegt. Dann wird der Urne eine weitere Kugel entnommen. Bestimmen Sie mit Hilfe des Ereignisbaumes die Wahrscheinlichkeit, a) daB die zuletzt gezogene Kugel weifJ ist, b) daB man bei beiden Ziehungen jeweils Kugeln gleicher Farbe erhalt, c) daB beide Kugeln weifJ sind, wenn bekannt ist, daB die gezogenen Kugeln die gleiche Farbe haben.
16)
In einem Karton befinden sich 5 Gliihbirnen, darunter 2 defekte. Es wird eine Gluhbime nach der anderen zufallig ausgewahlt, bis die beiden defekten Gliihbirnen gefunden sind. Mit Hilfe des Ereignisbaumes ist die Wahrscheinlichkeit zu bestimmen, daB dieser ZufallsprozeB nach der dritten Ziehung beendet ist?
17)
Eine Warenlieferung besteht aus 250 Kondensatoren, die auf drei Maschinen vom gleichen Typ hergestellt wurden. Dabei gilt: Maschine
A
B
c
Stiickzahl
80
50
120
AusschuB
2
1
3
Wie groB ist die Wahrscheinlichkeit, a) daB ein der Lieferung entnommener Kondensator defekt ist, b) daB ein zufallig.entnommener defekter Kondensator auf der Maschine C hergestellt wurde?
Ubungsaufgaben
451
Zu Abschnitt 4 1)
Die nachfolgenden Verteilungen einer diskreten Zufallsvariablen X sind graphisch durch Stabdiagram und Verteilungskurve darzustellen: Xi
-2
-1
1
2
f(x i )
1/4
1/8
3/8
1/4
Xi
-3
1
4
f(x i )
1/4
1/2
1/4
Xi
-2
-1
°
f(xJ
1/8
1/4
1/4
a)
b)
c)
2)
1/4
1/8
Die Wahrscheinlichkeitsverteilung einer diskreten Zufallsvariablen X ist durch die folgende Verteilungstabelle gegeben:
-1 f(xJ
a) b)
3)
2
0,05
0,20
°
0,25
1
2
3
4
0,20
0,15
0,10
p(4)
Bestimmen Sie f(4) = p(4). Zeichnen Sie das zugehorige Stabdiagramm der Wahrscheinlichkeitsfunktion f (x) sowie den treppenformigen Verlauf der Verteilungsfunktion F(x).
Eine homogene Miinze wird dreimal geworfen. Bestimmen Sie die Verteilung der Zufallsvariablen X
a)
= Anzahl "Wappen" bei drei Wurfen
Zeichnen Sie das zugehorige Stabdiagramm sowie den Verlauf der Verteilungsfunktion F(x).
b) 4)
Berechnen Sie die Wahrscheinlichkeit P(1
~
X
~
2).
In einer Lieferung von 10 Gliihbirnen vom gleichen Typ befinden sich 2 defekte. Zu Kontrollzwecken werden 3 Gliihbirnen zufallig entnommen, Die Zufallsvariable X beschreibe die Anzahl der dabei erhaltenen defekten Gliihbimen.
a) b)
Bestimmen Sie die Verteilung der Zufallsvariablen X. Wie groB ist die Wahrscheinlichkeit, daB sich in einer solchen Stichprobe genau eine defekte Gluhbirne befindet?
452
II Wahrscheinlichkeitsrechnung
5)
Ein Bogenschiitze trifft die Zielscheibe mit der Wahrscheinlichkeit p = 0,8. a) Bestimmen Sie die Wahrscheinlichkeitsverteilung der diskreten Zufallsvariablen
x = Anzahl der abgegebenen Schiisse bis zum 1. Treffer b)
6)
Wie groB ist die Wahrscheinlichkeit dafiir, die Scheibe bei insgesamt 3 abgegebenen Schiissen zu treffen?
X sei eine stetige Zufallsvariable mit der Dichtefunktion f (x). Bestimmen Sie die jeweilige Verteilungsfunktion F(x): 1
2x
(0 ~ x ~ 2)
a)
f(x) =
b)
f (x) = A . e - AX
c)
f(x) = 2
1
x
(x
~ 0;
(x
~
A > 0)
1)
AuBerhalb der angegebenen Intervalle ist f (x) = 7)
o.
Bestimmen Sie den jeweiligen Parameter in der Dichtefunktion f (x) der stetigen Zufallsvariablen X durch Normierung: a) f(x)=2x+b (0~x~4) b) f(x)=c (a~x~b) c)
f
(x) = a (1
+ x)
(- 1
~
x
~
1)
AuBerhalb der angegebenen Intervalle ist f (x) = O. 8)
Eine stetige Zufallsvariable X besitzt die Dichtefunktion
o~ x
~
10
alle iibrigen x a) b)
Bestimmen Sie den Parameter k. Berechnen Sie anschlieBend die folgenden Wahrscheinlichkeiten: P(X~
9)
-2),
P(1
~
X
~
2),
P(X
~
5),
P(3
~
X
~
8)
Die Dichtefunktion einer stetigen Verteilung laute: ax2(2 - x) f(x) = { a) b) c)
o
fiir alle iibrigen x
Bestimmen Sie den Parameter a. Wie lautet die zugehorige Verteilungsfunktion? Berechnen Sie die Wahrscheinlichkeit, daB die Zufallsvariable X einen Wert kleiner oder gleich 1 annimmt.
Ubungsaufgaben
453
10) Gegeben ist die Verteilungsfunktion F(x) = a· arctan x
+b
(-oo<x
einer stetigen Zufallsvariablen X. a) Bestimmen Sie die beiden Parameter a und b. b) Wie lautet die Dichtefunktion f (t) dieser Verteilung? 11) Die Lebensdauer T eines bestimmten elektronischen Bauelements geniige einer Exponentialverteilung mit der Dichtefunktion f(t) = {
2. e- At 0
t~O
fur
t
(2 > 0). Wie groB ist die Wahrscheinlichkeit dafiir, daB ein Bauelement mindestens bis zum Zeitpunkt t = 22- 1 funktionstiichtig bleibt? 12) Die Lebensdauer T eines bestimmten elektronischen Bauelements sei eine stetige Zufallsvariable mit der Verteilungsfunktion F(t) = 1 - (1 + 0,2 t) . e- O•2 t a) b)
(t
~
0)
Bestimmen Sie die zugehorige Dichtefunktion f (t). Berechnen Sie die Wahrscheinlichkeit P(1 :s:; T:S:; 5).
Zu Abschnitt 5 1) Welchen Erwartungswert besitzen die folgenden diskreten Verteilungen: a)
b)
Xi
-1
f(x i )
0,1
Xi
f(x i )
2)
1
2
3
0,3
0,4
0,15
0,05
-2
-1
1
4
1 12
°
-
-
°
2 12
2 12
-
3 12
-
2 12
-
5 1 12
-
10 1 12
-
Wie groB ist der Erwartungswert der stetigen Zufallsvariablen X mit der Dichtefunktion
+ x) (fur alle iibrigen x ist f f(x) = 0,5(1
(- 1
(x) = O)?
:s:; x :s:;
1)
454 3)
II Wahrscheinlichkeitsrechnung Die Verteilungstabelle einer diskreten Verteilung laute:
f(xJ
a) b)
4)
-2
-1
1/8
3/8
2
1/4
1/4
Welchen Erwartungswert besitzt diese Verteilung? Berechnen Sie den Erwartungswert der von X abhangigen Funktionen 2 1 = gl(X) = 5X + 2 und 2 2 = g2(X) = X 2.
Beim Wurf mit 3 homogenen Miinzen ist die Zufallsvariable X
= Anzahl "Wappen" bei
3 Wurfen
wie folgt verteilt:
f(xJ
a)
1/8
5)
2
3
3/8
3/8
1/8
Welchen Gewinn kann ein Spieler bei diesem Gliicksspiel pro Spiel erwarten, wenn die folgende Gewinntabelle gilt:
Gewinn
b)
1
Zi
(in DM)
= g(x i )
° 1
b)
c)
2
3
2
3
8
Hinweis: Die Gewinnerwartung des Spielers ist der Erwartungswert der Gewinnfunktion 2 = g(X). 1st dieses Gliicksspiel fur einen Spieler "giinstig", wenn sein Wetteinsatz pro Spiel 4 DM betragt?
Berechnen Sie den M ittelwert u, die Varianz folgenden diskreten Verteilungen:
a)
1
(52
und die Standardabweichung
Xi
-2
2
4
6
8
f(x i )
1/4
1/6
1/4
1/4
1/12
Xi
-2
1
2
3
4
f(xa
1/8
1/4
1/2
1/16
1/16
Xi
-2
-1
1
2
3
4
f(xa
0,05
0,20
°
0,20
0,15
0,10
0,05
0,25
(5
der
Ubungsaufgaben 6)
455
Die diskrete Zufallsvariable X besitzt die folgende Wahrscheinlichkeitsverteilung:
f(xJ a) b)
0,2
-1
o
1
2
3
0,3
0,2
0,1
0,05
0,15
Berechnen Sie M ittelwert u, Varianz (52 und Standardabweichung (5 dieser Verteilung. Wie lauten die entsprechenden Kennwerte der von X abhangigen Funktion Z = (X - j1)2 mit j1 = E(X)?
7)
In einer Lieferung von 10 Gliihbirnen befinden sich 2 defekte. Wieviel defekte Gluhbirncn kann man im Mittel in einer Stichprobe vom Umfang n = 3 erwarten, die der angelieferten Ware zu Kontrollzwecken entnommen wird? Hinweis: Verwenden Sie die Ergebnisse aus Aufgabe 4 in Abschnitt 4 (Zufallsvariable: X = Anzahl der in der Stichprobe enthaltenen defekten Gliihbirnens.
8)
Eine homogene Miinze wird solange geworfen, bis "Zahl" (Z) oder insgesamt dreimal "Wappen" (W) erscheint, Die Zufallsvariable X beschreibe die Anzahl der ausgefiihrten Wiirfe bis zum Eintritt dieses Ereignisses. a) Bestimmen sie die Verteilung der Zufallsvariablen X. b) Wieviel Wiirfe sind im M ittel auszufiihren, bis das beschriebene Ereignis eintritt?
9)
Die stetige Zufallsvariable X besitze die jeweils angegebene Dichtefunktion f (x). Berechnen Sie den MUtel- oder Erwartungswert u, die Varianz (52 sowie die Standardabweichung (5. a) f (x) = const. = c (a ~ x ~ b) b) f(x) = mx (0 ~ x ~10) AuBerhalb des jeweils angegebenen Intervalls gilt stets f (x) =
o.
10) Eine stetige Zufallsvariable X geniige einer sog. Gamma-Verteilung mit der Dichtefunktion
A2 . X . e- AX f(x) = {
o
x>O fur x~O
(A > 0). Berechnen Sie die Kennwerte oder Mafizahlen u,
(52
und
(5.
11) Welchen M ittelwert und welche Varianz besitzt eine stetig verteilte Zufallsvariable X mit der Dichtefunktion f(x) = ax? (1 - x)
(0 ~ x ~ 1)
(fur aIle iibrigen x verschwindet f (x))?
456
II Wahrscheinlichkeitsrechnung
12) Die Lebensdauer eines bestimmten elektronischen Bauelements kann als eine Zufallsgrofie T mit der Verteilungsfunktion 1-(1+0,2t)'e-O,2t
F (t) == {
o
t~O
fur
t
aufgefaBt werden. Welche durchschnittliche Lebensdauer hat ein solches Bauelement? 13)
Die stetige ZufaIlsvariable X geniige einer Exponentialverteilung mit der Dichtefunktion
f
(x) == A . e - AX
(x ~ 0; A > 0)
(fur aIle iibrigen x istf(x) == 0). Bestimmen Sie denjeweiligen Mittelwert der folgenden von X abhangigen Funktionen: a) 14)
Z==e- x
b)
Z==2X+1
c)
Z==X 2
Die ZufaIlsvariable X besitze den Mittelwert E (X) == J.lx == 2 und die Varianz Var(X) == o-i == 0,5. Berechnen Sie die entsprechenden Kennwerte der folgenden linearen Funktionen von X: a) Z==2X-3 c) Z==10X b) Z == - 0,5 X + 2 d) Z == 2
Zu Abschnitt 6 1)
X sei eine binomialverteilte Zufallsvariable mit den Parametern n == 8 und p == 0,2. a) Bestimmen Sie die Verteilungstabelle und zeichnen Sie das zugehorige Stabdiagramme b) Berechnen Sie die folgenden Wahrscheinlichkeiten: P(X == 0), P(X ~ 5), P(1
2)
~
X ~ 3)
Eine homogene Miinze wird zehnmal geworfen. Wie groB ist die Wahrscheinlichkeit, daB das Ereignis "Zahl" a) keinmal, b) genau zweimal, c) mindestens viermal auftritt? d) Mit welcher Wahrscheinlichkeit erhalten wir bei 10 Wiirfen je fiinfmal .Zahl" und "Wappen"?
Ubungsaufgaben
457
3)
Ein homogener Wiirfel wirdfunfmal geworfen. Dabei wird das Auftreten der Augenzahl 1 oder 2 als Erfolg, dasAuftreten der iibrigen Augenzahlen als MifJerfolg gewertet. Man berechne die Wahrscheinlichkeit fiir einen a) zweifachen, b) mindestens dreifachen Erfolg.
4)
Ein homogener Wiirfel wird 300-mal geworfen. Wie oft konnen wir dabei erwarten, daB eine durch 3 teilbare Augenzahl auftritt?
5)
Aus einem Skatspiel mit 32 Karten wird eine Karte zufallig entnommen und nach der Ziehung wieder zuriickgelegt. Dann werden die Karten neu gemischt. Wie oft muB man eine Karte ziehen, damit die Wahrscheinlichkeit dafiir, mindestens ein .rotcs As" zu ziehen, grolser als 0,5 ist?
6)
Die Herstellung von Gewindeschrauben erfolge mit einem AusschufJanteil von 2%. Wieviel nicht brauchbare Schrauben befinden sich im Mittel in einer Schachtel mit 250 Schrauben? Wie groB sind Varianz (52 und Standardabweichung (5 dieser Binomialverteilung?
7)
Ein Sportschiitze trifft eine Zielscheibe mit der Wahrscheinlichkeit p == 1/3. Er gibt insgesamt 5 Schiisse abo Wie groB ist die Wahrscheinlichkeit dafur, daB er die Scheibe a) keinmal, b) genau dreimal, c) mindestens dreimal trifft?
8)
X sei eine hypergeometrische Zufallsvariable mit den Parametern N == 10, M == 4 und n == 3. Man berechne die folgenden Wahrscheinlichkeiten: a)
P(X
== 0)
b)
P(1 ~ X ~ 3)
c)
P(X < 2)
9)
Unter40 Packungen, die laut Aufschrift je 10 Ziernagel enthalten sollen, befinden sich 4 unvollstdndige Packungen (sie enthalten weniger Ziernagel als angegeben). Wie groB ist die Wahrscheinlichkeit, daB man a) beim Kauf von einer Packung eine vollsidndige Packung, b) beim Kauf von 10 Packungen jedoch genau zwei unvollstdndige Packungen erhalt?
10)
Einer Urne mit 5 Kugeln, darunter 3 weiBen und zwei schwarzen, entnehmen wir nacheinander zufallig und ohne Zurucklegen 2 Kugeln. Bestimmen Sie die Verteilung der Zufallsvariablen X == Anzahl der gezogenen weifJen Kugeln
und zeichnen Sie das zugehorige Stabdiagramm.
458
II Wahrscheinlichkeitsrechnung
11) X sei eine Poisson-verteilte Zufallsvariable mit dem Parameter J1 == 3. Berechnen Sie die folgenden Wahrscheinlichkeiten: P(X == 0) b) P(X ~ 3) c) P(X> 3) d) P(l ~ X ~ 5) a) 12)
Bei einem Kernreaktor werden an die Brennelemente extrem hohe Qualitatsanforderungen gestellt. Die Wahrscheinlichkeit dafiir, daB ein Brennelement diesen hohen Anforderungen nicht geniige, betrage p == 10- 4 • Wie groB ist die Wahrscheinlichkeit, daB aile 1500 Brennelemente eines Reaktors die vorgeschriebenen Qualitatsbedingungen erfiillen?
13)
U sei eine standardnormalverteilte Zufallsvariable. Berechnen Sie mit Hilfe der Verteilungsfunktion ¢(u) (Tabelle 1 im Anhang, Teil A) die folgenden Wahrscheinlichkeiten: b) P(U ~ - 0,42) a) P(U ~ 1,52) d) P( - 1,01 ~ U ~ - 0,25) c). P(0,2 ~ U ~ 2,13) e) P( - 1 ~ U ~ 1) f) P(I UI ~ 1,69) h) P(U ~ - 2,13) g) P(U ~ 0,95)
14)
Bestimmen Sie an hand von Tabelle 1 im Anhang (Teil A) die jeweils unbekannte Intervailgrenze (U: standardnormalverteilte Zufallsvariable): a) P(U ~ a) == 0,5 b) P(U ~ a) == 0,3210 c) P(0,15 ~ U ~ b) == 0,35 d) P(- 0,22 ~ U ~ b) == 0,413 e) P( - a ~U ~ a) == 0,95 f) P(I UI ~ c) == 0,4682 g) P(U ~ a) == 0,8002 h) P(U ~ a) == 0,4010
15)
X sei eine normalverteilte Zufallsvariable mit dem Mittelwert J1 == 6 und der Standardabweichung (J == 2. Die folgenden Werte von X sind in Standardeinheiten umzurechnen: c) 2,5 d) - 4,68 a) 10,42 b) 0,86 f) 18 e) J1 ± 3,2 (J
16)
Die Zufallsvariable X ist normalverteilt mit dem Mittelwert J1 == 2 und der Standardabweichung (J == 0,5. Berechnen Sie die folgenden Wahrscheinlichkeiten durch Umrechnung in Standardeinheiten undunter Verwendung der Verteilungsfunktion ¢(u) der Standardnormalverteilung (Tabelle 1 im Anhang, Teil A): a) p(X ~ 2,52) b) P(X ~ 0,84) c) P(X ~ -1,~8) d) P( - 0,5 ~ X ~ 4,5) e) P( - 1,86 ~ X ~ - 0,24) f) P( - 3 ~ X ~ 3) g) P(lXI ~ 2,13) h) P(X ~ 0,98)
17)
Die Kapazitat eines in groBer Stiickzahl hergestellten Kondensators kann als eine normalverteilte Zufallsvariable X angesehen werden. Mit welchem Ausschufianteil ist zu rechnen, wenn die Kapazitat hochstens urn a) 50/0 yom Sollwert (Mittelwert) J1 == 100 JlF abweichen darf und die Standardabweichung (J == 4 JlF betragt?
Ubungsaufgaben b)
18)
459
Wie andert sich dieser AusschuBanteil, wenn nur Kapazitatswerte zwischen 98 JlF und 104 JlF toleriert werden?
Die in einer Mathematik-Klausur erzielte Punktzahl Ialrt sich als eine normalverteilte Zufallsgrofie X auffassen. In einem konkreten Fall ergab sich eine N ormalverteilung mit dem Mittelwert J1 = 20 und der Standardabweichung a = 4 (in Punkten). 600/0 der teilgenommenen Studenten erhielten den Ubungsschein. Welche Mindestpunktzahl war daher zu erreichen?
19) Von 5000 Studenten einer Fachhochschule wurde das Gewicht bestimmt. Die Zufallsgrobe
X = Gewicht eines Studenten erwies sich .dabei als eine normalverteilte Zufallsvariable mit dem Mittelwert J1 = 75 kg und der Standardabweichung a = 5 kg. Wieviele der untersuchten Studenten ha tten da bei a) ein Gewicht zwischen 69 kg und 80 kg, b) ein Gewicht itber 80 kg, c) ein Gewicht unter 65 kg? 20)
In einem Weingut wird auf einer automatischen Abfiillanlage Wein in 0,75Liter-Flaschen gefiillt, Das Abfullvolumen X kann dabei nach den Angaben des Herstellers als eine normalverteilte Zufallsvariable mit dem Mittelwert J1 = 0,751 = 750 cm' und der Standardabweichung a = 20 cm' angenommen werden: a) Wie groB ist die Wahrscheinlichkeit dafiir, daB eine abgefullte Weinflasche weniger als 730 cm' Wein enthalt? b) Berechnen Sie die Wahrscheinlichkeit, daB das abgefiillte Weinvolumen yom Sollwert (Mittelwert) urn maximal 20/0 abweicht.
21)
Ein bestimmter Massenartikel wird mit einem Ausschuj3anteil von 1% produziert. Berechnen Sie die Wahrscheinlichkeit dafiir, daB eine der Gesamtproduktion entnommen Stichprobe yom Umfang n = 100 a) genau zwei Ausschufistiicke, b) mehr als zwei AusschuBstiicke enthalt.
Hinweis: Die binomialverteilte Zufallsvariable X = Anzahl der Ausschufistucke in einer Stichprobe von Umfang n= 100 laBt sich hier durch die rechnerisch bequemere Poisson-Verteilung annahern.
460
II Wahrscheinlichkeitsrechnung
22)
Eine homogene Munze wird 20-mal geworfen. Die binomialverteilte Zufallsvariable X = Anzahl "Wappen" bei 20 Wurfen
kann in guter Naherung durch eine N ormalverteilung approximiert werden. Berechnen Sie mit dieser Naherung die Wahrscheinlichkeit dafiir, daB mindestens 8 und hochstens 12 der insgesamt 20 Wiirfe zum Ergebnis "Wappen" fiihren. 23)
Ein homogener Wurfel wird 360-mal geworfen. Mit welcher Wahrscheinlichkeit nimmt dabei die binomialverteilte Zufallsvariable
x=
Anzahl der Wiirfe mit der Augenzahl 1 oder 6 bei insgesamt 360 Wiirfen
Werte zwischen 100 und 140 an, wenn man die Approximation durch eine Normalverteilung zugrunde legt? 24)
Die Wahrscheinlichkeit dafiir, daB ein bestimmter Geratetyp einer Zuverlassigkeitspriifung nicht standhalt, betrage p= 0,06. Es werden insgesamt 200 Gerate unabhangig voneinander dieser Priifung unterzogen. Berechnen Sie die Wahrscheinlichkeit, daB von diesen Geraten mindestens 10 und hiichstens 15 diese ZuverIassigkeitsprufung nicht bestehen. Hinweis: Man verwende die Approximation durch die Normalverteilung.
Zu Abschnitt 7 1)
Bestimmen Sie aus der jeweils vorgegebenen Verteilungstabelle der diskreten zweidimensionalen Zufallsvariablen (X; Y) die Verteilungen der beiden Komponenten X und Y (Randverteilungen) sowie deren Erwartungswerte und Varianzen: a)
2)
>z
-2
1
4
1
1/8
1/4
1/8
3
1/8
1/8
1/4
b)
>z ° 1
-2
-1
1
2
0,15
0,05
0,10
0,30
0,10
0,10
0,05
.0,15
Die diskreten Zufallsvariablen X und Y sind stochastisch unabhdngig und wie folgt verteilt:
f1 (xJ
0,2
2
3
0,5
0,3
Yi
0
2
3
6
0,2
0,4
0,3
Bestimmen Sie die Wahrscheinlichkeitsfunktion der gemeinsamen Verteilung von X und Y
Ubungsaufgaben 3)
461
Gegeben ist die unvollstdndige Verteilungstabelle der diskreten zweidimensionalen Zufallsvariablen (X; Y):
Y X
2
4
6
4)
5)
a)
Bestimmen Sie die fehlenden Einzelwahrscheinlichkeiten.
b)
Wie lauten die Wahrscheinlichkeitsfunktionen der beiden Komponenten sowie deren Mittelwerte und Varianzen?
c)
Zeigen Sie: Die Zufallsvariablen X und Y sind stochastisch unabhdngig.
Die Verteilungstabelle der diskreten zweidimensionalen Zufallsvariablen (X; Y) laute:
I>Z
0
1
2
1
1/16
1/8
1/16
2
1/8
1/4
1/8
3
1/16
1/8
1/16
a)
Bestimmen Sie die Wahrscheinlichkeitsfunktionen der Randverteilungen von X und Y in dieser zweidimensionalen Verteilung.
b)
Bestimmen Sie die Erwartungswerte E(X) und E(Y) sowie die Varianzen Var(X) und Var(Y).
c)
Handelt es sich bei den Komponenten X und Y urn stochastisch unabhdngige Zufallsvariable?
Die Verteilung einer stetigen zweidimensionalen Zufallsvariablen (X; Y) besitze die Dichtefunktion
k : e- 2 x f(x;y)== {
o
y
fur
x ~ 0,
y ~0
alle iibrigen
(x; y)
462
II Wahrscheinlichkeitsrechnung a) b) c) d)
6)
Bestimmen Sie die Konstante k. Wie lauten die Dichten f1 (x) undj', (y) der Randverteilungen? Bestimmen Sie die Erwartungswerte E(X) und E(Y) sowie die Varianzen Var(X) und Var(Y). Berechnen Sie die Wahrscheinlichkeit P(O ~ X ~ 2; 0 ~ Y ~ 3).
Die stochastisch unabhdngigen stetigen Zufallsvariablen X und Y besitzen die folgenden Dichtefunktionen: .
1
I, (x) = 4 (x + 1) f2(Y)=Y+
(im a) b) c) 7)
1
(0 ~ Y ~ 1)
2
iibrigen Bereich verschwinden diese Funktionen). Bestimmen Siedie Dichtefunktion f (x; y) der gemeinsamen Verteilung. Wie lautet die Verteilungsfunktion F(x; y) der gemeinsamen Verteilung? Berechnen Sie die Wahrscheinlichkeit P(O ~ X ~ 1;.0 ~. y ~ 1).
Bestimmen Sie aus der vorgegebenen gemeinsamen Verteilung die Wahrscheinlichkeusfunktionen f, (x) und f2 (y) der beiden Komponenten X und Y und priifen Sie diese auf stochastische Unabhdngigkeit: a)
8)
(0 ~ x ~ 2)
~
0
1
2
~
0
1
2
0
1/16
1/8
1/16
1
0,40
0,24
0,16
1
1/16
1/4
1/16
2
0,10
0,06
0,04
2
1/8
1/8
1/8
b)
Die diskreten Zufallsvariablen X und Y mit den folgenden Verteilungsfunktionen sind stochastisch unabhdngig:
f1 (xJ
0,5
2
3
0,3
0,2
Yk
Bestimmen Sie die gemeinsame Verteilung.
5
10
15
Ubungsaufgaben 9)
463
Die Zufallsvariablen Xl' X 2' X 3 und X 4 besitzen die folgenden Mittel- oder Erwartungswerte:
Jli = E(XJ
-3
5
2
1
Bestimmen Sie den Erwartungswert der folgenden Zufallsvariablen:
10)
a)
Zl=X 1 + 2 X 2-5X4
c)
Z4=X 1 + X 2+2X3-X4
b)
Z2=X 1 + 2 X 2-3(X3+X4)
Die stochastisch unabhdngigen Zufallsvariablen Xi besitzen die Mittelwerte u, = E(XJ = 2i 2 (i = 1,2,3,4)_ Welchen Mittelwert besitzen dann die folgenden Produkte? a) c)
11)
Zl=X 1 - X 2-X3-X4 Z3=(X 1 - X 2)-(X 1 + X 2)
b)
Z2=X 1-(X 2+X3)
d)
Z4=3x 1
-x l
Die stochastisch unabhdngigen Zufallsvariablen Xl' X 2' X 3 und X 4 besitzen die folgenden Mittelwerte und Varianzen: Xi
Xl
X2
X3
X4
Jli = E(XJ
2
8
-2
3
1
2
5
3
(Jf
= Var(X i )
Bestimmen Sie Mittelwert und Varianz der folgenden Linearkombinationen: a) c)
12)
d)
Z2=X 1 + 2 ( X 2-X3) Z4 = 2(X 1 - X 2) + 3X 3
Die stochastisch unabhdngigen Zufallsvariablen Xl' X 2 und X 3 besitzen der Reihe nach die Mittelwerte Jll =,2, Jl2 = - 4, Jl3 = 5und die Standardabweichungen (J 1 = 1, (J 2 = 2, (J 3 = 3_ Bestimmen Sie die Mittelwerte, Varianzen und Standardabweichungen der folgenden Zufallsvariablen: a)
13)
b)
Zl=X l-3X2+X4 Z3=X 1 + X 2+X3+X4
b)
X sei eine normalverteilte Zufallsvariable mit den Parametern Jl und (J_ Was HiBt sich fiber die Verteilung der Zufallsvariablen Z = aX + b mit a > 0 aussagen?
464
II Wahrscheinlichkeitsrechnung
14) Bild 11-137 zeigt eine Reihenschaltung aus drei ohmschen Widerstanden R 1 , R 2 und R 3 , die wir als voneinander unabhdngige und normalverteilte Zufallsgr6Ben mit den folgenden Mittelwerten und Standardabweichungen auffassen konnen: R 1: R2 : R3 :
== 200 0, )12 == 1200, )13 == 1800,
)11
(J
1
(J2
(J3
== 2 0 == 1 0 == 20 Bild 11-137 Reihenschaltung aus drei ohmschen Widerstanden
a) b)
Bestimmen Sie den Mittelwert )1 und die Standardabweichung (J des Gesamtwiderstandes R == R 1 + R 2 + R 3 • Bestimmen Sie ein zum Mittelwert )1 symmetrisches Intervall, in dem der Gesamtwiderstand R mit einer Wahrscheinlichkeit von 950/0 anzutreffen ist.
15) Gegeben sind zwei stochastisch unabhdngige und normalverteilte Zufallsvariable X und Y mit den folgenden Parametern: X:
)1x
== 10,
(Jx
== 3
Y:
)1y
== 20,
(Jy
== 4
Bestimmen Sie die Dichtefunktion der Summe Z == X
+Y
465
III Grundlagen der mathematischen Statistik
1 Grundbegriffe 1.1 Ein einfiihrendes Beispiel Ein wichtiges Beispiel fur die Anwendung statistischerMethoden in der Praxis liefert die Qualiidtskontrolle bei der Herstellung sog. M assenartikel. Nehmen wir den folgenden konkreten Fall an: Ein Betrieb produziere als Zulieferer fur einen bestimmten Elektrokonzern Kondensatoren mit einer vorgeschriebenen Kapazitat von Co == 100 JlF in groBer Stiickzahl. Kein Produktionsablauf ist jedoch so vollkommen, daj3 alle hergestellten Stucke gleich ausfallen.
Griinde dafiir sind u. a.: -
Verschleifi- und Abnutzungserscheinungen an den produzierenden Maschinen und
Automaten -
Inhomogenitdten des verarbeiteten Materials
-
Menschliche Unzulanglichkeiten
Folglich werden die Kapazitatswerte mehr oder weniger stark vom vorgegebenen Sollwert 100 JlF abweichen. Diese Fakten sind natiirlich auch dem Elektrokonzern bekannt. Er akzeptiert daher auch solche Kondensatoren, deren Kapazitat nur geringfugig vom Sollwert abweicht. Die zwischen dem Hersteller und dem Elektrokonzern getroffene Vereinbarung kann beispielsweise so aussehen, daB die Kapazitat urn maximallJlF vom Sollwert 100 JlF nach oben oder unten abweichen darf. Mit anderen Worten: Es werden vom Kunden alle Kondensatoren akzeptiert, deren Kapazitat zwischen 99 JlF und 101 JlF liegt. Bild III -1 verdeutlicht diesen Toleranzbereich:
Co
99
1-
100
Toleranzbereich
101
-I
-
C J.lF
Bild 111-1
Der Hersteller der Kondensatoren wird daher die Produktion iiberwachen, urn sicher zu gehen, daB seine Ware auch den Anforderungen des Kunden entspricht. Anderenfalls muB er das Risiko in Kauf nehmen, daB der Elektrokonzern die gelieferten Kondensa-
466
III Grundlagen der mathematischen Statistik
toren als fehlerhaft zuriickweist. Die statistische Qualitdtskontrolle des Herstellers besteht nun darin, daB er in regelmdfiigen Zeitabstanden (z.B. stiindlich) stets eine gewisse (aber gleichbleibende) Anzahl von Kondensatoren (z.B. jeweils 10 Stiick) wahllos (d.h. zufallig) aus der laufenden Produktion herausgreift und deren Kapazitat bestimmt. Es handelt sich urn sog. Zufallsstichproben vom Umfang 10. Die einzclnen Werte einer solchen Stichprobe werden dabei einer sog. Grundgesamtheit entnommen. In unserem Beispiel kame als Grundgesamtheit z.B. die Tagesproduktion an Kondensatoren infrage. Bei jeder Stichprobe werden aber die einzelnen Stichprobenwerte mehr oder weniger stark vom vorgegebenen Sollwert Co = 100 JlF abweichen. Eine solche Stichprobe konnte beispielsweise wie folgt aussehen: 99;101;102;102;99;98;100;101;101;102 (alle Angaben in JlF). Die Auswertung einer Stichprobe erfolgtdann durch Bildung eines M ittelwertes und Angabe eines geeigneten Genauigkeitsmafies, das in gewisser Weise die Streuung der einzelnen Stichprobenwerte urn den Mittelwert charakterisiert. Mit diesen statistischen Kennwerten oder M ajJzahlen einer Stichprobe werden wir uns spater noch ausfiihrlich beschaftigen (Abschnitt 2). Mit Hilfe mathematischer Modelle aus der Wahrscheinlichkeitsrechnung ist der Hersteller nun in der Lage, durch einen Vergleich des Stichprobenmittelwertes mit dem Sollwert Co festzustellen, ob die produzierte Ware auch den Anforderungen des Kunden entspricht oder ob die festgestellten Abweichungen aujJerhalb des vereinbarten Toleranzbereiches liegen. In diesem Fall wird er die laufende Produktion stoppen und auf Fehlersuche gehen.
1.2 Zufallsstichproben aus einer Grundgesamtheit Eine grundlegende Aufgabe der Statistik besteht darin, Kenntnisse und Informationen iiber die Eigenschaften oder Merkmale einer bestimmten Menge von Objekten (Elementen) zu gewinnen, ohne daB dabei alle Objekte in die Untersuchung miteinbezogen werden miissen. Dies ist namlich aus den folgenden Griinden meist auch gar nicht moglich: - Zu hoher Zeit- und Kostenaufwand - Die Anzahl der Elemente, die untersucht werden miiBten, ist zu grojJ - Die Untersuchungsobjekte konnten unter Umstanden zerstiirt werden (Beispiel: Urn die Lebensdauer eines elektronischen Bauelementes oder einer Gliihbirne bestimmen zu konnen, miiBten diese bis zur vollstandigen Zerstorung belastet werden) Eine solche Menge von gleichartigen Objekten oder Elementen heiBt Grundgesamtheit. Im einfiihrenden Beispiel aus Abschnitt 1.1 besteht diese Grundgesamtheit aus allen an einem Tage produzierten Kondensatoren. Eine Grundgesamtheit kann dabei endlich oder unendlich sein, je nachdem ob sie endlich oder unendlich viele Elemente enthalt; Aus den bereits genannten Grunden laBt sich die Untersuchung gewisser Eigenschaften oder Merkmale einer Grundgesamtheit nicht als Ganzes durchfiihren, sondern muf vielmehr auf eine Teilmenge mit n Elementen beschrankt werden. Wir entnehmen daher der Grundgesamtheit eine sog. Stichprobe vom Umfang n und erhoffen uns daraus gewisse Aufschliisse und Informationen uber die Grundgesamtheit selbst. Die Entnahme der Elemente muB dabei zufdllig erfolgen, d.h. die Auswahl der n Elemente muB wahllos
1 Grundbegriffe
467
und voneinander unabhdngig geschehen, wobei grundsatzlich jedes Element die gleiche Chance haben muB, gezogen zu werden. Man spricht daher auch von einer Zufallsstichprobe, von der man erwartet, daB sie in gewisser Weise die Grundgesamtheit reprasentiert. Das bei der Stichprobenuntersuchung interessierende Merkmal kennzeichnen wir durch die Zufallsvariable X. Es folgt dann die Feststellung des Wertes dieser Zufallsvariablen bei einem jeden der n gezogenen Elemente 1). Das Ergebnis einer solchen Stichprobe vom Umfang n HiBt sich dann (in der Reihenfolge der Ziehung) durch die n Stichprobenwerte (111-1) ausdriicken. Diese Werte sind sog. Realisierungen der Zufallsvariablen X und werden haufig auch als M erkmalswerte bezeichnet.
Anmerkung In den Anwendungen wird eine Grundgesamtheit als unendlich betrachtet, wenn die entnommene Stichprobe nicht mehr als 5% der Elemente der Grundgesamtheit enthalt,
1)
2) 3)
In Naturwissenschaft und Technik ist das interessierende Merkmal X meist eine physikalisch-technische Grobe, deren Werte aus einer MaBzahl und einer Einheit bestehen (sog. quantitatives Merkmal; siehe hierzu das nachfolgende Beispiel (1)). Es gibt aber auch Merkmale qualitativer Natur (siehe hierzu das nachfolgende Beispiel (2)). Wir werden im folgenden die meist kiirzere Bezeichnung .Stichprobe vom Umfang n" benutzen. Wir beschranken uns zunachst auf die Untersuchung eines Merkmals.
468 •
III Grundlagen der mathematischen Statistik Beispiele
(1)
Die Kapazitat der Kondensatoren aus einer Serienproduktion ist ein quantitatives Merkmal. In unserem einfiihrenden Beispiel war fur die Kapazitat ein Sollwert von 100 JlF vorgegeben. Zu Kontrollzwecken wurde der Grundgesamtheit (d.h. hier der Tagesproduktion von Kondensatoren) eine Zufallsstichprobe vom Umfang n = 10 entnommen, die dabei das folgende Aussehen zeigte: lfd. Nr. der Stichprobe
1
Kapazitat (in JlF) (2)
2
3
4
6
5
99 101 ·102 102
99
7
8
9
10
98 100 101 101 102
Bei der Funktionspriifung seriengleicher Bauelementeinteressiert das qualitative Merkmal .Das Bauelement ist funktionstitchtig", Mogliche Ergebnisse ("Werte") einer solchen Prufung sind dann "ja" und .nein", Sie lassen sich auch durch Zahlen verschliisseln; z.B. in der folgenden Weise: ja
~
nein
~
0
Funktionstiichtigkeit vorhanden (
•
1.3 Haufigkeitsverteilung einer Stichprobe 1.3.1 Haufigkeitsfunktion einer Stichprobe Gegeben sei eine Stichprobe vom Umfang n aus einer (endlichen oder unendlichen) Grundgesamtheit: (111-2)
Die Beobachtungs- oder Stichprobenwerte Xi des interessierenden Merkmals haben wir dabei zunachst in der Reihenfolge ihres Aufretens in einer sog. Urliste aufgefuhrt. Wir ordnen nun die Stichprobenwerte nach ihrer Grofle (Bild 111-2):
einzelner Beobachtungsoder Stichprobenwert kleinster Wert
/
qrotner Wert
x X max
Xmin
Spannweite der Stichprobe
Bild 111-2 Ordnen einer Stichprobe
1 Grundbegriffe
469
Der Abstand zwischen dem kleinsten und dem groj3ten Wert heiBt Spannweite der Stichprobe 4). Im allgemeinen werden dabei gewisse Stichprobenwerte mehrmals auftreten. Dies gilt insbesondere fur umfangreiche Stichproben. Bei unseren weiteren Ubcrlcguugen gehen wir daher von einer Stichprobe vom Umfang n aus, in der k verschiedene Werte Xl' X2 , ••• , Xk auftreten (k < n). Wir stellen nun fest, wie oft jeder Stichprobenwert Xi in der Stichprobe enthalten ist (i == 1, 2, ... , k). Diese naturliche Zahl heiBt absolute Hdufigkeit n, des Stichprobenwertes Xi. Dabei gilt k
I
ti,
=
ni
+ n z + ... + nk =
(111-3)
n
i= 1
Die relative Hdufigkeit hi erhalt man, indem man die absolute Haufigkeit n, durch die Anzahl n der Stichprobenwerte dividiert: (111-4)
(i == 1, 2, ... , k)
Dabei gelten folgende Beziehungen: k
und
I
hi = hi
+ h z + ... + hk =
(111-5)
1
i= 1
Es gehort somit zujedem Stichprobenwert Xi genau ein n, bzw. hi. Die Stichprobe kann dann vollstandig durch die folgende Verteilungstabelle beschrieben werden: Stichprobenwert Xi
Xl
X2
absolute Haufigkeit n,
nl
n2
relative Haufigkeit hi
hi
h2
X4
...
Xk
n3
n4
...
nk
h3
h4
...
hk
X3
Die Verteilung der einzelnen Stichprobenwerte in der Stichprobe laBt sich daher durch die wie folgt definierte Hiiufigkeitsfunktion f (x) darsteIlen: f(x) =
{
h. 0'
X
fur
== Xi (i == 1, 2, ... , k)
aIle iibrigen
(111-6)
X
Sie ordnet jedem Stichprobenwert Xi als Funktionswert die relative Haufigkeit hi zu und allen Werten x, die nicht in der Stichprobe auftreten, den Wert Null. Die Hdufigkeitsfunktion f (x) laBt sich graphisch in sehr anschaulicher Weise durch ein Stabdiagramm darstellen, wobei die Stablange der relativen Haufigkeit hi des einzelnen Stichprobenwertes Xi entspricht (Bild 111-3; die Stabbreite ist ohne Bedeutung).
4)
Die Spannweite kann als ein besonders einfaches MaB fur dieStreuung der Stichprobenwerte angesehen werden.
III Grundlagen der mathematischen Statistik
470 f(x)
Bild 111-3 Bildliche Darstellung einer Haufigkeitsfunktion f(x) durch ein Stabdiagramm
_-+-_--.-_-..-_-"I"-_~_h_4-
__
--h-x
Wir fassen die Ergebnisse wie folgt zusammen:
•
Beispiel Aus der laufenden Tagesproduktion von Gewindeschrauben mit einem Solldurchmesser von X o == 5,0 mm wurde eine Stichprobe vom Umfang n == 25 entnommen. Dabei ergab sich die folgende Urliste (aIle Werte in mm): 4,9; 4,8; 5,0; 5,2; 5,2; 5,1; 4,7; 5,0; 5,0; 4,9; 4,8; 4,9; 5,1; 5,0; 5,0; 5,1; 5,0; 4,9; 4,8; 4,9; 4,9; 5,0; 5,0; 5,1; 5,0 Es treten nur 6 verschiedene Werte auf. Der Grobe nach geordnet lauten diese: 4,7; 4,8; 4,9; 5,0; 5,1; 5,2
(in mm)
471
Grundbegriffe
Mit einer Strichliste bestimmen wir zunachst die absolute Haufigkeit n, dieser Werte: Stichprobenwert Xi (in mm)
4,7
4,8
III
4,9
-HH-I
5,0
5,1
-HH-IIII IIII
5,2
II
Daraus erhalten wir dann die folgende Verteilungstabelle: 4,7
mm
4,8
4,9
5,0
5,1
5,2
Bild 111-4 zeigt das zugehorigeStabdiagramm der Haufigkeitsfunktion f (x), deren Werte in der Verteilungstabelle grau unterlegt sind.
f(x)
0,32
0,24
Bild 111-4
0,16 0,08
4,7
4,8
4,9
5,0
5,1
5,2
x
mm
•
1.3.2 Verteilungsfunktion einer Stichprobe Die Haufigkeitsverteilung einer Stichprobe lafit sich eindeutig und vollstandig durchdie H dufigkeitsfunktion f (x) oder aber durch die wie folgt definierte Summenhdufigkeits- oder Verteilungsfunktion F(x) beschreiben:
III Grundlagen der mathematischen Statistik
472
In der graphischen Abbildung erhalten wir eine sog. Treppenfunktion, wie in Bild 111-5 dargestellt. Diese stiickweise konstante Funktion erfahrt an der Stelle des Stichprobenwertes Xi jeweils einen Sprung der Hohe f (xJ == hi. Nach dem letzten Sprung, der an der Stelle x k erfolgt, erreicht die Verteilungsfunktion F (x) dann den Endwert Eins.
F(x)
-F I I I I I I I I
f(X4) f(X3) f(x2)
--X1
•
X2
X3
X4
Bild 111-5 Summenhaufigkeits- oder ,'Verteilungsfunktion F(x) (" Treppenfunktion")
I Xk
X
Beispiel
Wir kehren zu dem Beispiel aus dem vorangegangenen Abschnitt zuriick, Fur den Durchmesser der Gewindeschrauben ergab sich dabei die folgende Verteilungstabelle (Hiiufigkeitsfunktion):
mm
f(xJ
4,7
4,8
4,9
5,0
5,1
5,2
0,04
0,12
0,24
0,36
0,16
0,08
473
1 Grundbegriffe
Daraus erhalten wir durch Summenbildung die zugehorige Verteilungsfunktion F (x) in Form der folgenden Wertetabelle: mm F(xJ
4,7
4,8
4,9
5,0
5,1
5,2
0,04
0,16
0,40
0,76
·0,92
1
F (x) springt an den Stellen Xl == 4,7, X 2 == 4,8, X 3 == 4,9, X 4 == 5,0, X 5 == 5,1 und == 5,2 der Reihe nach urn die WerteO,04, 0,12, 0,24, 0,36, 0,16 und 0,08 und erreicht dabei nach dem letzten Sprung den Endwert Bins (Bild III -6). X6
F(x)
1,0 0,08
I I I I I I I I I I I I
0,8
0,6
0,36
0,4
0,2
4,7
4,8
4,9
5,0
5, 1
5,2
Bild 111-6
x
mm
•
1.3.3 Gruppierung der Stichprobenwerte bei umfangreichen Stichproben (Einteilung in Klassen) . Bei umfangreichen Stichproben mit vielen verschiedenen Werten gruppiert man die Stichprobenwerte zweckmabigerweise in sog. Klassen. Zunachst wird die Stichprobe geordnet und der kleinste und groftte Wert bestimmt (xm in bzw. x max) . Dannwird das Intervall I festgelegt, in dem sdmtliche Stichprobenwerte liegen und dieses schlieBlich in k Teilintervalle t1.Ii gleicher Breite t1.x zerlegt (sog. Klassen gleicher Breite, Bild 111-7)5).
5)
Als Randpunkte des Intervalls I konnen z.B. die Stichprobenwerte x m in und x m ax gewahlt werden. In vielen Fallen ist es jedoch zweckmdfiiger, die beiden Randpunkte weiter auBen zu wahlen, urn eine bessere Klasseneinteilung zu erzielen (siehe hierzu auch das nachfolgende Beispiel).
III Grundlagen der mathematischen Statistik
474 linker Randpunkt
rechter Randpunkt
~
I ..
L1x
_I
I
I xmin ~~~
Klassen-Nr.
1
2
~
--I X~ax I
x
~
k
3
Bild 111-7 Einteilung der Stichprobenwerte in Klassen gleicher Breite Ax
Die Mitte eines jeden Klassenintervalles Sl, heiBt Klassenmitte Xi (Bild 111-8):
IA
Klassenmitte
-1
1
I
Xi
II
t
Beobachtungswerte der i-ten Klasse
I t
Randpunkte der i-ten Klasse
1-
Klassenbreite L1x
-I
x Bild 111-8 Zum Begriff der Klassenmitte
Bei der Klassenbildung sollten dabei die folgenden Regeln beachtet werden:
1 Grundbegriffe
475
Anmerkung Eine weitere haufig empfohlene Faustregel fur die Klassenanzahl k lautet: k
~
(111-10)
5 ·lg n
Durch Ausziihlen stellen wir nun fest, welche Stichprobenwerte in welche Klasse fallen. Die Anzahl ni der Stichprobenwerte, die in der i-ten Klasse liegen, heiBt absolute Klassenhdufigkeit. Dividiert man diese durch die Anzahl n aller Stichprobenwerte, so erhalt man die relative Klassenhdufigkeit
(III-11)
(i == 1, 2, ... , k)
Fur die Weiterverarbeitung der Stichprobenwerte wollen wir vereinbaren, daB allen Elementen einer Klasse genau die Klassenmitte als Wert zugeordnet wird. Wir erhalten damit die folgende Verteilungstabelle: Klassenmitte Xi relative Klassenha ufigkeit hi Die Hdufigkeitsfunktion f (x) einer solchen sog. gruppierten Stichprobe beschreibt dann die relative Klassenhdufigkeit hi in Abhangigkeit von der Klassenmitte Xi: f(x) =
{
h. 0'
x == Xi
(i == 1, 2, ... , k)
fur
(111-12) aIle iibrigen x
Der Verlauf dieser Funktion laBt sich graphisch durch ein Stabdiagramm oder durch ein sog. Histogramm verdeutlichen. Beim Stabdiagramm tragt man dabei iiber der Klassenmitte Xi die relative Klassenhaufigkeit hi ab (d.h. einen Stab der Lange hi; Bild 111-9). f(x)
Bild 111-9 Stabdiagramm einer gruppierten Stichprobe
Ein Histogramm oder Staffelbild entsteht, wenn man iiber den Klassen gleicher Breite L\x Rechtecke errichtet, deren Hohen den relativen Klassenhaufigkeiten entsprechen. Man erhalt dann den in Bild III -10 skizzierten sdulenformigen Graph. Die Fldcheninhalte der Rechtecke sind dabei den relativen Klassenhaufigkeiten proportional.
III Grundlagen der mathematischen Statistik
476 f(x)
Bild 111-10 Histogramm einer gruppierten Stichprobe
Die Verteilungsfunktion F(x) der gruppierten Stichprobe ist die Summe der relativen Klassenhaufigkeiten aller Klassen, deren Mitten Xi kleiner oder gleich x sind: F(x) =
I
(111-13)
f(x;)
Bild III -11 zeigt den zugehorigen Funktionsgraph, eine Treppenjunktion, die in den Xk der Reihe nach Spriinge der Grobe f (Xl) = h l , Klassenmitten Xl' f (x z) == hz, ... , f (x k ) == hk macht.
xz, ... ,
F(x)
-~
I I I I I I I I I I I I ---II--+----..-~:_.r--+---+------+--------I Xk
x
Bild 111-11 Verteilungsfunktion F(x) einer gruppierten Stichprobe (" Treppenfunktion")
1 Grundbegriffe
477
Wir fassen die wichtigsten Ergebnisse dieses Abschnitts wie folgt zusammen:
•
Beispiel Aus der laufenden Serienproduktion von Ohmschen Widerstanden mit einem Sollwert von 100 Q wurde eine Stichprobe vom Umfang n == 50 entnommen. Die Widerstandswerte lagen dabei zwischen X m in == 96,7 Q und X ma x == 104,2 Q (Bild 11112). Die Spannweite betragt somit nahezu 8 Q. Wir wahlen daher zweckmabigerweise die I ntervallrandpunkte bei 96,5 Q und 104,5 Q und unterteilen dieses Intervall der Lange 8 Q in 8 Teilintervalle (Klassen) gleicher Breite ~x == 1 n 6).
6)
Die Faustregeln (111-9) und (111-10) liefern hier fur die :Klassenzahl k die folgenden Werte:
k~
J50 ~ 7
bzw.
k ~ 5 . 1950 ~ 8
Wegen einer Spannweite von nahezu 8 n haben wir uns hier zweckmaliigerweise fur k = 8 Klassen mit einer ganzzahligen Klassenbreite von 1 n entschieden.
III Grundlagen der mathematischen Statistik
478
In tervallran dpunkte
96,5
-1
104,5
96,7
I I
1-
I
1-
I
104,2
Spannweite
= 7,5Q~ 8Q
~I
I I
x Q
I
-I
Intervall der Lange aQ
BUd111-12
Fur die Klassenmitten erhalten wir dann die ganzzahligen Werte 97, 98, ... ,104 (alle Werte in 0). Die hier nicht aufgefiihrte Urliste fuhrte bei dieser Klasseneinteilung zu der folgenden H dufigkeitsverteilung:
96,5 ... 97,5
97
2
0,04
2
97,5 ... 98,5
98
5
0,10
3
98,5 ... 99,5
99
10
0,20
4
99,5 ... 100,5
100
13
0,26
5
100,5 ... 101,5
101
9
0,18
6
101,5 ... 102,5
102
6
0,12
7
102,5 ... 103,5
103
4
0,08
8
103,5 ... 104,5
104
Damit erhalten wir das in Bild III -13 dargestellte Stabdiagramm.
0,02
2 Kennwerte oder MaBzahlen einer Stichprobe
479
f(x) 0,30
0,20
0,10
Bild 111-13
97
98
99
100
101
102
103
104
x Q
Im Histogramm nach Bild 111-14 reprasentiert der Flacheninhalt des i-ten Rechtecks die relative Klassenhaufigkeit hi der i-ten Klasse (i == 1, 2, ... , 8). So wird z.B. die relative Klassenhaufigkeit h4 == 0,26 der vierten Klasse mit der Klassenmitte 4 == 100 Q durch die im Bild dunkelgrau unterlegte Rechtecksflache dargestellt.
x
f(x) Flecne
»
h 4 = 0,26
0,30
0,20
0,10
BUd 111-14
97
98
99
100
101
102
103
104
x Q
• 2 Kennwerte oder Ma8zahlen einer Stichprobe Wie wir inzwischen wissen, laBt sich eine Stichprobe durch ihre H dufigkeitsverteilung, d.h. entweder durch ihre Hiiufigkeitsfunktion f (x) oder aber durch ihre Verteilungsfunktion F (x) vollstandig beschreiben. Daneben besteht die Moglichkeit, die Stichprobe durch bestimmte statistische Kennwerte (auch Maj3zahlen genannt) zu charakterisieren, wenn
III Grundlagen der mathematischen Statistik
480
auch in unvollstandiger Weise 7). Wir beschranken uns dabei in diesem Abschnitt auf die wichtigsten Kennwerte, namlich auf den Mittelwert X, die Varianz S2 und die Standardabweichung s.
2.1 Mittelwert, Varianz und Standardabweichong einer Stichprobe Der wohl wichtigste Kennwert einer Stichprobe vom Umfang n mit den ihrer Grobe nach geordneten Stichprobenwerten Xl' X 2 , ••. , X n ist der Mittelwert X (Bild 111-15). Er kennzeichnet die Mitte der Stichprobe, d.h. den durchschnittlichen Wert aller n Stichprobenwerte und ist wie folgt definiert:
k/einster Wert
groBter Wert
~
~ x
Mitte/wert
Bild 111-15 Mi ttelwert x einer Stichprobe Xl' X 2,
... , X n
X
Anmerkungen
(1)
Weitere iibliche Bezeichnungen fur den Mittelwert xeiner Stichprobe sind Stichprobenmittelwert oder empirischer Mittelwert.
(2)
Der Stichprobenmittelwert x ist ein sog. Lageparameter, der die durchschnittliche Lage der Stichprobenwerte auf einer Zahlengeraden festlegt. Manchmal (bei naturwissenschaftlich-technischen Anwendungen jedoch relativ selten) werden auch folgende Lageparameter zur Kennzeichnung der "Stichprobenmitte" verwendet:
7)
a)
Median- oder Zentralwert: Stichprobenwert, der genau in der Mitte einer geordneten Stichprobe steht (d.h. links und rechts von diesem Wert befinden sich gleichviele Stichprobenwerte)
b)
Modalwert: Stichprobenwert, der in der Stichprobe am hdufigsten vorkommt
Man spricht in diesem Zusammenhang auch von empirischen Kennwerten (im Unterschied zu den Kennwerten einer Wahrscheinlichkeitsverteilung).
2 Kennwerte oder MaBzahlen einer Stichprobe
481
Da die einzelnen Stichprobenwerte Xi urn ihren Mittelwert X streuen (vgl. hierzu Bild 111-15), benotigen wir noch ein geeignetes StreuungsrnafJ, das in gewisser Weise die Grobe der Abweichungen charakterisiert 8). Die Surnrne der Abweichungen Vi == Xi - X der einzelnen Strichprobenwerte vom Mittelwert scheidet dabei als StreuungsmaB aus, da sie stets den Wert N uIl ergibt und somit lediglich .zu KontroIlzwecken geeignet ist: n
I
i=l
n
Vi
=
I
i=l
n
(Xi -
x) =
I
Xi -
nx = nx -
»s =
0
(111-18)
i=l '-v--'
nx
Ein geeignetes StreuungsmaB HiBt sich nach GaufJ aus den Abweichungsquadraten == (Xi - X)2 wie folgt bilden:
vf
Anrnerkungen (1) Weitere iibliche Bezeichnungen fur die Varianz S2 einer Stichprobe sind Stichprobenvarianz oder auch ernpirische Varianz. (2)
Beide Kennwerte, sowohl die Varianz S2 als auch die Standardabweichung s, sind ein MafJ fur die Streuung der Stichprobenwerte Xl' X 2, ... , x; urn ihren Mittelwert x. Die Standardabweichung s hat dabei den Vorteil, daB sie dieselbe Dimension und Einheit besitzt wie die einzelnen Stichprobenwerte und deren Mittelwert x.
(3)
Die Varianz S2 ist eine Art rnittleres Abweichungsquadrat. Es gilt stets S2 > 0 und somit auch s > 0, sofern nicht aIle Stichprobenwerte gleich sind (in diesem Sonderfall ist S2 == 0 und somit auch s == 0).
8)
Die Angabe des Stichprobenmittelwertes x allein reicht zur Charakterisierung der Haufigkeitsverteilung nicht aus, da empirische Verteilungen mit demselben Mittelwert vollig verschieden aussehen konnen.
III Grund1agen der mathematischen Statistik
482
(4)
Es iiberrascht zunachst, daB bei der Bi1dung der Varianz die Summe der Abweichungsquadrate nicht (wie eigentlich nahe1iegend) durch die Anzah1 n der Stichprobenwerte, sondern durch die Zah1 n - 1 dividiert wird. Eine ausreichende Begriindung ist an dieser Stelle nicht moglich, wir reich en sie aber spater nach (vgl. hierzu Abschnitt 3.2.4).
(5)
Fur praktische Berechnungen der Varianz gleichwertige Forme1 2 8
=
n
~ 1 [.I 1
S2
ist die mit der Definition (111-19)
2
Xf -
n .x
(111-20)
]
=1
oft besser geeignet. •
Beispiel
Die Untersuchung des Wirkungsgrades X von 5 serieng1eichen Kesse1n einer 61Heizungsan1age eines bestimmten Fabrikats fiihrte zu der fo1genden Urliste: (alle Werte in 0/0)
92,4; 91,9; 92,0; 91,8; 91,9
Wir bestimmen Mittelwert X, Varianz S2 und Standardabweichung s dieser Stichprobe:
1
92,4
0,4
0,16
8537,76
2
91,9
-0,1
0,01
8445,61
3
92,0 91,8
-0,2
°
8464
4
°
0,04
8427,24
5
91,9
-0,1
0,01
8445,61
Fur den M ittelwert
x erhalten wir nach der
Definitionsforme1 (111-17): (in 0/0)
Die Berechnung der Varianz S2 und damit der Standardabweichung s soll zunachst nach der Definitionsforme1 (III -19) erfo1gen:
2 Kennwerte oder MaBzahlen einer Stichprobe 1 5- 1
I
1
5
S2 = - - '
(Xi - X)2 =
4: . 0,22 =
483
0,055 ~ 0,06
i = 1
, , s = ySt;i = )0055 = 0,235 ~ 024
(in %)
Die rechnerisch bequemere Formel (111-20) fiihrt natiirlich zum gleichen Ergebnis:
S2
= -15-1
[5~ x~ ~
i= 1
~
n.
]
1 . (42320 22 x2 = -4 '
5 . 92 2 )
= 0 055 ~ 006 "
(in 0/0 2 )
Der mittIere Wirkungsgrad der Heizkessel betragt somit X = 92%. Varianz ~ 0,06% 2 und Standardabweichung s ~ 0,24% kennzeichnen dabei die Streuung der Einzelwerte urn diesen Mittelwert. _
S2
2.2 Spezielle Berechnungsformeln fur die Kennwerte einer Stichprobe 2.2.1 Berechnung der Kennwerte unter Verwendung der Haufigkeitsfunktion f(x) sei die Hdufigkeitsfunktion der (geordneten) Stichprobe vom Umfang n mit der folgenden Verteilungstabelle:
M ittelwert
x und
Varianz S2 lassen sich dann wie folgt aus dieser Tabelle berechnen:
III Grundlagen der mathematischen Statistik
484
Anrnerkung Fur praktische Berechnungen der Varianz
S2
1 [.
= n:
±
1
xf·
f
S2
ist die gleichwertige Formel
2
(x;) - X
(III -23)
]
= 1
oft rechnerisch bequerner. •
Beispiel
Aus einer Serienfabrikation von Gewindeschrauben wurden wahllos 100 Schrauben entnommen und der je.weilige Durchrnesser bestimmt. Diese Stichprobe vom Umfang n == 100 fiihrte dabei zu der folgenden Verteilungstabelle: -
Xi
mm
f(xJ
3,50
3,51
3,52
3,53
3,54
3,55
3,56
3,57
0,03
0,08
0,22
0,30
0,18
0,10
0,06
0,03
Wir berechnen den M ittelwert .x:, die Varianz S2 und die Standardabweichung s dieser Stichprobe unter Verwendung der folgenden Tabelle:
3,50
0,03
0,1050
- 0,0321
10,3041
0,309123
2
3,51
0,08
0,2808
- 0,0221
4,8841
0,390728
3
3,52
0,22
0,7744
- 0,0121
1,4641
0,322102
4
3,53
0,30
1,0590
- 0,0021
0,0441
0,013230
5
3,54
0,18
0,6372
0,0079
0,6241
0,112338
6
3,55
0,10
0,3550
0,0179
3,2041
0,320410
7
3,56
0,06
0,2136
0,0279
7,7841
0,467046
8
3,57
0,03
0,1071
0,0379
14,3641
0,430923
Mittelwert: 8
I
X= i
=1
Xi·
f
(x;) = 3,5321 mm
~ 3,532 mm
2 Kennwerte oder MaBzahlen einer Stichprobe
485
Varianz:
Sl
==
100 8 . ~ (Xi 100 -.:. 1 L
X)l .
100 f(xJ == -99 .2,3659.10- 4 mm ' ==
i= 1
Standardabweichung:
s ==
R
== )2,39 .10- 4 mm? == 1,55 .10- 1 mm == 0,0155 mm ~ 0,016 mm
Die Schrauben in der entnommenen Stichprobe besitzen somit einen mittleren Durchmesser von == 3,532 mm. Die Streuung der Einzelwerte urn diesen Mittelwert wird durch die Standardabweichung s == 0,016 mm charakterisiert.
x
• 2.2.2 Berechnung der Kennwerte einer gruppierten Stichprobe
f (x)
sei die Klassenhdufigkeitsfunktion einer in k Klassen aufgeteilten Stichprobe vom Urn fang n mit der folgenden Verteilungstabelle:
x
Xl' Xl' ... , k sind dabei die Klassenmitten. E's gelten dann die bereits aus dem vorangegangenen Abschnitt bekannten Formeln fur den Mittelwert x und die Varianz Sl, wenn man dort die verschiedenen Stichprobenwerte Xl' Xl' ... , X k durch die Klassenmitten Xl' Xl' ... , Xk ersetzt.
486
III Grundlagen der mathematischen Statistik
Anmerkung In der Praxis verwendet man zur Berechnung der Varianz S2 meist die rechnerisch bequemere (und der Definitionsformel 111-25 gleichwertige) Formel (111-26)
•
Beispiel Wir kommen nochmals auf das Beispiel in Abschnitt 1.3.3 zuriick (Entnahme einer Stichprobe vom Umfang n = 50 aus einer Serienproduktion von ohmschen Widerstanden mit dem Sollwert 100 Q). Die Stichprobenwerte hatten wir dabei in 8 Klassen der Breite ~x = 1 Q mit den ganzzahligen Klassenmitten 97 Q, 98 Q, ... , 104 Q aufgeteilt. Diese Klasseneinteilung fiihrte dann zu der folgenden Klassenhdufigkeitsfunktion f (x) (vgl. hierzu auch das in Bild 111-13 dargestellte Stabdiagramm): Klassen-Nr. i
1
2
3
4
5
6
7
8
Klassenmitte Xi (in Q)
97
98
99
100
101
102
103
104
f(xJ
0,04
0,10
0,20
0,26
0,18
0,12
0,08
0,02
Wir bestimmen den Mittelwert X, die Varianz S2 und die Standardabweichung s dieser Stichprobe unter Verwendung der nachfolgenden Tabelle:
1
97
0,04
3,88
9409
376,36
2
98
0,10
9,80
9604
960,4
3
99
0,20
19,80
9801
1960,20
4
100
0,26
26,00
10000
2600,00
5
101
0,18
18,18
10201
1 836,18
6
102
0,12
12,24
10404
1248,48
7
103
0,08
8,24
10609
848,72
8
104
0,02
2,08
10816
216,32
3 Parameterschatzungen
487
Mittelwert: 8
X=
L Xi' f(x;)
= 100,22
o
i = 1
Varianz (nach der Formel (111-26) berechnet):
2 S
50 =50-1
8 -2 - -2] [.L "f(xi)-x Xi
1=
=
1
= 50 [10046,66 n 2 _ (100,22 n)2] = 2,6649 n 2 ~ 2,665 n 2 49
Standardabweichung:
s ==
p
== J2,6649 Q2 == 1,6325 Q ~ 1,633 Q
Die entnommenen Widerstande besitzen im Mittel einen Wert von x == 100,22 Q. Die mittlere Abweichung der einzelnen Widerstandswerte von diesem Mittelwert wird durch die Standardabweichung s == 1,633Q beschrieben.
•
3 Statistische Schatzmethoden fiir die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Parameterschatzungen") 3.1 Aufgaben der Parameterschatzung Eine Grundgesamtheit, deren Elemente wir hinsichtlich eines bestimmten Merkmals X betrachten, ist bekanntlich durch die Verteilungsfunktion F(x) der Zufallsvariablen X vollstdndig charakterisiert. Wir driicken diesen Sachverhalt kurz und knapp wie folgt aus: "Die Grundgesamtheit besitzt die Verteilungsfunktion F(x)". In den Anwendungen aber stellt sich dann haufig das folgende Problem: Die Verteilungsfunktion F(x) einer Grundgesamtheit ist zwar von der Art her bekannt, enthalt jedoch noch unbekannte Parameter. So hat man es in vielen Fallen mit Normalverteilungen zu tun, deren Parameter J1 und (J jedoch noch unbekannt sind. Es ergeben sich daraus dann folgende Fragestellungen: 1. Wie erhdlt man auf der Basis einer konkreten Stichprobe Schatz- oder Ndherungswerte fur die unbekannten Parameter? 2. Wie genau und wie sicher sind solche Schdtzwerte'l
488
III Grundlagen der mathematischen Statistik
Mit der ersten Frage werden wir uns in den nachfolgenden Abschnitten 3.2 und 3.3 auseinandersetzen und dabei sehen, wie man unter Verwendung einer konkreten Stichprobe mit Hilfe sog. Schdtzfunktionen Naherungs- oder Schatzwerte fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung erhalten kann. Die zweite Frage fiihrt uns dann zu den sog. Konfidenz- oder Vertrauensintervallen, die wir in Abschnitt 3.4 ausfiihrlich behandeln werden. Dort werden wir zeigen, wie sich durch Stichprobenuntersuchungen Intervalle bestimmen lassen, die einen unbekannten Parameter der Verteilung mit einer vorgegebenen (groBen) Wahrscheinlichkeit iiberdecken. Man bezeichnet daher diese auf Stichprobenuntersuchungen beruhenden statistischen Schatzmethoden als Parameterschdtzungen und unterscheidet dabei noch wie folgt zwischen einer Punkt- und einer Intervallschdtzung:
3.2 Schatzfunktionen und Schatzwerte fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Punktschatzungen") Wir beschaftigen uns in diesem Abschnitt mit der Schdtzung von unbekannten Mittelwerten, Varianzen und Anteilswerten ("Erfolgswahrscheinlichkeiten" einer Binomialverteilung). Ein Verfahren zur Gewinnung von Schatzfunktionen werden wir dann im nachsten Abschnitt kennenlernen (Maximum-Likelihood-Methode). Beginnen wollen wir aber mit einem anschaulichen Beispiel.
3 Parameterschatzungen
489
3.2.1 Ein einfiihrendes Beispiel Beim radioaktiven Zerfall eines bestimmten chemischen Elementes zerfallen die einzelnen Atomkerne auf natiirliche Art und Weise regellos undunabhiingig voneinander nach den Gesetzmalsigkeiten der mathematischen Statistik. Die diskrete Zufallsvariable X = Anzahl der Atomkerne, die in einem bestimmten Zeitintervall dt zerfallen
erweist sich dabei als eine geeignete Grobe zur Beschreibung dieses statistischen Vor.. gangs. Sie geniigt einer Poisson- Verteilung mit der Wahrscheinlichkeitsfunktion flX
f(x) = P(X = x) = _. e"!'
(111-27)
(x = 0, 1, 2, ...)
x!
Der dabei meist unbekannte Parameter fl in dieser Verteilung ist der Erwartungs- oder Mittelwert der Zufallsvariablen X und gibt an, wieviele Atomkerne im Mittel in dem gewahlten Zeitintervall dt zerfallen. In der Praxis stellt sich dann die Aufgabe, diesen Parameter aus einer konkreten Stichprobe zu schdtzen. Wir gehen dabei wie folgt vor: In n aufeinander folgenden Zeitintervallen gleicher Lange dt messen wir mit einem Zahlgerat, wieviele Atomkerne in diesem Zeitraum jeweils zerfallen. Wir erhalten dabei der Reihe nach Xl' X 2, X 3, ... , x; Zerfalle:
Zeitintervall Nr. i
1
2
3
n
Anzahl Xi der Atomkerne, dieim i-ten Zeitintervall zerfallen sind
Xl
X2
X3
Xn
x
Es liegt dann nahe, den arithmetischen Mittelwert dieser Stichprobe als Schatz- oder Ndherungswert fiir den unbekannten Mittelwert fl der Verteilung zu betrachten:
L n
-
fl~x
1 n
=_.
i= 1
+
+ ... +
Xl x2 x; Xi = - - - - - - -
n
(111-28)
In Abschnitt 3.3.2.2 werden wir dann naher begrunden, warum der Stichprobenmittelwert in der Tat als Schdtzwert fur den Parameter fl geeignet ist. Der durch die PoissonVerteilung (111-27) charakterisierte radioaktive Zerfall ist damit durch die Naherung fl ~ vollstdndig und eindeutig beschrieben.
x
x
3.2.2 Schatz- und Stichprobenfunktionen Fur die Schdtzung der unbekannten Parameter einer Wahrscheinlichkeitsverteilung werden spezielle Funktionen benotigt. Sie ermoglichen die ndherungsweise Berechnung dieser Parameter unter Verwendung einer konkreten Stichprobe, die man der entsprechenden Grundgesamtheit entnommen hat. Wir wollen in diesem Abschnitt zunachst am Beispiel des Mittelwertes fl einer Verteilung die wichtigen Begriffe einer Schatz- und Stichprobenfunktion einfiihren, uns dann den besonderen Eigenschaften dieser Funktionen zuwenden und abschlieBend Kriterien fur .optimale" Schatzfunktionen aufstellen.
III Grundlagen der mathematischen Statistik
490 Schatzung des Mittelwertes
x
Es HiBt sich zeigen, daBder Mittelwert einer konkreten ZufaIlsstichprobe Xl' X 2, ... , x; als ein geeigneter Schatz- ·oder Ndherungswert fur den unbekannten Mittelwert /1 der Wahrscheinlichkeitsverteilung der zugehorigen ZufaIlsvariablen X betrachtet werden kann 9): A
_
n
~
1
L
/1~/1=x=~'
Xi
=
Xl +X 2
+ ... +
Xn
(111-29)
n
i= 1
Diesen Schatzwert fassen wir als einen speziellen Wert oder eine Realisierung der Funktion
Xl + X 2 + ... + X; Xi = - - - ---i= 1
(111-30)
n
auf. Xl' X 2' ... , X n sind dabei stochastisch unabhdngige ZufaIlsvariable, die aIle die gleiche Verteilung besitzen wie die Zufallsgrolie X (Mittelwert /1., Varianz (T2) und Xl' X 2, ••. , x; die Werte dieser ZufaIlsvariablen anhand der entnommenen konkreten Stichprobe. Die von den n ZufaIlsvariablen Xl' X 2' ... , X n abhangigeFunktion X ist dann ebenfalls eine Zufallsvariable und wird in diesem Zusammenhang als eine Schdtzfunktion fur den unbekannten M ittelwert /1 der Zufallsvariablen X bezeichnet. Stichprobenfunktionen Die ZufaIlsvariable X ist ein erstes Beispiel fiir eine sog. Stichprobenfunktion. Darunter versteht man in der mathematischen Statistik ganz allgemein eine Funktion (ZufaIlsvariable), die von n unabhdngigen ZufaIlsvariablen Xl' X 2' ... , X n abhangt, die aIle der gleichen Verteilungsfunktion F(x) geniigen, Die unabhdngigen Zufallsvariablen Xl' Xl' ... , X n konnen dabei auch als die Komponenten einer n-dimensionalen ZufaIlsgrebe (III -31) die haufig auch als Zufallsvektor X bezeichnet wird, aufgefaBt werden. Sie beschreibt (in sehr abstrakter Weise) eine sog. mathematische Stichprobe. Eine Stichprobenuntersuchung fiihrt dann stets zu einer konkreten Stichprobe mit den Stichprobenwerten (x J ' X 2, ••• , x.}, die wir als eine Realisierung der n-dimensionalen Zufallsgrolse (X1; X 2; ... ; X n) interpretieren: n-dimensionale Zufallsgrolle
(X 1; X 2; ... ; X n)
1 1 konkrete Stichprobe
1
(Xl; X 2;···; X n )
In den nachfolgenden Abschnitten werden wir noch weitere Stichprobenfunktionen kennenlernen.
9)
Schdtzwerte kennzeichnen wir durch ein .Dach''. Beispiel: (Mittelwert) 11.
p,
ist ein Schdtzwert fur den Parameter
491
3 Parameterschatzungen Besondere Eigenschaften der Schatzfunktion X
Wir kehren nun zu der Stichprobenfunktion X, der Schdtzfunktion fur den Mittelwert J.1, zuruck. Fur verschiedene Stichproben erhalten wir im allgemeinen verschiedene Stichprobenmittelwerte x und damit auch verschiedene Schatzwerte (t fur den unbekannten Mittelwert J.1 der Grundgesamtheit 10). Unsere Schatzfunktion X besitzt dabei drei besonders wiinschenswerte Eigenschaften, die uns z.T. bereits aus Kapitel II, Abschnitt 7.5.4 (1. Beispiel) bekannt sind: (1)
Die Schatzfunktion X besitzt den Erwartungswert J.1:
(111-32)
E(X) = J.1
Eine Schatzfunktion mit dieser Eigenschaft heiBt erwartungstreu. X ist somit eine erwartungstreue Schatzfunktion fur den unbekannten Mittelwert J.1 der Grundgesamtheit. (2)
Fur die Varianz Var(X) gilt bekanntlich: _
(52
Var(X) = n
(III -33)
Dies aber bedeutet, daf die Varianz der Schatzfunktion X mit zunehmendem Stichprobenumfang n abnimmt und fur n ~ 00 gegen Null strebt. Mit anderen Worten: Die Werte der Zufallsvariablen X streuen mit zunehmendem n immer geringer um den (unbekannten) Mittelwert J.1. Die Schatzfunktion X ist - wie man sagt - konsistent. Damit bringt man ganz allgemein zum Ausdruck, daB die Wahrscheinlichkeit dafiir, daB sich die Werte einer Schatzfunktion beliebig wenig von dem zu schatzenden (unbekannten) Parameter der Grundgesamtheit unterscheiden, fur n ~ 00 gegen den Wert Eins konvergiert. (3)
Unsere Schatzfunktion X ist aber nur eine von mehreren moglichen erwartungstreuen Schatzfunktionen fur den Mittelwert J.1. Es laBt sichjedoch zeigen, daB es bei gleichem Stichprobenumfang n keine andere erwartungstreueSchatzfunktion fur den Parameter J.1 mit einer kleineren Varianz gibt.Die Schatzfunktion X heiBt daher wirksam oder effizient.
Kriterien .fur eine "optimale" Schatzfunktion
Die Schatzung eines unbekannten Parameters 9- erfolgt also mit Hilfe einer geeigneten Stichprobenfunktion
(111-34) die in diesem Zusammenhang als Schdtzfunktion fur den Parameter 9- bezeichnet wird.
10)
Der Mittelwert X einer Stichprobe ist eine Funktion der n unabhangigen Stichprobenwerte x2'
0.
O'Xn0
Xl'
III Grundlagen der mathematischen Statistik
492
Eine solche Schatzfunktion wird als "optimal" betrachtet, wenn sie die folgenden Kriterien erfiillt:
Anmerkung
Ein Musterbeispiel fur eine "optimale" Schatzfunktion liefert die durch Gleichung (111-30) definierte Schatzfunktion X fur den M ittelwert 11.
3.2.3 Schatzungen fur den Mittelwert Jl Wie wir aus dem vorherigen Abschnitt bereits wissen, liefert der arithmetische Mittelwert X 2, .•. , x; einen geeigneten Schatz- oder N dherungswert {l, fur den unbekannten Mittelwert u der Wahrscheinlichkeitsverteilung der zugehorigen Zufallsvariablen X:
x einer Zufallsstichprobe Xl'
A
Jl ~ Jl =
_
X
1
n
~
= ;;. i....J i= 1
Xi
(III-38)
493
3 Parameterschatzungen Die zugehorige Schdtzfunktion istdie Stichprobenfunktion
(III -39)
die zu jeder konkreten Stichprobe einen "optimalen" Schatzwert fur den Mittelwert f.l liefert. "Optimal" bedeutet in diesemZusammenhang, daB diese Schatzfunktion unter allen moglichen Schatzfunktionen den jeweils "besten" Naherungswert fur f.l bringt. Wir werden sparer diese wichtige Schatzfunktion fur den unbekannten Mittelwert f.l einer Verteilung mit Hilfe der Maximum-Likelihood-Methode herleiten (Abschnitt 3.3.2.3).
3.2.4 Schatzungen fiir die Varianz
(12
Die Varianz S2 einer Zufallsstichprobe Xl' x 2, ... , x; liefert einen geigneten Schatz- oder N dherungswert 8 2 fur die unbekannte Varianz (J2 der Wahrscheinlichkeitsverteilung der zugehorigen Zufallsvariablen X: (111-40)
Die zugehorige Schdtzfunktion ist die Stichprobenfunktion (111-41)
Sie ist (ebenso wie X) erwartungstreu, d.h. es gilt:
E(S2) = (J2
(111-42)
Genau diese wichtige Eigenschaft der Erwartungstreue ist der Grund dafiir, daB in der Definitionsgleichung fur die Varianz S2 einer Stichprobe die Summe der Abweichungsquadrate nicht (wie naheliegend) durch die Anzahl n der Stichprobenwerte geteilt wird, sondern durch die Zahl n - 1 (vgl. hierzu Abschnitt 2.1). Vereinzelt wird auch die Stichprobenfunktion n
1.
'\'
-)2 S* =~. !....J (Xi-X 2
(111-43)
i= 1
als Schdtzfunktion fur die unbekannte Varianz (J2 verwendet 11). Sie hat jedoch den Nachteil, daB sie nicht erwartungstreu ist.
11)
Diese Schatzfunktion erhalt man, wenn man die Maximum-Likelihood-Methode auf eine normalverteilte Grundgesamtheit anwendet (vgl. hierzu den nachfolgenden Abschnitt 3.3.2.3).
III Grundlagen der mathematischen Statistik
494
Als Schatzfunktion fur die Standardabweichung (J der Grundgesamtheit verwendet man die Stichprobenfunktion S = )S2, d.h. die Quadratwurzel aus der Stichprobenvarianz S 2. Diese Funktion ist jedoch nicht erwartungstreu.
3.2.5 Schatzungen fur einen Anteilswert p (Parameter p einer Binomialverteilung) Bei einem Bernoulli-Experiment trete das Ereignis A mit der unbekannten Wahrscheinlichkeit p ein, das komplemenidre Ereignis A somit mit der Wahrscheinlichkeit q = 1 - p. Der Parameter p, auch Anteilswert oder ErJolgswahrscheinlichkeit genannt, laBt sichdann anhand einer Stichprobe vom Umfang n wie folgt schatzen: Das Bernoulli-Experiment wird insgesamt n-mal durchgefiihrt und dabei die Anzahl k der Erfolge festgestellt 12). Dann ist die relative Haufigkeit h(A) = kin, mit der das Ereignis A ("Erfolg") eingetreten ist, ein Schatz- oder N dherungswert fur den unbekannten Parameter p der binomialverteilten Grundgesamtheit, der diese Stichprobe entnommen wurde: p
~
A
p
=
h(A)
k n
=-
(III~44)
Die zugehorige Schdtzfunktion ist
'" X
p=n
(111-45)
wobei durch die Zufallsvariable X die Anzahl der .Erfolge" bei einer n-fachen Ausfiihrung des Bernoulli-Experiments beschrieben wird. Die Zufallsvariable X geniigt bekanntlich einer Binomialverteilung mitdem Erwartungsoder Mittelwert E(X) = J1 = np und der Varianz Var(X) = (J2= np(l - p) (vgl. hierzu Kapitel II, Abschnitt 6.1). Die Schdtzfunktion P = X In fur den Anteilswert p ist dann ebenfalls binomialverteilt mit dem Erwartungs- oder M ittelwert E (P) = p und der Varianz Var(P) = p(l - p)ln.
3.2.6 Tabellarische Zusammenstellung der wichtigsten Schatzfunktionen und ihrer Schatzwerte Tabelle 1 gibt einen Uberblick tiber die Schdtzfunktionen und die zugehorigen, aus einer konkreten Zufallsstichprobe gewonnenen Schdtzwerte fur die wichtigsten statistischen Parameter und Kennwerte einer beliebigen Grundgesamtheit:
12)
Das Eintreten des Ereignisses A werten ~ir als Erfolg, das Nichteintreten von A (und somit das Eintreten des komplementdren Ereignisses A) als M ij3erfolg.
3 Parameterschatzungen
495
Tabelle 1: Schatzfunktionen und zugehorige Schatzwerte fur die wichtigsten statistischen Parameter und Kennwerte einer beliebigen Grundgesamtheit
n
I
x=~, i
Mittelwert der konkreten Stichprobe Xl' X 2 , ••• , X n :
Xi
=1
n
8 2 == _1_. \' (Xi _ X)2 n-1 L i
-"
Varianz der konkreten Stichprobe Xl.' X 2, .•. , X n :
=1
X
p==n
X == Anzahl der "Erfolge" bei n-facher Ausfiihrung des BernoulliExperiments
Relative Haufigkeit fur das Ereignis A ("Erfolg") bei n-facher Ausfiihrung des Bernoulli-Experiments:
k p == h(A) == n k: Anzahl der Erfolge A
Anmerkungen zur Tabelle 1
P sind
P
(1)
Die Schatzfunktionen X, 8 2 und auch efJizient.
(2)
Die Zufallsvariablen Xi geniigen alle der gleichen Verteilung (Mittelwert 11, Varianz Sind sie auBerdem noch alle normalverteilt, so ist auch die Schatzfunktion X eine normalverteilte Zufallsgrobe mit dem Erwartungs- oder Mittelwert E (X) == 11 und der Varianz Var(X)== (J2 In.
erwartungstreu und konsistent, X und
(J2).
(3)
Bei beliebig verteilten Zufallsvariablen Xi mit E (XJ == 11 und Var(XJ == (J2 folgt aus dem Zentralen Grenzwertsatz der Wahrscheinlichkeitsrechnung (Kap. II, Abschnitt 7.6.1), daB die Schatzfunktion X ndherungsweise normalverteilt ist mit dem Mittelwert E (X) == 11 und der Varianz Var (X) == (J2 In.
(4)
Die binomialverteilte Zufallsvariable Pist bei umfangreichen Stichproben ndherungsweise normalverteilt mit dem Mittelwert E (P) == p und der Varianz Var (P) == p(1 - p)ln. Diese Aussage folgt aus dem Grenzwertsatz von Moivre und Laplace (Kap. II, Abschnitt 7.6.3).
496 (5)
III Grundlagen der mathematischen Statistik
JS2
ist eine Schdtzfunktion fur die StandardabweiDie Stichprobenfunktion S == (J der Grundgesamtheit. Sie ist jedoch nicht erwartungstreu, d.h. es gilt:
chung
E (S) =1=
(111-46)
(J
Tabelle 2 enthalt eine Zusammenstellung der Schatzwerte fiir die Parameter spezieller Wahrscheinlichkeitsverteilungen, die in den technischen Anwendungen eine besondere Rolle spielen:
Tabelle 2: Schatzwerte fiir die Parameter spezieller Wahrscheinlichkeitsverteilungen, ermittelt aus einer konkreten Stichprobe
k: Anzahl der "Erfolge" bei einer n-fachen Ausfiihrung des BernoulliExperiments
k p==n A
Mittelwert /1:
x: Mittelwert der Stichprobe
Parameter A:
x: Mittelwert der Stichprobe
a) Mittelwert /1:
x: Mittelwert der Stichprobe
b) Varianz
S2:
(J2:
Varianz der Stichprobe
Anmerkung zur Tabelle 2
Die Herleitung der angegebenen Formeln zur Berechnung der Schatzwerte erfolgt exemplarisch im nachsten Abschnitt mit Hilfe der sog. Maximum-Likelihood-Methode.
13)
Es ist die jeweilige Wahrscheinlichkeits- bzw. Dichtefunktion
f
(x) angegeben.
3 Parameterschatzungen •
497
Beispiele
(1)
Die Lebensdauer T eines bestimmten elektronischen Bauelements geniige einer Exponentialverteilung mit dem unbekannten Parameter A. Wir ermitteln einen Schdtzwert 1 fur diesen Parameter anhand der folgenden Stichprobe (8 Elemente wurden zufiillig entnommen und die jeweilige Lebensdauer t i in Stunden (h) bestimmt):
i ti
-
h
1
2
3
4
5
6
7
8
950
980
1150
770
1230
1210
990
1120
Die Stichpro be ergibt den M ittelwert
_ 1 t = 8·
1
I
8
tj =
8 (950 + 980 + ... + 1120)h =
1050 h
i= 1
Somit ist ~
1 t
1 1050 h
1 1050
A == -=- == - - == - - h -1
~
000095 h- 1 '
ein Schdtzwert fiir den unbekannten Parameter A der zugrunde gelegten Exponentialverteilung. Die mittlere Lebensdauer der elektronischen Bauelemente betragt daher ndherungsweise E(T) ~ t == 1050 h. (2)
Es solI der AusschujJanteil p einer Serienproduktion von Gliihbirnen mittels einer Stichprobenuntersuchung geschdtzt werden. Aus diesemGrunde wurde eine Stichprobe von n == 300 Stiick entnommen.wobeisich k == 6 Gliihbirnen als defekt erwiesen. Somit ist ~
p
k
6
== ~ == 300 == 0,02 == 2%
ein Schdtzwert fur den (unbekannten) AusschuBanteil pin der Gesamtproduktion.
•
3.3 Ein Verfahren zur Gewinnung von Schatzfunktionen Es gibt eine Reihe von Verfahren zur Gewinnung von Schdtzfunktionen fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung. Das wohl bedeutendste Verfahren ist die sog. Maximum-Likelihood-Methode, mit der wir uns in diesem Abschnitt ausschlieBlich beschaftigen werden.
498
III Grundlagen der mathematischen Statistik
3.3.1 Maximum-Likelihood-Methode Wir gehen zunachst von den folgenden Ubcrlcgungen aus: X sei eine diskrete Zufallsvariable, deren Wahrscheinlichkeitsfunktion f (x) noch einen unbekannten Parameter 9 enthalte, der aus einer Zufallsstichprobe mit n voneinander unabhangigen Stichprobenwerten Xl' X 2, ... , x; geschiitzt werden solI. Die Zufallsvariable X nimmt dabei die einzelnen Stichprobenwerte mit den folgenden Wahrscheinlichkeiten an:
Wegen der Unabhiingigkeit der Stichprobenwerte ist nachdem Multiplikationssatz der Wahrscheinlichkeitsrechnung (Kapitel II, Abschnitt 3.5 bzw. 3.6) die Wahrscheinlichkeit dafiir, eine Stichprobe zu erhalten, die gerade die speziellen Werte Xl' X 2, ... , x; enthalt, durch das Produkt (111-47) gegeben. Diese Funktion hangt somit von den n Variablen (Stichprobenwerten) Xl' X 2, ... 'X n ab, zusiitzlich aber auch noch von dem unbekannten Parameter 9 der Wahrscheinlichkeitsfunktion f (x) 14). Fur eine vorgegebene konkrete Stichprobe (d.h. fur feste Werte Xl' X 2' ... , X n ) kann daher L als eine nur vom Parameter 9 abhangige Funktion betrachtet werden. Man bezeichnet diese Funktion als Likelihood-Funktion und schreibt dafiir symbolisch (111-48) Der Parameter 9 wird nun so bestimmt, daB diese Funktion einen moglichst grojJen Wert annimmt. Wir unterstellen somit, daB die vorgegebene Stichprobe unter allen denkbaren (moglichen) Stichproben mit der grojJten Wahrscheinlichkeit auftritt. Man erhalt auf diese Weise einen Schiitzwert § fur den unbekannten Parameter 9. Er laBt sich leicht aus der fur ein (relatives) Maximum notwendigen Bedingung
oL
-=0
09
(111-49)
ermitteln und ist dabei durch die n Stichprobenwerte Xl' X 2, ... , x; eindeutig bestimmt 15). Im FaIle einer stetigen ZufaIlsvariablen X muB die Likelihood-Funktion (111-48) mit der entsprechenden Dichtefunktion f (x; 9) gebildet werden, die dann ebenfalls noch von einem unbekannten Parameter 9 abhangt.
14)
Der Wert der Wahrscheinlichkeitsfunktion hangt formal von x und 9 abo Wir schreiben daher ab sofort (x; 9) anstatt von f (x). Die Likelihood-Funktion L = L(9) hangt (formal betrachtet) auch noch von den n Stichprobenwerten Xl' X 2' .,., X n ab, die jedoch bei der Bildung der Ableitung als feste GraBen angesehen werden. Wir schreiben daher die Ableitung von L nach dem Parameter 9 als partielle Ableitung.
f 15)
3 Parameterschatzungen
499
Wir fassen diese Ergebnisse wie folgt zusammen:
Anmerkungen
(1)
Wir verweisen nochmals (urn Milrverstandnisse und Verwechslungen zu vermeiden) auf die unterschiedliche Bedeutung der folgenden Symbole: 9: Unbekannter Parameter
(2)
9:
Schdtzwert fur den unbekannten Parameter 9
e:
Schdtzfunktion (Stichprobenfunktion) fur den unbekannten Parameter 9, die fur jede konkrete Stichprobe einen Schatzwert 9 liefert
Man beachte die Bedeutung der Faktoren f (Xi; 9) in der Likelihood-Funktion (III-50):
? Wahrscheinlichkeitsfunktion bei einer diskreten Zufallsvariablen X
f(x;9)
~
Dichtefunktion bei einer stetigen Zufallsvariablen X
500 (3)
III Grundlagen der mathematischen Statistik Enthalt die Wahrscheinlichkeits- bzw. Dichtefunktion mehrere unbekannte Parameter 9 1 , 9 2 , ... , 9 n so hangt auch die zugehorige Likelihood-Funktion noch von diesen Parametern ab: (III-54) Die Schdtzwerte 91 , 92 , ... , 9r fur die Parameter werden dann aus den fur ein Maximum notwendigen Bedingungen
oL
09
= 1
0,
oL
as- = 0, 2
oL
. . . '09 = r
°
(III -55)
ermittelt. Man erhalt auf diese Weise ein Gleichungssystem mit r Gleichungen und ebenso vielen Unbekannten, aus dem sich dann die'Schiitzwerte fur die unbekannten Parameter in Abhangigkeit von den n Stichprobenwerten Xl' x 2 , .•. , x, berechnen lassen (Maximum-Likelihood-Schiitzfunktionen bzw. Schiitzwerte). (4)
Die Berechnung der Schatzwerte fur die unbekannten Parameter laBt sich meist wesentlich vereinfachen, wenn man die fur das gesuchte Maximum notwendigen Bedingungen auf die logarithmierte Likelihood-Funktion (III-56) anwendet. Dies ist erlaubt, da In L eine streng monoton wachsende Funktion von L ist und somit genau dort ein Maximum annimmt, wo L selbst maximal wird. Die notwendigen Bedingungen lauten dann wie folgt:
o
-(lnL) = 0,
09 1
o
--n-(lnL) = 0, 0l1'2
o
,--n(ln L) = Ol1'r
°
(III-57)
Regel: Die Likelihood-Funktion wird zunachst logarithmiert und dann nach den einzelnen Parametern 9 1 , 9 2 , ... , 9 r partiell differenziert. Diese Ableitungen werden schlieBlich alle gleich Null gesetzt. Aus dem erhaltenen Gleichungssystem lassen sich dann die unbekannten Parameter (naherungsweise) berechnen.
3.3.2 Anwendungen auf spezielle Wahrscheinlichkeitsverteilungen. 3.3.2.1 Binomialverteilung Bei einem Bernoulli-Experiment trete das Ereignis A mit der unbekannten Wahrscheinlichkeit p ein. Bei einer n-fachen Ausfiihrungdieses Experiments ist die Wahrscheinlichkeit dafiir, daB dabei genau x-mal das Ereignis A eintritt, durch die Wahrscheinlichkeitsfunktion (x = 0, 1, ... , n)
(III -58)
3 Parameterschatzungen
501
der diskreten Binomialverteilung gegeben. Urn den Wert des unbekannten Parameters p, haufig auch Anteilswert oder Erfolgswahrscheinlichkeit genannt 16), abzuschatzen, entnehmen wir der Grundgesamtheit wie folgt eine Stichprobe vom Umfang n: Das Bernoulli-Experiment wird n-mal unabhangig voneinander ausgefuhrt, wobei genau k-mal das Ereignis A ("Erfolg") und somit (n - k)-mal das komplementdre Ereignis A ("MiBerfolg") eintrete. Da das Ereignis A dabei jeweils mit der Wahrscheinlichkeit p, das komplementare Ereignis A jeweils mit der Wahrscheinlichkeit q = 1 - p eintritt, ist die Gesamtwahrscheinlichkeit fur k-mal .Erfolg" (Ereignis A) und (n - k)-mal "MiBerfolg" (Ereignis A) durch das Produkt pk «' = pk (1 _ p)n-k
(III-59)
gegeben. Dieser Ausdruck liefert zugleich die benotigte Likelihood-Funktion, die somit die folgende Gestalt besitzt: (111-60) (n und k sind dabei als feste Werte anzusehen). Zweckmalligerweise gehen wir nun zur logarithmierten Likelihood-Funktion L* = In Luber: (III -61)
Durch Anwendung elementarer logarithmischer Rechenregeln erhalten wir hieraus: L* = In o" + In (1 -
w:: = k . In p + (n -
k) . In (1 - p)
(111-62)
Wir differenzieren diese Funktion nun partiell nach dem Parameter p:
aL* = -a [k . In p + (n ap ap
-
k) . In (1 - p)] =
1 1 k n-k - - -p l-p p l-p
= k . - + (n - k) . - - . (- 1) =
(111-63)
Die notwendige Bedingung (III-51) bzw. (III-57) fur das gesuchte Maximum lautet daher: k
n-k
-;---,,=0 p 1- p
(111-64)
Durch Auflosen dieser Gleichung nach p erhalten wir fur den unbekannten Parameter p der Binomialverteilung den folgenden Ndherungs- oder Schdtzwert: " k p=n
(111-65)
Dieser Schatzwert ist somit nichts anderes als die empirisch bestimmte relative Hiiufigkeit p(A) des Ereignisses A bei einer n-fachen Ausfuhrung des Bernoulli-Experiments.
16)Wiederum gilt: Eintreten des Ereignisses A bedeutet Erfolg, Eintreten des komplementdren Ereignisses A daher Mif3erfolg.
III Grundlagen der mathematischen Statistik
502
Die zugehorige Schdtzfunktion ist die bereits aus Abschnitt 3.2.5 bekannte Stichprobenfunktion ~ X P=-
(111-66)
n
(die Zufallsvariable X beschreibt dabei die Anzahl der .Erfolge" bei einer n-fachen Ausfuhrung des Bernoulli-Experiments).
•
Beispiel
Urn den Ausschuj3anteil p in der Tagesproduktion von Gliihbirnen zu schatzen, wurde eine Stichprobe vom Umfang n = 120 entnommen. Dabei erwiesen sich k = 6 Gliihbimen als nicht brauchbar. Die Maximum-Likelihood-Methode liefert dann fiir den AusschuBanteil p den folgenden N dherungs- oder Schdtzwert: A
k
6 1 = 120 20
p = - = -
n
=
005 = 5%
'
Wir konnen somit davon ausgehen, daB im Mittel jede zwanzigste Gliihbirne in der Tagesproduktion unbrauchbar ist.
•
3.3.2.2 Poisson-Verteilung
Die Zufallsvariable X geniige einer Poisson- Verteilung mit der Wahrscheinlichkeitsfunktion (x
= 0, 1, 2, ...)
(111-67)
Der unbekannte Parameter (Mittelwert) f.11aBt sich dann aus einer konkreten Stichprobe vom Umfang n mit den Stichprobenwerten Xl' x 2 , ••• , X n nach der Maximum-LikelihoodMethode wie folgt schatzen: Zunachst stellen wir die Likelihood-Funktion auf:
(111-68)
3 Parameterschatzungen
503
Durch Logarithmieren unter Verwendung elementarer Rechenregeln fur Logarithmen wird daraus:
(111-69) Die benotigte partielle Ableitung von L* nach dem Parameter f.llautet damit:
(111-70) Die fur das gesuchte Maximum notwendige Bedingung (III-51) bzw. (III-57) fiihrt damit auf die Gleichung
(111-71) aus der wir dann den folgenden Maximum-Likelihood-Schdtzwert fur den unbekannten Mittelwert f.l erhalten: A
f.l=
Xl
+
Xl
+ ... + n
Xn
-
(111-72)
=x
Der Schdtzwert {t erweist sich dabei als der Mittelwert f.l ~ {t
•
=
x.
x der
vorgelegten Stichprobe:
Beispiel Beim natiirlichen radioaktiven Zerfall zerfallen die Atomkerne vollig regellos und unabhdngig voneinander nach den Gesetzmalrigkeiten der mathematischen Statistik. Die Zufallsvariable
x
= Anzahl der Atomkerne, die in einem bestimmten Zeitintervall
At zerfallen
geniigt dabei naherungsweise einer Poisson- Verteilung mit der Wahrscheinlichkeitsfunktion (x = 0, 1, 2, ...)
Der noch unbekannte Parameter f.l beschreibt dabei die mittlere Anzahl der im (festen)Zeitintervall At stattgefundenen Zerfallc,
504
III Grundlagen der mathematischen Statistik In einem Experiment wurde in n == 200 aufeinander folgenden Zeitintervallen einer bestimmten (hier nicht naher interessierenden) Lange Llt die jeweilige Anzahl der zerfallenen Atomkerne eines speziellen radioaktiven Praparates mit einem Zahlgerat gemessen. Es ergab sich dabei das folgende MeBprotokoll (es wurden bis zu 10 Zerfalle pro Zeitintervall Llt gemessen):
4
0
16
16
2
31
62
3
40
120
4
38
152
5
33
165
6
19
114
7
10
70
8
5
40
9
3
27
0
10
10
Der M ittelwert dieser Stichprobe betragt somit
x=
1 200'
10.
Ln
i Xi
=
776 200 = 3,88
i=O
und ist zugleich ein N dherungs- oder Schdtzwert fur den unbekannten Parameter (Mittelwert) f.l der Poisson-verteilten Grundgesamtheit: fl ~ {t
==
x == 3,88
Somit zerfallen im Zeitintervall Llt durchschnittlich 3,88 Atomkerne.
•
505
3 Parameterschatzungen 3.3.2.3 Gau6sche Normalverteilung
Die unbekannten Parameter J.l und Dichtefunktion
(J
einer normalverteilten Grundgesamtheit mit der
(111-73) konnen nach dem Maximum-Likelihood-Prinzip aus einer konkreten Stichprobe vom Umfang n mit den Stichprobenwerten Xl' x 2 , , x; wie foIgt geschatzt werden: Wir stellen zunachst die Likelihood-Funktion L = L(J.l; (J) auf: L
= L(J.l; (J) = f = [
(Xl;
u; (J) --- f (x,; u; oJ =
~ . (J .e - (X~~/)] ... [ ~ .(J .e _(X;~/)] = (x
=(~'(J)"'(~'(J)-e- ~~2
(x, -
fl)2
"'e-
fl)2
2T
(111-74)
Der besseren Ubersicht wegen haben wir dabei die foigende (vorubergehende) Abkiirzung eingefiihrt: n
rx
= (Xl -
flf
+ ... + (x n -
fl)2
=
I
(111-75)
(Xi - fl)2
i= 1
Durch Logarithmierung der Likelihood-Funktion erhalten wir dann:
= - n -ln (J2;c -(J) - ~ = ~ n -In J2;c - n -In (J - ~ = 2(J2
2(J2
(111-76)
506
III Grundlagen der mathematischen Statistik
Die benotigten partiellen Ableitungen 1. Ordnung dieser Funktion lauten dann: n
oL*
1
o,u
2 (J2
n
1 ~ 2(x i-,u)·(-1)=-· ~ (xi-,u) L (J 2 L
-= --'
i = 1
(111-77)
i = 1
(111-78)
Die notwendigen Bedingungen (III-57) fur das gesuchte Maximum der Likelihood-Funktion fiihren damit zu dem folgenden Gleichungssystem: n
1
82
~
L (Xi -
'
A
,u) = 0
i= 1
(111-79)
Aus der ersten Gleichung folgt unmittelbar n
I
n
n
A)
(Xi -
i=l
=
I
Xi -
i=l
I
i=l
n
{1
=
I
Xi -
n {1 = 0
(111-80)
i=l
und somit
{1
=
n
I
~. i
Xi = X
(111-81)
== 1
Die Maximum-Likelihood-Schdtzung fur den Mittelwert J1 fiihrt somit auf den Mittelwert x der Stichprobe: u ~ A= x. Die zugehorige Schdtzfunktion ist die bereits aus Abschnitt 3.2.3 bekannte Stichprobenfunktion (111-82)
Einen Schdtzwert fur die Varianz (J2 der normalverteilten Grundgesamtheit erhalten wir aus der zweiten der Gleichungen (111-79) unter Berucksichtigung von A= x:
(rz=~.
n
I
(Xi -
X)2
i= 1
Die dieser Schatzung zugrundeliegende Maximum-Likelihood-Schiitzfunktion
(111-83)
507
3 Parameterschatzungen
S*2 =
n
I
~.
(111-84)
(Xi - X)2
i= 1
ist jedoch nicht erwartungstreu. Sie unterscheidet sich von der in Abschnitt 3.2.4 angegebenen erwartungstreuen Schatzfunktion S2 urn einen konstanten Faktor. Es gilt: 2 n- 1 2 S* =--'S
(III-85)
n
Fur groj3es n ist jedoch ndherungsweise S * 2 = S 2.
•
Beispiel X sei eine normalverteilte Zufallsvariable mit "den unbekannten Parametern f1 und (J (bzw. (J2), deren Werte aus der folgenden Stichprobe vom Umfang n = 10 mit Hilfe der M aximum-Likelihood-Schiitzfunktionen geschatzt werden sollen: StichprobenNr.i
1
2
3
4
5
6
7
8
9
10
Xi
248
250
251
251
247
252
248
250
248
255
Die Schdtzwerte (L und 8 2 lassen sich dann unter Verwendung der nachfolgenden Tabelle leicht berechnen:
248
-2
4
2
250
0
0
3
251
4
251
5
247
-3
9
6
252
2
4
7
248
-2
4
8
250
0
0
9
248
-2
4
10
255
5
25
III Grundlagen dermathematischen Statistik
508
Schdtzwert fur den M ittelwert J.1:
I
10
J.1 ~
1 J.1 == x == _. 10 A
-
i
=
1 x. == -·2500 == 250 I 10 1
Schdtzwert fur die Varianz (J 2: 10
(J2
~ 8 2 == ~. ~ L
10
i
(x. I
X)2
==
~ . 52 == 5 2
10
'
=1
Die Stichprobenwerte entstammen somit einer normalverteilten Grundgesamtheit mit dem Mittelwert J.1 ~ 250 und der Varianz (J2 ~ 5,2.
•
3.4 Vertrauens- oder Konfidenzintervalle fur die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Intervallschatzungen") 3.4.1 Vertrauens- oder Konfidenzintervalle und statistische Sicherheit In den vorangegangenen Abschnitten haben wir uns ausfiihrlich mit der ndherungsweisen Berechnung (Schiitzung) der unbekannten Parameter einer Wahrscheinlichkeitsverteilung beschaftigt und gezeigt, wie man aus einer konkreten Stichprobe mit Hilfe geeigneter Schatzfunktionen N dherungs- oder Schdtzwerte fur die betreffenden Parameter erhalt. Diese sog. Punktschdtzung ermoglicht jedoch keinerlei Aussagen iiber die Genauigkeit und Sicherheit der Schdtzung. Der aus einer Zufallsstichprobe gewonnene Schatzwert fur einen Parameter kann namlich noch erheblich vom tatsdchlichen (aber unbekannten) Wert abweichen, insbesondere bei kleinem Stichprobenumfang. Wir wollen uns daher im folgenden mit diesem wichtigen Thema naher auseinandersetzen. Die konkrete Fragestellung lautet dabei: Wie genau und sicher sind die aus Stichprobenuntersuchungen mit Hilfe von Schdtzfunktionen bestimmten N dherungs- oder Schatzwerte fur die unbekannten Parameter? Es liegt daher nahe, anhand einer konkreten Stichprobe ein Intervall [cu ; co] zu bestimmen,das den unbekannten Parameter mit Sicherheit enthalt (Bild 111-16):
Parameter 19
Zahlengerade
Bild 111-16 Interval!
fcu ; col
3 Parameterschatzungen
509
Ein solches Intervall kann es jedoch nicht geben, da absolut sichere Riickschliisse von einer Zufallsstichprobe auf die zugehorige Grundgesamtheit grundsatzlich nicht moglich sind 17). Auch der Versuch, ein Intervall [cu ; co] anzugeben, das den unbekannten Parameter 9- mit einer grojJen Wahrscheinlichkeit y enthalt, muB scheitern (0 < y < 1). Denn die Aussage (111-86)
("der Parameter 9-liegt zwischen den Schranken Cu und co") ist entweder richtig, dann aber gilt Pte; ~ 9- ~ co) = 1
(111-87)
oder sie ist falsch. In diesem Fall gilt Pic; ~ 9- ~ co) = 0
(111-88)
Der Fall (111-89)
mit 0 < y < 1 ist somit nicht moglichl Diese Uberlegungen zwingen uns nun, wie folgt vorzugehen: Wir bestimmen zwei ZufallsgrojJen e u und eo so, daB sie mit einer beliebig gewahlten, aber grojJen Wahrscheinlichkeit y Werte annehmen, die den wahren, aber unbekannten Parameterwert 9- einschliefien 18). Somit gilt (111-90)
Die Werte der beiden Zufallsvariablen e u und eo miissen sich dabei aus den Stichprobenwerten Xl' X 2, ... , x; einer vorgegebenen .konkreten Stichprobe berechnen lassen und variieren daher von Stichprobe zu Stichprobe. Die Zufallsvariablen e u und eo sind demnach Stichprobenfunktionen der n unabhdngigen Zufallsvariablen Xl' X 2' ... , X n» die alle die gleiche Verteilungsfunktion besitzen wie die Zufallsvariable X. Sie sind zugleich auch Schdtzfunktionen des Parameters 9. Sind die beiden Stichproben- oder Schdtzfunktionen (111-91)
und (111-92)
bekannt 19), so erhalt man aus einer konkreten Stichprobe vom Umfang n durch Einsetzen der Stichprobenwerte Xl' X 2, ... , x; in diese Funktionen zwei Werte c; und co: 17)
Von den trivialen Fallen wird abgesehen. Dazu zahlen wir Aussagen wie die folgenden: - .Der Parameterwert 9- liegt zwischen - 00 und + 00" - "Die Erfolgswahrscheinlichkeit p bei einem Bernoulli-Experiment liegt zwischen und 1"
18)
Man wahlt in der Praxis meist y = 0,95 oder y = 0,99, manchmal auch y
°
19)
=
0,999.
e u und eosind die Grenzen des Zufallsintervalls [e u ; eo], das den Parameter 9- mit der Wahrscheinlichkeit y iiberdeckt. Die Wahl der verwendeten Stichprobenfunktionen e u und eo wird in den nachsten Abschnitten am jeweiligen konkreten Problem naher erlautert.
510
III Grundlagen der mathematischen Statistik (III -93)
Sie bilden die Grenzen eines Intervalls, das in der Statistik als Vertrauens- oder Konfidenzintervall fur den unbekannten Parameter 9 bezeichnet wird. Die Intervallrandpunkte c; und Co heiBen daher auch Vertrauens- oder Konfidenzgrenzen (Bild 111-17) 20). ~ Vertrauensgrenzen
t Zahlengerade
Vertrauensintervall
~I
Bild 111-17 Vertrauens- oder Konfidenzintervall
Das aus der konkreten Stichprobe bestimmte Vertrauensintervall c; ~ 9 ~ Co ist eine Realisierung des Zufallsintervalls mit den Grenzen e u und eo. Die vorgegebene Wahrscheinlichkeit y heiBt in diesem Zusammenhang auch statistische Sicherheit oder Vertrauens- oder Konfidenzniveau. a = 1 - y ist die sog. Irrtumswahrscheinlichkeit. Das vor der Stichprobenuntersuchung gewahlte Vertrauensniveau y = 1 - a ist somit die Wahrscheinlichkeit dafiir, aus einer konkreten Zufallsstichprobe ein Vertrauens- oder Konfidenzintervall zu erhalten, das den wahren (aber unbekannten) Parameterwert 9 enthdlt. Man wird daher fur grojJes y (d. h. fur y = 0,95 oder y = 0,99 oder ahnlichc Werte) meist eine richtige Entscheidung treffen. Die statistische Sicherheit y = 1 - a kann namlich wie folgt sehr anschaulich gedeutet werden: Da die Intervallgrenzen (Vertrauensgrenzen) c; und Co noch von den Stichprobenwerten Xl' X 2 , •.. , x; abhangen und sich somit von Stichprobezu Stichprobe verdndern, erhalten wir fur jede Zufallsstichprobe ein etwas anderes Vertrauensintervall. Von 100 Vertrauensintervallen fur den unbekannten Parameter 9, die aus ebenso vielen Zufallsstichproben ermittelt wurden, enthalten dann ungefahr y . 100 Intervalle den wahren Parameterwert und nur ca. a . 100 dieser Vertrauensintervalle werden diesen Wert nicht enthalten. Mit anderen Worten: In rund y . 100 Fallen wird eine richtige und in rund a . (100 Fallen eine falsche Entscheidung getroffen. Die Bestimmung eines Vertrauensintervalls fur einen unbekannten Parameter 9 ist dabei nur moglich, wenn die Verteilungsfunktion der verwendeten Schatzfunktion fur 9 bekannt ist. Die Vertrauensgrenzen c; und Co lassen sich dann fur ein vorgegebenes Vertrauensniveau y = 1 - a aus der Bedingung (111-90) und unter Verwendung einer konkreten Stichprobe berechnen. Wie man in einem konkreten Fall ein Vertrauensintervall bestimmt, werden wir in den nachsten Abschnitten fur die Parameter jl und (52 einer Normalverteilung und den Parameter p einer Binomialverteilung noch ausfiihrlich zeigen.
20)
Die Stichprobenfunktionen
e
u
und
eo sind somit Schdtzfunktionen fiir die beiden Vertrauensgrenzen.
3 Parameterschatzungen
511
Zu beachten ist ferner, daB die Vertrauensgrenzen c; und Co nicht nur von den Stichprobenwerten Xl' X 2, •.. , x; abhangen, sondern auch noch von dem gewahlten Vertrauensniveau » == 1 - a. Dabei gilt: Je grafter)', umso ldnger (breiter) werden die Vertrauensintervalle. Mit anderen Worten: Will man eine grofte statistische Sicherheit )' (und somit eine geringe Irrtumswahrscheinlichkeit a) erreichen, so IDuB man dafiir ein relativ breites Vertrauensintervall in Kauf nehmen (Bild 111-18). Die Lange 1 == Co - c; des Vertrauensintervalls ist dann ein MaB fur die Genauigkeit der Parameterschatzung und verringert sich mit zunehmendem Stichprobenumfang n. Welches Vertrauensniveau in der Praxis gewahlt wird, muB dabei einzig und alleine am konkreten Problem entschieden werden. Wir fassen die wichtigsten Ergebnisse wie folgt zusammen:
512
III Grundlagen der mathematischen Statistik
I~
Vertrauensintervall tiir Y= 0,99
-----1-----+-----+-----+-------Zahlengerade
Vertrauensintervall fOr Y= 0,95
Bild 111-18 Die Vertrauensintervalle werden mit zunehmender statistischer Sicherheit y immer breiter
Anmerkung
Wir konnen somit davon ausgehen, daB die aus einer langen Serie von Zufallsstichproben ermittelten Vertrauensintervalle in etwa y . 100% aller Falle den unbekannten Parameter 9 enthalten und nur in etwa a . 1000/0 aller Falle diesen Parameter nicht enthalten. Wir treffen daher in y . 100% aller Falle eine richtige Entscheidung. •
Beispiel
Wir wahlen in einem konkreten Anwendungsfall ein Vertrauensniveau von y = 0,95 = 95%. Entnimmt man der betreffenden Grundgesamtheit 100 (voneinander unabhangige) Stichproben, so konnen wir darauf vertrauen, daB in etwa 95 Fallen der unbekannte Parameter 9 in das zugehorige Vertrauensintervall fallt und nur in etwa 5 Fallen auflerhalb des Vertrauensintervalls liegt. Die Irrtumswahrscheinlichkeit ist somit a = 1 - y = 1 - 0,95 = 0,05 = 5%. Wir treffen somit in etwa 95 Fallen eine richtige und in etwa 5 Fallen eine falsche Entscheidung.
• 3.4.2 Vertrauensintervalle fiir den unbekannten Mittelwert Jl einer Normalverteilung bei bekannter Varianz (12 Wir gehen von einer normalverteilten ZufaIlsvariablen X mit dem unbekannten Mittelwert (J 2 aus. Unter Verwendung einer konkreten Stichprobe Xl' X 2, ... , x; solI dann auf dem vorgegebenen Vertrauensniveau y = 1 - a das zugehorige Vertrauens- oder Konfidenzintervall fur den unbekannten Mittelwert J1 bestimmt werden. Als Schdtzfunktion fur den Mittelwert J1 verwenden wir die bereits aus Abschnitt 3.2.3 bekannte Stichprobenfunktion
J1 und der als bekannt vorausgesetzten Varianz
X =_X_l_+_X_ .._._+_X_n 2 _+_ n
1 n
n
(111-99)
X ist dabei bekanntlich eine normalverteilte ZufalIsvariable mit dem Mittelwert E (X) = J1 und der Varianz Var(X) = (J2 In (vgl. hierzu Abschnitt 3.2.2).
3 Parameterschatzungen
513
Dann ist die zugehorige standardisierte Zufallsvariable
x-
jl
(111-100)
U==--
(J/~
standardnormalverteilt (Mittelwert E(U) == 0; Varianz Var(U) == 1). Fur U und somit auch fur X HiBt sich schrittweise wie folgt ein Vertrauensintervall konstruieren: (1)
Wir wahlen zunachst ein bestimmtes Vertrauensniveau y == 1 - a (0 < y < 1). In den technischen Anwendungen iibliche Werte sind: y == 0,95 == 950/0 oder y == 0,99 == 99%. a ist dabei die Irrtumswahrscheinlichkeit.
(2)
Die ZufalIsvariable U solI dann mit der gewahlten Wahrscheinlichkeit y == 1 -a einen Wert aus dem symmetrischen Intervall - c ~ U ~ c annehmen (Bild 111-19). Somit gilt: P( - c
~
U
~
c) == y
== 1 - a
(III -101)
Den zugehorigen Wert fur die Schranke c entnehmen wir der Tabelle 2 im Anhang (Tabelle der Quantile der Standardnormalverteilung).
-c
o
c
u
Vertrauensintervall fur das Vertrauensniveau Y= 1-a
Bild 111-19 Zur Berechnung der Schranke c (die hellgrau unterlegteFlache entspricht dem gewahlten Vertrauensniveau y = 1 - a; die dunkelgrau unterlegte Flache der Irrtumswahrscheinlichkeit «)
(3)
Unter Verwendung der Beziehung (111-100) konnen wir das Intervall - c auch in der Form
~
U
~
c
(111-102) darstellen.
514
III Grundlagen der mathematischen Statistik Mit Hilfe elementarer algebraischer Umformungen HiBt sich hieraus schlieBlich eine Ungleichung fur den unbekannten Mittelwert f1 wie folgt herleiten:
x-
u
mit ~ multiplizieren
-c~--~c
(J/~
~
mit -1 multiplizieren
Seiten verta uschen
X addieren (J (J X-c-·~IJ~X+c-
(111-103)
~
.,'::
Die Bedingung (111-101) geht damit iiber in -
(J
(J)
-
P ( X-C~~f1~X+c~ =y=l-(J. '-v-"
'-v-"
eu
eo
(111-104)
oder
p(e u ~ f1
~
eo) == y ==
(111-105)
1- a
Die Zufallsvariablen -
e
(J
==X-c-
und
~
u
-
(J
eo ==X + c -
yf;z
(111-106)
sind dabei Schdtzfunktionen fur die gesuchten Vertrauensgrenzen c; und co. (4)
Die Berechnung dieser Vertrauensgrenzen erfolgt dann anhand einer konkreten Stichprobe Xl' X 2, ... , X n , in dem man in die Schatzfunktionen e u und eo fur X den aus der Stichprobe Xl' X 2, ... , X n berechneten Mittelwert Xeinsetzt. Das Vertrauensintervall fur den unbekannten Mittelwert f1 der normalverteilten Grundgesamtheit lautet damit wie folgt: _
(J
_
(J
(111-107)
x-c ~~f1~x+c~
Dieses Intervall mit den beiden Grenzen (Vertrauensgrenzen) c == u
_ X -
(J
c~
_
und
Co
==
X
(J
+ c~
(111-108)
3 Parameterschatzungen
515
und der Lange 1 = 2 C (J / yf;z enthalt dann mit einem Vertrauen von y . 100 % den wahren (aber unbekannten) Wert des Mittelwertes J1 (Bild 111-20).
Wir fassen dieses wichtige Ergebnis wie folgt zusammen:
III Grundlagen der mathematischen Statistik
516
-
-
x
Cu 4
1= 2c(J'
vn
1
X
Co
~I
Bild 111-20 Vertrauensintervall fur den unbekannten Mittelwert 11 einer N ormalverteilung (bei bekannter Varianz (J 2)
Anmerkungen (1) Bei vielen MeBinstrumenten, Maschinen und Automaten wird die Varianz reits vom Hersteller also eine Art Gerdtekonstante mitangegeben.
0'2
be-
(2)
Haufig wird auch die Irrtumswahrscheinlichkeit a vorgegeben (meist a == 0,05 == 5% oder a == 0,01 == 1 %). Das Vertrauensniveau oder die statistische Sicherheit ist dann y == 1 - a.
(3)
Das Vertrauensintervall besitzt die Lange [== 2 c a/j";z und. hangt somit noch von derStandardabweichung a, dem Stichprobenumfang nund dem Vertrauensniveau y == 1 - a ab (Bild 111-21) 21). Fur feste Werte von a und y gilt daher: 1
[r-..;-
(111-112)
j";z Dies aber bedeutet, daB eine Verkiirzung des Vertrauensintervalls stets durch eine entsprechende VergrojJerung des Stichprobenumfangs n erreicht werden kann.
r--
Vertrauensgrenzen ~
Zahlengerade
Bild 111-21
21)
Die aus Gleichung (III -109) berechnete Konstante c ist namlich noch von. dem gewahlten Vertrauensniveau y abhangig,
517
3 Parameterschatzungen •
Beispiele (1)
Die Ldngenmessung von 10 Schrauben, die nach dem Zufallsprinzip aus einem bestimmten Sortiment ausgewahlt wurden, fiihrte zu dem folgenden Ergebnis: i -
Xi
mm
1
2
3
4
5
6
7
8
9
10
10
8
9
10
11
11
9
12
8
12
Wir setzen dabei voraus, daB diese Stichprobe aus einer normalverteilten Grundgesamtheit mit der Varianz (J2 =:= 4 mm" stammt und wollen fur den unbekannten M ittelwert u ein Vertrauensintervall zum Vertrauensniveau y == 0,95 == 95% bestimmen. Dabei gehen wir schrittweise wie folgt vor: 1. Schritt: Das Vertrauensniveau y ist bereits vorgegeben: y
==
0,95.
2. Schritt: Die Bestimmungsgleichung fur die Konstante c lautet damit (Bild 111-22):
Bild 111-22
o
-c
P(-c
~
U
~
u
c
c) == 0,95
Daraus folgt dann weiter: P( - c ~ U ~ c) == ¢(c) - ¢( - c) == ¢(c) - [1 - ¢(c)] == ==
2 . ¢ (c) - 1 == 0,95
Aus Tabelle 2 im Anhangerhalten wir schlieBlich: ¢(c) == 0,975
~
c
==
U O,975
==
1,960
Die gesuchte Konstante (Schranke) c ist somit das Quantil dardnormalverteil ung. 3. Schritt: Wir berechnen den Mittelwert
1 x == _ . 10
10
~
L
i= 1
1 (10 + 8 + 9 10
Xi == -
x der
U O,975
der Stan-
Stichprobe und erhalten:
+ ... + 12) mm
==
10 mm
III Grundlagen der mathematischen Statistik
518
4. Schritt: Mitn = 10, X = 10 mm und (J" = 2 mm berechnen wir zweckmalsigerweise zunachst die folgende Hilfsgrofie: (J" 2mm k = c= 1 960 . - - = 1 240 mm ~
,
J10
'
Das Vertrauensintervall fur den M ittelwert J1 der normalverteilten Grundgesamtheit .lautet damit:
(10 - 1,240) mm
~
J1
~
(10 + 1,240) mm
Wir konnen daher mit einem Vertrauen von 95% davon ausgehen, daB der wahre Wert von J1 in diesem Intervall der Lange 1 = 2 k = 2,480 mm liegt (Bild 111-23).
Bild 111-23
-
8,760
(2)
10
11,240
x
mm
Einer normalverteilten Grundgesamtheit mit der Varianz (J" 2 = 100 solI eine Stichprobe yom Umfang n entnommen werden. Wie groB muB man den Stichprobenumfang wahlen, damit das Vertrauensintervall fur den unbekannten Mittelwert J1 bei einem Vertrauensniveau von 'Y = 99% die Lange 1 = 2 besitzt?
Losung: Zunachst Iosen wir die Gleichung 1 = 2 c(J"/~ fur die Lange des Vertrauensintervalls nach n auf und erhalten:
Die noch unbekannte Konstante c laBt sich dabei aus der Bedingung P( - c
~
U
~
c) = 0,99
3 Parameterschatzungen
519
mit Hilfe der Tabelle 2 im Anhang wie folgt bestimmen (Bild III -24):
Bild 111-24
o
-c
P(-c
~
U
~
u
c
c) = cjJ(c) - cjJ(-c) = cjJ(c) - [1 - cjJ(c)] =
= 2 . cjJ(c) - 1 = 0,99 cjJ(c) = 0,995
~
c=
U O,995
= 2,576
Die gesuchte Konstante c ist somit das Quanti! U O,995 = 2,576 der Standardnormalverteil ung. Der gesuchte Stichprobenumfang betragt damit: 2C
0")2 = (2 . 2,576 . 10)2 = 25 76 2
n=(1
2
'
~
•
664
3.4.3 Vertrauensintervalle flir den unbekannten Mittelwert Jl einer Normalverteilung bei unbekannter Varianz (12 X sei eine normalverteilte Zufallsvariable mit dem unbekannten Mittelwert fJ und der ebenfalls unbekannten Varianz (J2. Anhand einer konkreten Stichprobe Xl' X 2 , ••• , x; solI fur ein (beliebig vorgegebenes) Vertrauensniveau y = 1 - rx das zugehorige Vertrauensoder Konfidenzintervall fur den unbekannten Mittelwert fJ der normalverteilten Grundgesamtheit bestimmt werden. Im Gegensatz zum vorangegangenen Abschnitt ist diesmal auch die Varianz (J2 und damit auch die Standardabweichung (J unbekannt. Bei der Herleitung eines Vertrauensintervalls fur den Mittelwert fJ muB daher die bisher verwendete standardnormalverteilte Zufallsvariable U = X - J1 durch die Zufallsgrolse
0"/0z
X-fJ
T=--
s/0z
(111-113)
ersetzt werden. S ist dabei die aus Abschnitt 3.2.4 bekannte Schatzfunktion fur die unbekannte Standardabweichung 0" der Grundgesamtheit. Es laBt sich zeigen, daB die Zufallsvariable T der t-Verteilung von Student mit f = n - 1 Freiheitsgraden geniigt. Die Grenzen des gesuchten Vertrauensintervalls miissen dabei so bestimmt werden, daB die Zufallsgrolse T mit der gewahlten Wahrscheinlichkeit y = 1 - rx Werte aus dem symmetrischen Intervall - c ~ T ~ c annimmt (Bild III -25).
III Grundlagen der mathematischen Statistik
520
Aus der Bedingung P( - c
~
T
~
c) == 'Y
==
1- a
(111-114)
HiBt sich dann die Schranke emit Hilfe von Tabelle 4 im Anhang leicht berechnen (Tabelle der Quantile der t-Verteilung). Wir erhalten damit das folgende Liisungsschema:
3 Parameterschatzungen
521
o
-c
Bild 111-25 Zur Berechnung der Schranke c (die hellgrau unterlegte Flache entspricht dem gewahlten Vertrauensniveau y = 1 - a, die dunkelgrau unterlegte Flache der Irrtumswahrscheinlichkeit (X)
c
Anmerkungen (1) Haufig wird auch die I rrtumswahrscheinlichkeit a vorgegeben (meist a = 0,05 = 5 0/0 oder a = 0,01 = 1 0/0). Das Vertrauensniveau oder die statistische Sicherheit ist dann y = 1 - a. (2) Das Vertrauensintervall besitzt die Lange 1 = 2 c s/~ und hangt somit noch von dem gewahlten Vertrauensniveau y = 1 - a, dem Stichprobenumfang n und der Standardabweichung s der Stichprobe ab (Bild 111-26). Fur feste Werte von y und s gilt somit: 1 It'o/-
(111-118)
~
Eine Verkiirzung des Vertrauensintervalls lafit sich daher stets durch eine entsprechende Vergrofierung; des Stichprobenumfangs n erreichen.
r-
Vertrauensgrenzen
I Zahlengerade
Bild 111-26
(3)
Bei unbekannter Varianz (J 2 sind die Vertrauensintervalle fur den Mittelwert J1 stets breiter als bei bekannter Varianz (bei gleichem Vertrauensniveau y und gleichem Stichprobenumfang n).
(4)
Bei umfangreichen Stichproben (Faustregel: n > 30) kann die unbekannte Standardabweichung (J der Grundgesamtheit durch die Standardabweichung s der Stichprobe geschdtzt werden: (J ~ s. In diesem Sonderfall darf man daher von einer normalverteilten Grundgesamtheit mit der bekannten Varianz (J2 ~ S2 ausgehen und das bereits im vorangegangenen Abschnitt 3.4.2 besprochene Verfahren zur Bestimmung eines Vertrauens- oder Konfidenzintervalls fur den M ittelwert J1 einer normalverteilten Grundgesamtheit anwenden 22).
22)
Wir erinnern: Die t- Verteilung von Student strebt fur n hierzu Kap. II, Abschnitt 8.2).
-+ CIJ
gegen die Standardnormalverteilung (vgl.
522 •
III Grundlagen der mathematischen Statistik Beispiel
Die Messung von 8 Widerstiinden, die rein zufallig einer laufenden Serienproduktion entnommen wurden, fiihrte zu dem folgenden MeBprotokoll: i Xi -
Q
1
2
3
4
5
6
7
8
100
104
98
96
101
104
98
99
Wir setzen dabei voraus, daB diese Stichprobe aus einer normalverteilten Grundgesamtheit stammt, deren Mittelwert J1 und Varianz (J 2 beide unbekannt sind. Es solI ein Vertrauens- .oder Konfidenzintervall fur den M ittelwert J1 bestimmt werden. Wir losen die gestellte Aufgabe dann schrittweise wie folgt: 1. Schritt: Als Vertrauensniveau wahlen wir )' == 0,95. 2. Schritt: Die Bestimmungsgleichung fur die Konstante c lautet damit (Bild 111-27): P( - c
~
T
~
c) == 0,95
Bild 111-27
o
-c
c
Mit Hilfe von Tabelle 4 im Anhang erhalten wir hieraus fur f == n - 1 == 7 Freiheitsgrade den folgenden Wert fur c: P( - c
~
T
~
F(c) == 0,975
c) == F(c) - F( - c) == F(c) - [1 - F(c)] == 2 . F(c) - 1 == 0,95 f=7
c == t (0,97 5; 7) == 2,365
Die gesuchte Konstante c ist somit das Quantil t(0,975; 7) der t-Verteilung. 3. Schritt: Wir berechnen nun den Mittelwert
Stichprobe mit Hilfe der folgenden Tabelle:
x und die Standardabweichung s der
3 Parameterschatzungen
_
523
100
0
0
2
104
4
16
3
98
-2
4
4
96
-4
16
5
101
6
104
4
16
7
98
-2
4
8
99
-1
1 \
X =-'
8
i
1
= -·8000 = 1000 8
x.
/:
I
=1
1 S2 = _1_. \ (Xi _ X)2 = -7 .580 2 = 8,2860 2 8-1 i...J i
s=
R
=1
= )8,2860 2 = 2,8780
4. Schritt: Mit n = 8, c = 2,365 und s zunachst die folgende Hilfsgroj3e:
k = c-
s
= 2,878 0 berechnen wir zweckmalsigerweise
2,8780
= 2 365 . - - = 2406 0
J8
j;;'
'
Das Vertrauensintervall fur den unbekannten Mittelwert /1 der normalverteilten Grundgesamtheit lautet damit:
x-
k
(100 - 2,406) 0
~
/1
~
x -s-k
~
/1
~
(100 + 2,406) 0
Der wahre Wert von /1liegt daher mit einem Vertrauen von 95% in diesem Intervall der Lange I = 2k = 4,812 O.
•
524
III Grundlagen der mathematischen Statistik
3.4.4 Vertrauensintervalle fiir die unbekannte Varianz Normalverteilung
(12
einer
Urn die Gleichmafsigkeit eines Massenproduktes beurteilen zu konnen, benotigt man neben dem Mittelwert fl der interessierenden Zufallsgr6Be X noch zusatzliche Kenntnisse iiber deren Varianz (J 2, die ja als StreuungsmaB Aufschluf iiber die Groj3e der Schwankungen gibt, denen das Merkmal X unterworfen ist. Dieser Parameter ist jedoch in der Praxis oft unbekannt und muB daher geschdtzt werden. Ahnlich wie fiir den Mittelwert fllaBt sich auch fiir die Varianz (J2 einer normalverteilten Grundgesamtheit ein Vertrauens- oder Konfidenzintervall bestimmen. Beiunseren weiteren Uberlegungen gehen wir wiederum von einer normalverteilten Grundgesamtheit mit dem (bekannten oder unbekannten) Mittelwert fl und der unbekannten Varianz (J2 aus. Wir stellen uns dabei die Aufgabe,aus einer konkreten Zufallsstichprobe Xl' X 2, ... , X n ein Vertrauens- oder KonJidenzintervall fiir die unbekannte Varianz (J 2 zu bestimmen. Als Schdtzfunktion fiir die Varianz (J 2 verwenden wir die bereits aus Abschnitt 3.2.4 bekannte StichprobenJunktion S 2 und bilden mit ihr die Zufallsvariable (Stichprobenfunktion) S2 Z == (n - 1) (J2
(111-119)
die einerChi-Quadrat- Verteilung mit J == n - 1 Freiheitsgraden geniigt. Nach Vorgabe eines bestimmten Vertrauensniveaus y == 1 - a lassen sich dann zwei Schranken C l und C2 so bestimmen, daB diese Zufallsvariable mit der gewahlten Wahrscheinlichkeit y == 1 - a Werte aus dem Intervall C l ~ Z ~ C 2 annimmt. Die Berechnung der Intervallgrenzen erfolgt dabei aus der Bedingung
P (c 1 ~ Z
~ c 2) ==
Y == 1 - a
(111-120)
Der Flachenanteil der Irrtumswahrscheinlichkeit a wird dabei gleichmiij3ig auf beide Seiten der Dichtefunktion J (z) verteilt (Bild 111-28).
Bild 111-28 Zur Berechnung der Schranken c1 und c2 (die hellgraue Flache entspricht dem Vertrauensniveau y = 1 - If., die dunkelgraue der Irrtumswahrscheinlichkeit z)
Fiir die Intervallgrenzen C l und C 2 ergeben sich dann aus Bild 111-28 unmittelbar die folgenden Bestimmungsgleichungen:
(111-121)
P (Z
~
all c2) == F (c2) == 1 - - == 1 - - (1 - y) == - (1 + y) 222
3 Parameterschatzungen
525
Aus diesen Gleichungen lassen sich C l und C2 mit Hilfe der tabellierten Verteilungsfunktion F(z) der Chi-Quadrat- Verteilung mit J = n - 1 Freiheitsgraden leicht berechnen (Tabelle 3 im Anhang). Aus der Ungleichung oder
(111-122)
folgt dann eine entsprechende Ungleichung fur die Varianz
82
(n - 1) -
C2
~
0"2
~
82
(n - 1)-
0"2:
(111-123)
Cl
Fur die Schdtzfunktion 8 2 der Varianz setzen wir noch den aus der konkreten Stichprobe Xl' X 2, ... , x; ermittelten Schdtzwert S2 (d.h. die Stichprobenvarianz) ein und erhalten dann das gewiinschte Vertrauens- oder Konjidenzintervall fur die unbekannte Varianz 0"2 in der Form (111-124)
Wir fassen die wichtigsten Ergebnisse zusammen:
III Grundlagen der mathematischen Statistik
526
Anmerkungen
(1)
Haufig wird auch die Irrtumswahrscheinlichkeit rt vorgegeben (meist rt == 0,05 == 5% oder rt == 0,01 == 1%). Das Vertrauensniveau oder die statistische Sicherheit ist dann y == 1- a.
(2)
Man beachte: Die Vertrauensgrenzen sind eindeutig durch das vorgegebene Vertrauensniveau y == 1 - o. sowie den Umfang n und die Varianz S2 der vorgelegten Stichprobe bestimmt.
(3)
. 11 besi .. I Das Vertrauensinterva esitzt diIe Lange
==
(n - 1) (c2
-
c 1) S2 .
C1 C2
(4)
Aus dem Vertrauensintervall (111-128) fur die Varianz (J2 erhalt man durch Wurzelziehen ein entsprechendes Vertrauensintervall fur die Standardabweichung (J.
•
Beispiel Wir kommen nochmais auf das Beispiel des vorangegangenen Abschnitts zuruck (Messung von n == 8 ohmschen Widerstanden aus einer normalverteilten Grundgesamtheit, deren Mittelwert f1 und Varianz (J 2 beide unbekannt sind) und bestimmen nun ein Vertrauens- oder Konfidenzintervall fur die unbekannte Varianz (J2 bei einem vorgegebenen Vertrauensniveau von y == 0,95 == 95°~. 1. Schritt: Das Vertrauensniveau ist bereits vorgegeben: y == 0,95. Die Irrtumswahrscheinlichkeit betragt somit rt = 0,05.
3 Parameterschatzungen
527
2. Schritt: Die Konstanten
C 1 und gleichungen ermittelt (Bild 111-29):
1
1
werden aus den folgenden Bestimmungs-
F(c 1 ) =
2(1 -
F(c 2 ) =
2(1 + y) = 2(1 + 0,95) = 0,975
y) =
1
2(1 -
C2
0,95) = 0,025
1
Bild 111-29
Unter Verwendung von Tabelle 3 im Anhang erhalten wir fur 8 - 1 = 7 Freiheitsgrade die folgenden Werte: f=7
F(c 1 ) = 0,025
--~)
F(c 2 ) = 0,975
--~)
f=7
C 1 =Z(O,025;7)
= 1,69
C 2 =Z(O,975;7)
=
f
=
n- 1=
16,01
Die gesuchten Konstanten C 1 und C 2 entsprechen somit den beiden Quantilen = 1,69 und Z(O,975;7) = 16,01 der Chi-Quadrat-Verteilung mit f = 7 Freiheitsgraden.
Z(O,025;7)
3. Schritt: Die Varianz S2 der Stichprobe wurde bereits im Beispiel des vorangegan-
genen Abschnitts 3.4.3 zu s 2 = 8,286 0 2 ermittelt.
4. Schritt: Mit n = 8, S2 = 8,2860 2 , c1 = 1,69 und nachst die beiden Vertrauensgrenzen: k1 =
k2 =
(n - 1)s2
=
2 (8 - 1).8,2860 2 = 36230 16,01 '
=
(8 - 1) . 8,286 0 2 112 = 34 321 ~~ 1,69 '
C2
(n - 1)s 2 C1
C2
= 16,01 berechnen wir
zu-
Das Vertrauensintervall fur die unbekannte Varianz (J" 2 der normalverteilten Grundgesamtheit lautetdamit: k1
~
(J"2
~
k2
528
11.1 Grundlagen der mathematischen Statistik
Der wahre Wert der Varianz (J2 liegt dabei mit einem Vertrauen von 95% in diesem Intervall. Fur die Standardabweichung erhalt man damit das folgende Vertrauensintervall (bei einer Irrtumswahrscheinlichkeit von ebenfalls 5%):
J 3,623 Q2 ~
(J
~
J 34,321 Q2 •
3.4.5 Vertrauensintervalle fur einen unbekannten Anteilswert p (Parameter p einer Binomialverteilung) Auch fur den unbekannten Parameter p einer binomialverteilten Grundgesamtheit laBt sich auf dem vorgegebenen Vertrauensniveau 'Y = 1 - rx aus einer konkreten Stichprobe ein Vertrauens- oder Konfidenzintervall bestimmen, das mit einem Vertrauen von 'Y . 100% den wahren Wert des Parameters p enthalt. Wir gehen dabei von den folgenden Uberlegungen aus: p sei die unbekannte Wahrscheinlichkeit dafur, daB bei einem Bernoulli-Experiment das Ereignis A eintrete. Die Wahrscheinlichkeit fur das Eintreten des komplementdren Ereignisses A ist dann q = 1 - p. In Abschnitt 3.2.5 haben wir uns bereits mit der Schdtzung des Parameters p beschaftigt und dabei gezeigt, wie man aus einer konkreten Stichprobe einen Schdtzwert p erhalt, Eine solche Stichprobe besteht nun in einer n-fachen Ausfiihrung des Bernoulli-Experiments, wobei die Anzahl k der dabei erzieiten .Erfolge" festgestellt wird (das Eintreten des Ereignisses A werten wir wiederum ais .Erfolg", das Eintreten des komplementdren Ereignisses A ais "MifJerfolg"). Dann ist p= kin ein Schatz- oder Ndherungswert fur die unbekannte .Erfolgswahrscheinlichkeii (den Anteilswert) p. Fur diesen Parameter laBt sich nun unter gewissen Voraussetzungen auch ein Vertrauensoder Konfidenzintervall bestimmen, dessen Grenzen symmetrisch zumSchatzwert p = kin angeordnet sind (Bild III -30).
I
Vertrauensgrenzen ~
p"
>
-
k
n
Vertrauensintervall
Zahlengerade
Bild 111-30 Vertra uensin tervall fur den unbekannten An teilswert P, (Parameter p einer Binomialverteilung)
Bei der Herieitung des Vertrauensintervalls gehen wir von der Zufallsvariablen X = Anzahl deri.Erfolge" bei einer n-fachen Ausfiihrung des Bernoulli-Experiments aus, die nach Abschnitt 6.1 aus Kapitel II binomialverteilt istmit den Parametern n und p. Setzen wir umfangreiche Stichproben voraus, was wir im folgenden stets tun wollen, so
3 Parameterschatzungen
529
folgt aus dem Grenzwertsatz von M oivre und Laplace unmittelbar, daB diese Zufallsvariable sogar als nahezu normalverteilt betrachtet werden kann mit dem Mittel- oder Erwartungswert E(X) == fJ == np und der Varianz Var(X) == (J'2 == np(1 - p). Dann aber ist die zugehorige standardisierte Zufallsvariable
u == _X_-_fJ == _X_-_n_p_
(111-129)
Jnp(1 - p)
(J'
ndherungsweise standardnormalverteilt. Als Schatzfunktion fur den unbekannten Anteilswert p (Parameter p der Binomialverteilung) verwenden wir die bereits aus den Abschnitten 3.2.5 und 3.3.2.1 bekannte Maximum-Likelihood-SchatzJunktion ~
X
p==-
(111-130)
n
Somit ist X == nP und die standardnormalverteilte Zufallsvariable U aus Gleichung (111-129) laBt laBt sich auch in der Form X - np U==-----
Jnp(1 - p)
nP - np
(111-131)
Jnp(1 - p)
darstellen. Die Grenzen des gesuchten Vertrauensintervalls werden nun so bestimmt, daB die Zufallsvariable U mit der vorgegebenen Wahrscheinlichkeit y == 1 - Li Werte aus dem symmetrischen Intervall - c ~ U ~ c annimmt (Bild 111-31).
o
-c
u
c
BUd 111-31 Zur Berechnung der Schranke c (die hellgrau'unterlegte Flache entspricht dem gewahlten Vertrauensniveau y = 1 - a, die dunkelgrau unterlegte Flache der Irrtumswahrscheinlichkeit «)
Aus der Bedingung
Pt. - c ~ U
~
c) ::;::: }' == 1 -
(111-1"32)
Li
la.Bt sich dann die Schranke c mit Hilfe von Tabelle 2 im Anhang (Tabelle der Quantile der Standardnormalverteilung) leicht bestimmen. Aus der Ungleichung -c
~
U
~
c
oder
-c~
nP - np
~c
(III-133)
Jnp(1 - p) erhalten wir dann nach einigen elementaren Umformungen eine entsprechende Ungleichung fur den Parameter p.
III Grundlagen der mathematischen Statistik
530
Sie lautet:
p-
~ Jnp(l - p) ~ p ~ n
p + ~ Jnp(l n
- p)
(111-134)
Die beiden Intervallgrenzen enthalten noch jeweils die Schatzfunktion P sowie den unbekannten Parameter p. Wir ersetzen diese Groben durch den aus der konkreten Stichprobe ermittelten Schdtzwert pund erhalten auf diese Weise eine brauchbare N dherung fur das gesuchte Vertrauensintervall des Parameters p: A
CJ np(l -
P- -
n
A
p) ~ p A
~
A
p
+ -CJ np(l A
n
A
- p)
(III-135)
Wir fassen die einzelnen Schritte wie folgt zusammen:
23)
Die Stichprobe wird als umfangreich angesehen, wenn der Stichprobenumfang n die Bedingung nfi(l - fi) > 9 erfiillt. fi ist dabei der aus der Stichprobe erhaltene Schdtzwert fur den unbekannten Parameter p.
3 Parameterschatzungen
531
Anmerkungen (1) Haufig wird auch die Irrtumswahrscheinlichkeit It vorgegeben (meist It = 0,05 = 5°1o oder It = 0,01 = 1°10). Das Vertrauensniveau oder die statistische Sicherheit ist dann y= 1-
(2)
It.
fi
Die Lange 1 = 2 (cln) des Vertrauensintervalls hangt noch vom Vertrauensniveau y = 1 - It, dem Stichprobenumfang n und dem Schatzwert p = kin fur den Anteilswert (Parameter) p ab (vgl. Bild III-32). Eine Verkiirzung des Intervalls laBt sich dabei stets durch eine entsprechende Vergriifierung des Stichprobenumfangs n erreichen.
Vertrauensintervall der Lange
1£ Vii" n
Bild 111-32 Vertrauensintervall fur den unbekannten Anteilswert p (Parameter p einer Binomialverteilung)
532 •
III Grundlagen der mathematischen Statistik Beispiel Ein bestimmtes mechanisches Bauelement wird in groBer Stiickzahl hergestellt. Mit Hilfe einer umfangreichen Stichprobe solI der Ausschufianteil pin dieser Produktion geschatzt werden. Zu diesem Zweck wurde der binomialverteilten Grundgesamtheit eine Stichprobe vom Umfang n == 500 entnommen. In ihr befanden sich k == 25 nicht [unktionsfdhige (also defekte) Bauelemente. Wir bestimmen nun fur den unbekannten Parameter (AusschuBanteil) p ein Vertrauens- oder Konfidenzintervall zum Vertrauensniveau y == 0,99 == 99°~, wobei wir schrittweise wie folgt vorgehen: 1. Schritt: Das Vertrauensniveau ist bereits vorgegeben: y == 0,99. 2. Schritt: Wir berechnen die Konstante c aus der Bedingung P( - c ~ U ~ c) == y == 0,99
(Bild 111-33). Unter Verwendung von Tabelle 2 im Anhang erhalten wir dann: P( - c ~ U ~ c) == ¢(c) - ¢( - c) == ¢(c) - [1 - ¢(c)] == ==
¢ (c) == 0,995
2 . ¢(c) - 1 == 0,99
----j.
c
== U O,995 ==
2,576
Die gesuchte Konstante ist demnach das Quantil mal verteilung.
U O,995
==
2,576 der Standardnor-
Bild 111-33
o
-c
3. Schritt: Mit n == 500 und k der folgende Schdtzwert:
==
c
u
25 ergibt sich fur den unbekannten AusschuBanteil
p
k
A
p == ~ ==
25 . 500 == 0,05
==
50/0
4. Schritt: Die Bedingung (111-138) fur eine umfangreiche Stichprobe ist hier erfiillt: L\
==
np(1 - p) == 500 . 0,05 (1 - 0,05) == 23,75 > 9
Zweckmalsigerweise berechnen wir jetzt zunachst die folgende HilfsgrofJe: k
c r; 2 576 r;;::;-;:;; v L\ == - ' - v 23,75 == 0,0251 n 500
== -
3 Parameterschatzungen
533
Das Vertrauens- oder Konfidenzintervall fur den unbekannten Ausschufianteil p lautet somit: p-k~p~p+k
0,05 - 0,0251
~
p
~
0,05
+ 0,0251
Der wahre Wert von p liegt daher mit einem Vertrauen von 990/0 zwischen rund 2,5% und 7,5%. •
3.4.6 Vertrauensintervalle fur den unbekannten Mittelwert Jl einer beliebigen Verteilung In den Abschnitten 3.4.2 und 3.4.3 haben wir uns ausfiihrlich mit den Vertrauensintervallen fur den unbekanten Mittelwert f1 einer normalverteilten Zufallsvariablen X beschaftigt. In den Anwendungen hat man es jedoch auch haufig mit Zufallsvariablen zu .tun, deren Wahrscheinlichkeitsverteilungen unbekannt sind. Wir gehen daher bei unseren weiteren Uberlegungen von einer beliebig verteilten Zufallsvariablen X aus. Fur den unbekannten M ittelwert f1 dieser (nicht naher bekannten) Verteilung solI nun naherungsweise ein Vertrauens- oder Konfidenzintervall bestimmt werden. Als Schdtzfunktion fur den Mittelwert u verwenden wir wiederum die bereits bekannte Stichprobenfunktion (111-140)
Xl' X 2' ... , X n sind dabei Zufallsvariable mit der gleichen Verteilung wie X (d. h. Mittelwert u, Varianz (J2). Bekanntlich besitzt dann die Schatzfunktion X den Mittelwert E(X) = f1 und die Varianz Var(X) = (J2jn. Die Art der Verteilung von X und damit auch von X ist und bleibt weiterhin unbekannt! Aus dem Zentralen Grenzwertsatz der Wahrscheinlichkeitsrechnung folgt jedoch, daB die Schatzfunktion X als anndhernd normalverteilt betrachtet werden kann mit dem Mittelwert fl und der Varianz (J2 [n, wenn nur der Umfang n der verwendeten Zufallsstichprobe hinreichend groft ist (Faustregel: n > 30). Dies aber bedeutet, daB wir die bereits in den Abschnitten 3.4.2 und 3.4.3 besprochenen Methoden zur KonstruktioIi von Vertrauensintervallen fur den Mittelwert fl einer normalvertcilten Grundgesamtheit als N dherungsverfahren auch auf beliebig verteilte Zufallsvariable anwenden diirfen. Mit anderen Worten: Die Schatzfunktion X kann als nahezu normalverteilt angenommen werden, obwohl keine normalverteilte (sondern eine beliebig verteilte) Grundgesamtheit vorliegt, sofern der Stichprobenumfang hinreichend groft ist.
III Grundlagen der mathematischen Statistik
534
Wir fassen diese fur die Anwendungen wichtigen Aussagen wie folgt zusammen:
Anmerkung Auch fur die unbekannte Varianz (J2 einer beliebigen Verteilung lassen sich Naherungsverfahren zur Bestimmung von Vertrauensintervallen angeben. Wir verweisen auf die spezielle Fachliteratur (siehe Literaturverzeichnis).
4 Statistische Priifverfahren fiir die unbekannten Parameter einer Wahrscheinlichkeitsverteilung ("Parametertests") 4.1 Ein einfiihrendes Beispiel Wir interessieren uns fur den mittleren Benzinverbrauch eines bestimmten Autotyps und fuhren aus diesem Grund die stetige Zufallsvariable X = Benzinverbrauch eines Autos vom ausgewdhlten Typ
ein (alle Angaben iiblicherweise in "Liter pro 100 km").
4 Parametertests
535
Bei unseren weiteren Uberlegungen gehen wir dabei von der realistischen Annahme aus, daB der Benzinverbrauch X eine normalverteilte ZufalIsvariable mit dem Mittelwert Jl und der Varianz (J2 darstellt. Von Seiten des Automobilherstellers wird ein mittlerer Benzinverbrauch von Jl == Jlo angegeben. Diese Angabe solI nun durch ein geeignetes statistisches Verfahren auf der Basis einer Stichprobenuntersuchung iiberpriift werden. Dabei gehen wir schrittweise wie folgt vor: (1)
Zunachst formulieren wir die Angabe des Herstellers uber den mittleren Benzinverbrauch als sog. Nullhypothese: (111-141)
Mit anderen Worten: Wir gehen zunachst von der Annahme oder Vermutung aus, daB die Angaben des Herstellers tatsachlich zutreffen. Alternativ zur Nullhypothese H 0 stellen wir dann die Hypothese H 1 : Jl =j:. Jlo
(111-142)
zur Diskussion, Diese sog. Alternativhypothese besagt, daB der mittlere Benzinverbrauch Jl van Jlo verschieden, d.h. kleiner oder grofier als Jlo ist. Sollten wir namlich nach Durchfiihrung des Priifverfahrens zu dem SchluB kommen, daB die Angaben des Herstcllers (d.h. die N ullhypothese H 0) nicht haltbar sind, so diirfen wir mit ruhigem Gewissen davon ausgehen, daB die Alternativhypothese H 1 zutrifft. (2)
24)
25)
Um die Nullhypothese H o zu iiberpriifen, wahlen wir nach dem Zufallsprinzip n Testfahrzeuge aus, ermitteln ihren jeweiligen Benzinverbrauch Xi (i == 1, 2, ... , n) und vergleichen dann den hieraus gebildeten Mittelwert x mit der Angabe des Herstellers, d. h. mit dem Wert Jl == flo. Im Sinne der Statistik haben wir der normalverteilten Grundgesamtheit 24) eine Stichprobe vom Umfang n entnommen und daraus anschlieBend den Stichprobenmittelwert x berechnet. Dieser spezielle Wert ist eine Realisierung der ZufalIsvariablen X, d.h. der bereits aus Abschnitt 3.2.2 bekannten Schdtzfunktion fur den Mittelwert ii der Grundgesamtheit. X wird in diesem Zusammenhang auch als Testgroj3e oder Testvariable bezeichnet. Fiir verschiedene Stichproben werden wir dabei i.a. verschiedeneMittelwerte erhalten und diese wiederum werden vom hypothetischen Mittelwert Jl == Jlo mehr oder weniger stark abweichen. Wir miissen nun in der Lage sein anhand eines geigneten MaBes feststellen zu konnen, ob die beobachtete Abweichung des Stichprobenmittelwertes x yom hypothetischen Mittelwert Jl == Jlo zufallsbedingt oder aber signifikant ist, d.h. ihre Ursache in der falschen Nullhypothese H o hat. Um einen sinnvollen Vergleich des Stichprobenmittelwertes x mit der Herstellerangabe (Nullhypothese) Jl == Jlo zu ermoglichen, wahlen wir nun eine (kleine) sag. Signifikanzzahl a zwischen 0 und 1. Etwas spater werden wir dann sehen, daB diese Zahl die Wahrscheinlichkeit fiir eine bestimmte Fehlentscheidung darstellt, die man beijedem statistischen Priifverfahren ("Test") in Kaufnehmen muB. Die Signifikanzzahl rJ., wird daher auch folgerichtig als Irrtumswahrscheinlichkeit bezeichnet 25). Als Grundgesamtheit konnen wir beispielsweise die Menge aller in einem Monat produzierten Autos vom ausgewahlten Typ betrachten. Aus dem genannten Grund wird a in der Praxis klein gewahlt: Ubliche Werte sind z.B. a = 0,05 = 5% oder a = 0,01 = 1 % .
536 (3)
III Grundlagen der mathematischen Statistik Nach der Wahl der Signifikanzzahl (Irrtumswahrscheinlichkeit) rx HiBt sich nun eine Konstante c*, auch kritischer Wert genannt, so bestimmen, daB die Testgrofie X bei richtiger Nullhypothese H o mit der statistischen Sicherheit '}' = 1 - rx in das symmetrische Intervall J.10 - c * ~ X ~ J.10
+ c*
(111-143)
fallt (Bild 111-34). Die Intervallgrenzen J.10 - c* und J.lo + c* heiBen kritische Grenzen. Der kritische Wert c* wird dann aus der Bedingung P(J.lo - c* ~ X ~ 110
+ C*)H o =
'}' =
(111-144)
1 - rx
ermittelt, wobei man zuniichst die Testgrolle X standardisiert
(x
X -J.lo)
---->
u = (J/~
und anschlieBend die Tabelle 2 im Anhang verwendet (Tabelle der Quantile der Standardnormalverteilung)2 6).
Bild 111-34 Zur Berechnung der kritischen Grenzen
J.lo- c*
L (4)
J.lo
kritische Grenzen
/10+ c*
-
x
~
Wir sind nun in der Lage, eine Entscheidung zu fallen, sollten dabei jedoch nie vergessen, daB diese aufgrund eincr einzigen Stichprobenuntersuchung zustande kommt:
1. Fall: Fallt der aus einer konkretenStichprobe ermittelte Stichprobenmittelwert
xin dieses Intervall (auch nicht-kritischer Bereich oder Annahmebereich genannt), so
darf die Abweichung zwischen x und J.lo als rein zufallsbedingt angesehen werden, und die Nullhypothesewird beibehalten, d.h. sie kann nicht abgelehnt oder verwor- fen werden (Bild 111-35). Mit anderen Worten: Die Auswertung un serer Stichprobe liefert keinen Grund, an den Angaben des Automobilherstellers beziiglich des mittleren Benzinverbrauchs zu zweifeln. Wir konnen daher davon ausgehen, daB der mittlere Benzinverbrauch J.l tatsachlich J.lo betragt, ohne uns dessen jedoch absolut sicher zu seine Das verwendete Stichprobenmaterial spricht zumindest nicht gegen die Nullhypothese. Dies aber bedeutet keineswegs, daB H o richtig ist ~ die Nullhypothese kann sowohl richtig als auch falsch seine 26)
Die Varianz (j2 der normalverteilten Zufallsvariablen X wird dabei als bekannt vorausgesetzt. Andernfalls ist die t- Verteilung von Student zu verwenden (vgl. hierzu auch die nachfolgenden Abschnitte 4.5.1 und 4.5.2). Die Berechnung des kritischen Wertes c* erfolgt dabei immer unter der Voraussetzung, daB die Nullhypothese H 0: J1 = J10 auch tatsachlich zutrifft. Der Index "H 0" am Wahrscheinlichkeitssymbol P solI an diese Voraussetzung erinnern. Ausfiihrliche Einzelheiten zur Berechnung des kritischen Wertes c * erfolgen spater im Zusammenhang mit den speziellen Parametertests in Abschnitt 4.5.
4 Parametertests
537 Mitte/wert X der Stichprobe fallt in den nicht-kritischen Bereich
Y= 1-a
a/2
a/2
Jlo
ritischer
~
Bereich (Ablehnung)
-
-
x
nicht-kritischer Bereich (Annahmebereich)
x
kritischer Bere;;j (Ablehnung) I
Bild 111-35 Der Stichprobenmittelwert x fallt in den nicht-kritischen Bereich (Annahmebereich), die Nullhypothese H o : J1 = J10 wird daher beibehalten, d. h. nicht abgelehnt
2. Fall: Fallt der Stichprobenmittelwert x jedoch in den sog. kritischen Bereich oder Ablehnungsbereich, d. h. in das Intervall Ix- f.1o I > c*, so ist die Wahrscheinlichkeit dafur, daB die Abweichung zwischen x und f.1o rein zufallig ist, sehr gering, namlich gleich der kleinen Signifikanzzahl a (also z.B. gleich a = 5 % oder a = 1 0/0). Die Nullhypothese H o ist daher nicht haltbar und muB somit zugunsten der Alternativhypothese H 1 abgelehnt oder verworfen werden (Bild III -36). Mit anderen Worten: Wir konnen die Angaben des Automobilherstellers als falsch betrachten und davon ausgehen, daB der mittlere Benzinverbrauch f.1 gr6Ber oder kleiner als f.1o ist. Die Nullhypothese H 0: f.1 = f.1o wird somit auf dem Signifikanzniveau a zugunsten der Alternativhypothese H 1 : f.1 =1= f.1o verworfen.
Mitte/wert X der Stichprobe fallt in den kritischen Bereich
Jlo
@,
ritisch er Bereich (Ab/ehnung)
nicht-kritischer Bereich (Annahmebereich)
Jlo+ c*
-
x
-
x
kritischer Bere;;! (Ablehnung) I
Bild 111-36 Der Stichprobenmittelwert x fallt in den kritischen Bereich, die Nullhypothese H o : J1 = J10 wird daher zugunsten der Alternativhypothese Hi : J1 =1= J10 verworfen
III Grundlagen der mathematischen Statistik
538
Eines sol1ten wir dabei jedoch stets im Auge behalten: Absolut sichere Ruckschliisse von einer Zufallsstichprobe auf die entsprechende Grundgesamtheit sind grundsdtzlich nicht moglich. Es besteht daher immer die Moglichkeit eines Irrtums, d.h. einer falschen Entscheidung. Nehmen wir einmal an, daB die Angaben unseres Automobilherstellers tatsachlich zutreffen, der mittlere Benzinverbrauch u also wie behauptet flo betragt, Dann konnten wir beim Testen auf eine Zufallsstichprobe stoBen, deren Mittelwert x zufiilligerweise in den kritischen Bereich (Ablehnungsbereich) fallt und miiBten dann aufgrund unserer Kriterien die Nullhypothese fl == flo ablehnen, obwohl sie richtig ist (vgl. hierzu Bild 111-36). Damit aber wiirden wir (wenn auch unbewujJt) eine Fehlentscheidung treffen. Das Risiko fur eine solche aufgrund einer Stichprobenuntersuchung getroffene falsche Entscheidung ist dabei quantitativ durch die vor Testbeginn gewahlte Signifikanzzahl a gegeben. Damit ist a die Wahrscheinlichkeit dafiir, eine an sich richtige Nullhypothese ablehnen zu miissen. Die Signifikanzzahl a wird somit zu Recht als I rrtumswahrscheinlichkeit bezeichnet.
4.2 Statistische Hypothesen und Parametertests Unter einer statistischen Hypothese (kurz: Hypothese) versteht man irgendwelche Annahmen, Vermutungen oder Behauptungen iiber die Wahrscheinlichkeitsverteilung einer Zufallsvariablen oder Grundgesamtheit und deren Parameter. Ein Parametertest ist ein statistisches Prifverfahren fur einen unbekannten Parameter in der Wahrscheinlichkeitsverteilung einer Zufallsvariablen oder Grundgesamtheit, wobei die Art der Verteilung (d.h. der Verteilungstyp wie z.B. Binomialverteilung oder GauBsche Normalverteilung) als bekannt vorausgesetzt wird. Ein solcher Test dient der Vberprufung einer Hypothese iiber einen bestimmten Parameter der Verteilung mit Hilfe einer Stichprobenuntersuchung der betreffenden Grundgesamtheit. Die zu iiberpriifende Hypothese wird meist als N ullhypothese H obezeichnet. Ihr wird oft eine Alternativhypothese HI gegeniibergestellt. Es ist dann das erklarte Ziel eines Parametertests, eine Entscheidung dariiber zu ermoglichen, ob man die Nullhypothese H o beibehalten (d.h. nicht ablehnen) kann, da die Auswertung des verwendeten Stichprobenmaterials in keinem Widerspruch zur Nullhypothese steht oder ob man sie zugunsten der Alternativhypothese HI ablehnen oder verwerfen muB. Mit einem Parametertest kann also iiber Ablehnung oder Beibehaltung (Nichtablehnung) einer aufgestellten Hypothese ("Nullhypothese") entschieden werden. Allerdings: Wie auch immer die Entscheidung ausfallen sollte, sie kann richtig aber auch falsch sein. •
Beispiele
(1)
Beim Zufallsexperiment "Wurf einer Miinze" tritt das Ereignis A: "Zahl" mit der Wahrscheinlichkeit p == 0,5 ein, falls diese M iinze echt (d. h. unverfiilscht) ist. Wir priifen die Echtheit dieser Miinze, in dem wir der Nullhypothese H o : p(A)
== 0,5
die Alternativhypothese H 1 : p(A ) i= 0,5
gegeniiberstellen. Es handelt sich hierbei urn einen sog. zweiseitigen Parametertest, da die Alternativhypothese Parameterwerte nach beiden Seiten hin zulafst (sowohl p < 0,5 als auch p > 0,5 ist moglich),
539
4 Parametertests (2)
Ein Grobhandler bestellt direkt beim Hersteller einen grolseren Posten eines bestimmten elektronischen Bauelements und vereinbart dabei, daf die Ware einen maximalen Ausschufianteil von Po = 1% enthalten darf. Bei der Anlieferung der Ware wird er daher mit einem speziellen statistischen Test priifen, ob die vereinbarte maximale AusschuBquote auch nicht iiberschritten wurde. Der Grobhandler wird daher die N ullhypothese
Ho : p
~
Po = 1 0/0
gegen die Alternativhypothese HI: p > Po
= 10/0
testen (sog. einseitiger Parametertest, da hier die Alternativhypothese nur Werte p > Po zulafst), Sollte dabei die Testentscheidung zugunsten der Alternativhypothese HI ausfallen, so darf er davon ausgehen, daf der AuschuBanteil p grofJer ist als vereinbart, d. h. grofJer als 1 % ist. Er wird in diesem Fall die Annahme der gelieferten Bauelemente verweigern. Trotzdem kann die getroffene Entscheidung durchaus falsch sein! Denn aIle Testentscheidungen sind grundsatzlich mit einem gewissen Risiko verbunden (nahere Einzelheiten in Abschnitt 4.4). Die Wahrscheinlichkeit fur eine F ehlentscheidung ist jedoch in diesem Fall hochstens gleich der Signifikanzzahl o: und diese kann ja vor Testbeginn entsprechend klein gewahlt werden (z.B. rJ. = 0,01 = 10/0).
• 4.3 Planung und Durchfiihrung eines Parametertests In enger Anlehnung an unser einfiihrendes Beispiel aus Abschnitt 4.1 empfehlen wir, den Ablauf eines Parametertests wie folgt zu planen und durchzufiihren:
III Grundlagen der mathematischen Statistik
540
r-km;SCher I Bereich
nicht-kritischer Bereich
Bild 111-37 Die kritischen Grenzen vom nicht-kritischen Bereich 27)
28)
Cu
und
Co
kritische-; Bereich
-l
trennen den kritischen Bereich
In einfachen Fallen erweist sich dabei die ausgewahlte Testvariable T als eine Schdtzfunktion () des unbekannten Parameters 9. 1m allgemeinen jedoch gilt: Zwischen der Testvariablen T und der Schatzfunktion () des Parameters 9 besteht ein gewisser Zusammenhang. 1m nachfolgenden Abschnitt 4.5 werden wir fur spezielle Parameter zeigen, wie man mit Hilfe von bekannten Schatzfunktionen geeignete Testvariable erhalt, a ist die Wahrscheinlichkeit dafiir, daB der Wert der Testvariablen 'T aujJerhalb dieses Intervalls liegt.
4 Parametertests
541
y = 1-a
Prct- oder Testwert t
a/2
a/2
blehnUng
~
(kritischer Bereich)
Annahmebereich (nicht-kritischer Bereich)
--l
Ablehnung (kritischer Bereich)
Bild 111-38 Der Priif- oder Testwert i [aUt in den nicht-kritischen Bereich (Annahmebereich), die Nullhypothese H o : 9 = 9 0 wird daher beibehalten, d. h. nicht abgelehnt
III Grundlagen der mathematischen Statistik
542
PrOf- oder Testwert
t
PrOf- oder Testwert
t
a/2
~
blehnUng
(kritischer Bereich)
Annahmebereich (nicht-kritischer Bereich)
-l
Ablehnung (kritischer Bereich)
Bild 111-39 Der Priif- oder Testwert i fallt in den kritischen Bereich, die Nullhypothese H o : 8 = 8 0 wird daher zugunsten der Alternativhypothese H 1 : 8 =1= 8 0 abgelehnt
29)
30)
Die Moglichkeit eines Irrtums, d.h. einer Fehlentscheidung ist grundsatzlich immer gegeben. Die Irrtumswahrscheinlichkeit betragt hier o: (vgl. hierzu auch den nachfolgenden Abschnitt 4.4). Dies bedeutet, daB wir uns fur die Alternativhypothese H 1 entscheiden.
4 Parametertests
543
Anmerkungen (1) Die Test- oder Priifvariable T wird haufig auch als Test- oder PrufgrojJe, manchmal auch als Test- oder Priiffunktion bezeichnet. (2)
Man beachte, daB die Bestimmung der kritischen Grenzen nur moglich ist, wenn die Wahrscheinlichkeitsverteilung der Testgr6Be T bekannt ist. Beispiel: X sei eine normalverteilte Zufallsgr6Be. Dann ist die Testgr6Be X (d.h. die Schdtzfunktion fur den M ittelwert 11 der normalverteilten Grundgesamtheit) eben-
falls normalverteilt. (3)
In Abschnitt 4.5 werden wir uns mit den wichtigsten Parametertests vertraut machen und dabei zeigen, wie man fur spezielle Parameter unter Verwendung bereits bekannter Schatzfunktionen geeignete Testvariable mit bekannter Wahrscheinlichkeitsverteilung erhalt.
(4)
Neben dem hier ausfiihrlich besprochenen zweiseitigen Parametertest gibt es auch die Moglichkeit einseitiger Tests. Beispiel: Wir testen die Nullhypothese
(111-151) ("der Parameter 9 ist kleiner oder gleich 9 0 " ) gegen die Alternativhypothese H 1 : 9 > 90
(111-152)
("der Parameter 9 ist grojJer als 9 0 " ) , Es handelt sich hierbei urn einen einseitigen Test, da die Alternativhypothese nur Parameterwerte grojJer als 9 0 zulabt. Es gibt jetzt nur eine kritische Grenze c. Sie laBt sich aus der Bedingung P(T
~
C)Ho
= Y= 1- a
(111-153)
fur die verwendete Test- oder Priifvariable T mit Hilfe der entsprechenden Verteilungsfunktion leicht berechnen (Bild 111-40).
c
1---
Annahmebereich
Ablehnung
1
kritische Grenze
Bild 111-40 Annahmebereich bei einem einseitigen Parametertest (Abgrenzung nach oben)
544 (5)
III Grundlagen der mathematischen Statistik Haufig wird auf eine Alternativhypothese verzichtet. Falls dann keine signifikante oder (wie man auch sagt) statistisch gesicherte Abweichung vorliegt, wird die Nullhypothese H 0 beibehalten, d. h. nicht abgelehnt. Dies bedeutet aber keineswegs, daB H 0 als richtig angenommen wird, sondern besagt lediglich, daB das Ergebnis der Stichprobenuntersuchung in keinem Widerspruch zur Nullhypothese H o steht. Ein M usterbeispiel aus dem technischen Bereich liefert die Uberpriifung eines bestimmten Sollwertes (Hypothese: /1 == /10). Es interessiert dabei haufig nur, ob der Sollwert /10 eingehalten wird oder nicht.
4.4 Mogliche Fehlerquellen bei einem Parametertest Am Ende eines Parametertests ist stets eine Entscheidung zu fallen. Sie kann dabei zugunsten der Nullhypothese H 0 oder der Alternativhypothese HI ausfallen. In beiden Fallen werden gewisse Riickschliisse von einer Zufallsstichprobe auf die entsprechende Grundgesamtheit gezogen. Wir miissen dabei jedoch bedenken, daB es absolut sichere Schliisse grundsatzlich nicht gibt. Bei einer Testentscheidung besteht somit immer die Moglichkeit eines Irrtums, d.h. einer Fehlentscheidung. Mit anderen Worten: Bei jeder Testentscheidung besteht eine bestimmte Wahrscheinlichkeit dafiir, daft die getrofJene Entscheidung falsch ist. Dabei werden zwei Arten von Fehlern unterschieden:
In beiden Fallen wurde eine falsche Entscheidung gefallt! Wir erlautern nun die moglichen Fehler 1. Art und 2. Art etwas naher am Beispiel eines einseitigen Parametertest, bei dem die Nullhypothese H o:9
== 9 0
(111-154)
gegen die Alternativhypothese HI: 9 > 9 0
(111-155)
getestet werden solI.
Fehler 1. Art Die kritische Grenze c wird bekanntlich so bestimmt, daB die Testvariable T bei richtiger Nullhypothese Hound vorgegebener Signifikanzzahl a mit einer Wahrscheinlichkeit von a Werte annimmt, die in den kritischen Bereich oder Ablehnungsbereich fallen (dunkelgrau unterlegte Flache in Bild III -41). Wir haben dabei vorausgesetzt, daf 9 0 der wahre Wert
4 Parametertests
545
des Parameters 9 ist. Der Einfachheit halber nehmen wir desweiteren an, daf die verwendete Testvariable (Priifgrohe) T eine Schdtzfunktion des betreffenden Parameters 9 ist. Der Test- oder Prifwert von T ist dann identisch mit dem Schdtzwert § des Parameters.
--r
Annahmebereich (nicht-kritischer Bereich)
-J
Ablehnung (kritischer Bereich) kritische Grenze
Bild 111-41 Die dunkelgrau unterlegte .Flache lI. ist die Wahrscheinlichkeit dafiir, einen Fehler I . Art zu begehen, d. h. eine an sich richtige Nullhypothese verwerfen zu miissen
Fallt nun der aus einer konkreten Stichprobe berechnete Testwert § in den Ablehnungsbereich 9 > c, so miissen wir die an sich richtige Nullhypothese H 0: 9 == 9,0 irrtianlicherweise verwerfen und begehen damit genau einen Fehler 1. Art. Seine Grobe entspricht dabei der vorgegebenen Signifikanzzahl a, die daher auch folgerichtig - wie bereits erwahnt - als Irrtumswahrscheinlichkeit bezeichnet und durch die in Bild III -41 dunkelgrau unterlegte Flache reprasentiert wird. •
Beispiel
Ein Grobhandler bezieht direkt vom Hersteller einen grolieren Posten eines bestimmten elektronischen Bauelements. Bei der Anlieferung der Ware wird er eine sog. Abnahmekontrolle durchfiihren, urn zu priifen, ob die vereinbarten Lieferbedingungen (z.B. maximal 1% "AusschuBware") auch eingehalten wurden. Aus diesem Grunde entnimmt er der Lieferung eine Zufallsstichprobe. Fallt dabei der aus der Stichprobe berechnete Wert der Testgrolie (hier: Anteilswert .Ausschuli") in den nicht-kritischen Bereich (Annahmebereich), so wird der Grobhandler die angelieferte Ware auch abnehmen. Fallt der Testwert jedoch in den kritischen Bereich (Ablehnungsbereich), so wird er die Annahme der Ware verweigern. Die zwischen GroBhandler und Produzent vorher vereinbarte Signifikanzzahl rJ. ist dabei die Wahrscheinlichkeit dafiir, eine an sich einwandfreie Lieferung aufgrund einer ZufalIsstichprobe zuritckzuweisen, weiI der Wert der Testgrobe (hier also der Anteilswert "AusschuB") zufdlligerweise in den kritischen Bereich der Testgrolie fallt. Einen solchen Fehler 1. Art bezeichnet man daher in der Praxis haufig auch als Produzen-
tenrisiko.
•
III Grundlagen der mathematischen Statistik
546
Fehler 2. Art Ein Fehler 2. Art liegt vor, wenn eine Nullhypothese H o beibehalten, d.h. nicht abgelehnt wird, obwohl sie falsch ist. Bild 111-42 zeigt die als richtig angenommene Verteilung mit dem Parameterwert 9 0 und zugleich die tatsdchliche Verteilung mit dem wahren Parameterwert 9 1 31). In dieser Abbildung wird die Wahrscheinlichkeit f3 fur einen Fehler 2. Art durch die hellgrau unterlegte Flache dargestellt (Flache unter der Dichtefunktion der wahren Verteilung in den Grenzen von - 00 bis zur kritischen Grenze c). Die Grobe dieser Wahrscheinlichkeit hangt dabei noch von der Lage von 9 1 abo Den entsprechenden funktionalen Zusammenhang zwischen f3 und 9 1 bezeichnet man als Operationscharakteristik:
f3 = f3 (9 1) . tetsecntiche Verteilung
angenommene Verteilung
.········r·······. / I ••••••••••
•••
I
I
Fehler 2.Art
•••••
-.
........................
Fehler 1.Art
Bild 111-42 Fehler 1. und 2. Art
•
Beispiel Wir kommen nochmals auf das vorangegangene Beispiel zuriick (Abnahmekontrolle bei einer Warenlieferung). In diesem Beispiel ist f3 die Wahrscheinlichkeit dafiir, daf der Grobhandler die Lieferung der elektronischen Bauelemente annimmt, obwohl sie nicht den vereinbarten Bedingungen (hier: maximaler "AusschuBanteil" von 10/0) entspricht, weil die Lieferung insgesamt einen zu hohen Anteil an Ausschufrware enthalt (was der Grolshandler aber nicht weiB). Diese Fehlentscheidung tritt genau dann ein, wenn der aus der entnommenen Zufallsstichprobe berechnete Wert der Testvariablen (hier also der Anteilswert .Ausschulrware") zufdlligerweise in den nicht-kritischen Bereich (Annahmebereich) fallt, Daher wird ein solcher Fehler 2. Art haufig auch als Konsumentenrisiko bezeichnet.
•
Zusammenhang zwischen den Fehlern 1. und 2. Art Eine in der Praxis wichtige Fragestellung lautet somit: me lassen sich diese Fehler 1. und 2. Art moglichst klein halten?
Dazu betrachten wir eingehend Bild 111-43, in dem die als richtig angenommene Verteilung (Parameter 9 0 ) und die tatsdchliche Verteilung (Parameter 9 1 ) sowie die Fehler 1. und 31)
Dargestellt ist der Fall 8 1 > 8 0 •
4 Parametertests
547
2. Art anschaulich dargestellt sind. Diesem Bild konnen wir unmittelbar entnehmen, daB eine Verkleinerung von (1, automatisch eine Vergrofserung von f3 nach sich zieht (Ubergang von Bild a) zu Bild b)). Denn eine Verkleinerung von (1, (im Bild durch die dunkelgrau unterlegte Flache veranschaulicht) bedeutet eine Verschiebung der kritischen Grenze c nach rechts, wobei aber automatisch f3 (im Bild durch die hellgrau unterlegte Flache dargestellt) zunimmt. Umgekehrt gilt: Wird f3 verkleinert, so vergrofiert sich dabei (1, (dies entspricht einer Verschiebung der kritischen Grenze c nach links).
tetsechtiche Verteilung
angenommene Verteilung
a)
c
I I I I I
angenommene Verteilung
tetsecntiche Verteilung
. .
........................
b)
c
Bild 111-43 Zum Zusammenhang zwischen einem Fehler 1. und 2. Art: Eine Verkleinerung des Fehlers 1. Art (a) bewirkt stets eine Vergrolierung des Fehlers 2. Art (fJ) (Ubergang von Bild a) zu Bild b))
Entscheidet man sich in einem konkreten Fall z. B. fur ein sehr kleines (1, und damit fur ein sehr geringes Risiko, eine an sich richtige Nullhypothese H 0 ablehnen zu miissen, so nimmt man gleichzeitig ein deutlich erhohtes Risiko fur einen Fehler 2. Art in Kauf. Man muB daher stets von Fall zu Fall sehr sorgfaltig abwagen, welcher der beiden Fehler letztendlich die grofteren Konsequenzen nach sich zieht. In der Praxis geht man daher meist wie folgt vor: Zunachst wahlt man die (klein e) Signifikanzzahl (1, und damit pas Risiko fur einen Fehler 1. Art. Dann bestimmt man die kritische Grenze c und daraus die Wahrscheinlichkeit f3 fur einen Fehler 2. Art in Abhangigkeit vom Parameterwert 9 1 . Der Fehler 2. Art laBt sich dabei (bei fest vorgegebener
548
III Grundlagen der mathematischen Statistik
Irrtumswahrscheinlichkeit ex) nur durch eine Erhohung des Stichprobenumfangs n verringern! Man kann namlich zeigen, daB die beiden Dichtekurven in Bild 111-43 (sie entsprechen den Parameterwerten 9 0 und 9 1 ) umso steiler verlaufen, je grojJer der Stichprobenumfang n ist, wobei sich gleichzeitig die hellgrau unterlegte Bildflache, die der Wahrscheinlichkeit P fur einen Fehler 2. Art entspricht, verkleinert. Die Ubcrlappung der beiden Verteilungskurven nimmt somit mit zunehmendem Stichprobenumfang nab, der Parametertest hat dabei an "Trennscharfe" gewonnen. Wir fassen die wichtigsten Aussagen zusammen:
4 Paramctertcsts
549
Anmerkungen (1) Grundsatzlich lassen sich die Risiken 1. und 2. Art (d.h. a und f3) beliebig klein halten, in dem man entsprechend umfangreiche Stichproben verwendet. Aus Kostenund Zeitgrunden ist dies jedoch in der Praxis nur selten moglich. (2)
Haufig wird bei einem Parametertest nur die Irrtumswahrscheinlichkeit a vorgegeben und auf eine Alternativhypothese HI verzichtet. Ein solcher Test wird als Signifikanztest bezeichnet.
(3)
Fur nahere Einzelheiten zu diesem wichtigen aber auch sehr komplizierten Thema verweisen wir auf die spezielle Fachliteratur (siehe Literaturverzeichnis).
4.5 Spezielle Parametertests In diesem Abschnitt wenden wir den in Abschnitt 4.3 beschriebenen Parametertest auf die in der Praxisbesonders wichtige Gauj3sche N ormalverteilung sowie die Binomialverteilung an. Bei der Formulierung der Tests beschranken wir uns dabei auf die zweiseitige Fragestellung. Die Vorgehensweise ist weitgehend die gleiche wie bei der Herleitung der Vertrauens- oder Konfidenzintervalle in Abschnitt 3.4.
4.5.1 Tests fur den unbekannten Mittelwert Jl einer Normalverteilung bei bekannter Varianz (12 X sei eine normalverteilte Zufallsvariable mit dem unbekannten Mittelwert /1 und der als bekannt vorausgesetzten Varianz (J2. Wir vermuten jedoch, daB der Mittelwert /1 einen bestimmten Wert /10 besitzt und testen daher unter Verwendung einer konkreten Stichprobe Xl' X 2, ... , x; die
Nullhypothese H o : /1 = /10
(111-156)
gegen die
Alternativhypothese HI: /1 =f. /10
(III -157)
Dieser zweiseitige Parametertest verlauft dabei nach dem aus Abschnitt 4.3 bekannten Schema schrittweise wie folgt: (1)
Zunachst wahlen wir eine bestimmte Signifikanzzahl (Irrtumswahrscheinlichkeit) a (0 < a < 1).
(2)
Als Schdtzfunktion fur den unbekannten Mittelwert /1 der Normalverteilung verwenden wir die aus Abschnitt 3.2.3 bereits bekannte Stichprobenfunktion
x = _X_I_+_X_2_+_...;_+_X_n
(III -158)
n
Dabei sind X I' X 2' ... , X n voneinander unabhdngige und normalverteilte Zufallsvariable mit der gleichen Verteilung wie die Zufallsvariable X (Mittelwert /10' Varianz (J2) 32). Dann ist bekanntlich auch die Schatzfunktion X normalverteilt mit dem Mittelwert /10 und der Varianz (J 2In. 32)
Unter der Voraussetzung, daf die Nullhypothese H 0:
fl = flo
zutrifft.
550 (3)
III Grundlagen der mathematischen Statistik Die Berechnung der kritischen Grenzen J10 + c * bzw. des kritischen Wertes c * fur die Zufallsvariable X erfolgt dann aus der Bedingung P(llo - c*
~
X
~ J10
+ C*)Ho =
(111-159)
1- a
(hellgrau unterlegte Flache in Bild III-44) 1-a
-
x
~
-
Ablehnung (kritischer Bereich)
Annahmebereich (nicht-kritischer Bereich)
--l
Ablehnung (kritischer Bereich)
Bild 111-44 Kritischer und nicht-kritischer Bereich bei einem zweiseitigen Test fur den unbekannten Mittelwert J1 einer Normalverteilung (bei bekannter Varianz (J2)
Zweckmafligerweise gehen wir nun von der Zufallsvariablen X zur zugehorigen standardisierten Zufallsvariablen X - J10 U=--
(111-160)
(J/~
iiber, Diese Zufallsvariable ist standardnormalverteilt und eignet sich als Testvariable (Prufgroj3e) fur diesen Parametertest. Die Bedingung (111-159) geht bei der vorgenommenen Variablentransformation (Standardisierung) X ~ U dabei uber in P
(
c*~
c*~)
---~U~--
(J
(J
n.,
=1-a
(111-161)
oder - unter Verwendung der Abkiirzung c = c* ~/(J P( - c ~ U ~ C)H o
= 1- a
(111-162)
Die Konstante c ist der kritische Wert fur die Testvariable U, die kritischen Grenzen liegen somit an den Stellen c; = - c und Co = c (hellgrau unterlegte Flache in Bild 111-45). Der kritische Bereich wird somit durch die Ungleichung lUI> c beschrieben (dunkelgrau unterlegte Flache in Bild 111-45). Die Berechnung des kritischen Wertes c erfolgt dann aus der Bedingung (III-162) mit Hilfe von Tabelle 2 im Anhang (Tabelle der Quantile der Standardnormalverteilung).
4 Parametertests
551
-c
r :i~cher
o
c
u
nicht-kritischer Bereich
Bereich
Bild 111-45 Zur Bestimmung des kritischen Wertes c fur die standardnormalverteilte Testvariable U
(4)
Wir berechnen nun den Mittelwert x der vorgegebenen konkreten Stichprobe Die Testvariable U aus Gleichung (111-160) erhalt darnit den folgenden Test- oder Priifwert: Xl' X 2, ... , X n •
"
X -
flo
(III -163)
U=---
a/0z (5)
Testentscheidung: Fallt der Test- oder Prufwert (Annahmebereich), d.h. gilt
u in
den nicht-kritischen Bereich
-c~u~c
(111-164)
so wird die N ullhypothese H 0 : fl = flo beibehalten, andernfalls aber zugunsten der Alternativhypothese H 1 : u =1= flo verworfen. .Beibehalten" bedeutet dabei lediglich, daB die Nullhypothese H o aufgrund der verwendeten Stichprobe nicht ahgelehnt werden kann. Bild III -46 verdeutlicht diese Testentscheidung.
r
H o beibehalten
1-a
a/2
H
o
ablehnen
a/2
r
A blehnung (kritischer Bereich)
-c
o Annahmebereich (nicht-kritischer Bereich)
u
--l
Ablehnung (kritischer Bereich)
Bild 111-46 Testentscheidung iiber Beibehaltung oder Ablehnung der NuUhypothese
H o : /1 = /10
552
III Grundlagen der mathematischen Statistik
Wir fassen diesen speziellen Parametertest wie folgt zusammen:
4 Parametertests
553
Anmerkungen
(1)
Bei der Riicktransformation U ~ X mittels der Transformationsgleichung (111-167) erhalt man fur die Schatzfunktion X den kritischen Wert c* == c (J / j";z und damit den nichtkritischen Bereich (Annahmebereich) J.1o - c * ~
x ~ J.1o + c *
(111-172)
(vgl. hierzu auch Bild 111-44). Die Testentscheidung lautet dann fur die Zufallsvariable X wie folgt: Fallt der aus der Stichprobe berechnete Mittelwert in dieses Intervall, so wird die Nullhypothese H o beibehalten, d.h. nicht abgelehnt, anderenfalls muf sie zugunsten der Alternativhypothese H 1 verworfen werden.
x
(2)
Analog verlaufen die einseitigen Parametertests. In diesen Fallen gibt es aber nur jeweils eine kritische Grenze c. Sie Ui13t sich aus den folgenden Bedingungen mit Hilfe von Tabelle 2 im Anhang leicht ermitteln: 1. Fall: Abgrenzung nach oben (Bild 111-47)
u.; J.1
~ flo
H 1 : fl > flo P(U ~ C)H o
== 1 -
rx
Annahmebereich: u
~
c
o
c
u 4
Annahmebereich
_1
Ablehnun;
kritische Grenze
Bild 111-47 Annahmebereich bei einem einseitigen Test (Abgrenzung nach oben)
1
III Grundlagen der mathematischen Statistik
554
2. Fall: Abgrenzung nach unten (Bild 111-48) H o: Il ~ Ilo HI: Il < Ilo
P(U
Annahmebereich: u
~ C
o
c
I
ib'ehnUng
-I-
u
Annahmebereich
kritische Grenze
Bild111-48 Annahmebereich bei einem einseitigen Test (Abgrenzung nach unten)
•
Beispiele
(1)
10 Nagel aus einem bestimmten Sortiment haben die folgende Lange: i -
Xi
mm
1
2
3
4
5
6
7
8
9
10
20
22
19
22
18
21
18
19
21
20
Sie stammen aus einer normalverteilten Grundgesamtheit mit der Varianz = 9 mm '. Man teste auf einem Signijikanzniveau von a = 0,01 = 1% die Hypothese, daB diese Stichprobe einer Grundgesamtheit mit dem Mittelwert Ilo = 22 mm entnommen wurde (zweiseitiger Parametertest).
(J2
Liisung: Wir testen die N ullhypothese H 0 : Il
= Ilo = 22 mm
gegen die Alternativhypothese HI: Il =1= 22 mm
schrittweise wie folgt:
4 Parametertests
555
1. Schritt: Die Signifikanzzahl oder Irrtumswahrscheinlichkeit vorgegeben: l/., = 0,01.
l/.,
ist bereits
2. Schritt: Die Bestimmungsgleichung fur den kritischen Wert c der normalverteilten Testvariablen
u=X
- J10
=
(Jj~
X - 22 mm 3 mmjjiO
lautet: P( - c ~ U ~
C)H
o
= 1-
l/.,
= 1 - 0,01 = 0,99
Hieraus erhalten wir unter Verwendung von Tabelle 2 im Anhang den folgenden Wert fur die unbekannte Schranke c:
P( - c
~
U
~ C)H
o
= ¢(c) - ¢( -
c)
= ¢(c) - [1 - ¢(c)] =
= 2 . ¢(c) - 1 = 0,99 ¢(c) = 0,995
--+
c
= U O,995 = 2,576
Der nicht-kritische Bereich oder Annahmebereich wird somit durch das symmetrische Intervall - 2,576
~
u
~
2,576
beschrie ben. 3. Schritt: Der Stichprobenmittelwert
x betragt
10
x= . I 10 -1
Xi
= -1 (20 + 22 + ... + 20) mm = 20 mm 10
i= 1
Die Testvariable U besitzt demnach den folgenden Testwert: A
X - J10
(20 - 22) mm
(Jj~
3 mmjjiO
u = -- =
= - 2 108 ,
u
4. Schritt (Testentscheidung): Der Testwert = - 2,108 fallt in den Annahmebereich, d.h. es gilt ~ 2,576 ~ ~ 2,576 (Bild 111-49). Die Nullhypothese H 0: J1 = J10 = 22 mm kann daher aufgrund der verwendeten Stichprobe nicht abgelehnt werden. Mit anderen Worten: Wir konnen davon ausgehen, daB die normalverteilte Grundgesamtheit, aus der wir die Stichprobe entnommen haben, den Mittelwert J10 = 22 mm besitzt.
u
556
III Grundlagen der mathematischen Statistik
o
-2,576
2,576
u
Annahmebereich
Bild 111-49 Der Testwert = - 2,108 fallt in den Annahmebereich, die Nullhypothese H o : f.l = f.lo = 22 mm wird daher beibehalten, d.h. nicht abgelehnt
u
Anmerkung
Fur die Zufallsvariable X erhalten wir den kritischen Wert CeJ
2,576 ·3 mm
j;;
J10
c* = - =
=244mm
'
und damit nach (111-172) den Annahmebereich (22 - 2,44) mm
~
x ~ (22 + 2,44) mm
Der beobachtete Stichprobentnittelwert (Bild III-50):
x=
20 mm liegt in diesem Intervall
-
19,56
22 Annahmebereich
Bild III-50
24,44
x
mm
4 Parametertests (2)
557
Einer .normalverteilten Grundgesamtheit mit der Varianz (J 2 == 4 wurde eine Zufallsstichprobe vom Umfang n == 10 entnommen. Dabei ergab sich ein Stichprobenmittelwert von x == 12. Man teste die Nul/hypothese H
°: 11 ~ 11o == 10
gegen die Alternativhypothese H 1:11>10
fur eine vorgegebene Irrtumswahrscheinlichkeit oder Signifikanzzahl von a == 5% (einseitiger Parametertest). Losung: 1. Schritt: Die Signifikanzzahl ist bereits vorgegeben: a == 0,05. 2. Schritt: Die kritische Grenze c fur die standardnormalverteilte Testvariable
x-
11o
X-10
u==--==--
(Jjv0z
2jJ1Q
berechnen wir aus der Bedingung P(U >
C)H
o
== a == 0,05
oder der gleichwertigen Bedingung P(U
~ C)H o
== 1 - a == 1 - 0,05 == 0,95
unter Verwendung von Tabelle 2 im Anhang: P(U ~
C)H
o
~
== ¢(c) == 0,95
c ==
U O,95
== 1,645
Der nicht-kritische Bereich (Annahmebereich) lautet somit (Bild III-51): u
~
1,645
3. Schritt: Wir berechnen nun den Wert der TestgroBe U:
x - 11 (J1v0z
U == _ _0 ==
12 - 10
2jJ1Q
== 3 162
'
4. Schritt (Testentscheidung): Der Testwert u == 3,162 liegt im kritischen Bereich u > 1,645 (Bild III-51). Die Nullhypothese H o : 11 ~Ilo == 10 muB daher auf dem Signifikanzniveau a == 5 % zugunsten der Alternativhypothese HI: 11 > 10 abgelehnt werden. Wir konnen somit davon ausgehen, daB der unbekannte Mittelwert 11 der normalverteilten Grundgesamtheit grofter ist als 10.
558
III Grundlagen der mathematischen Statistik
u=3,162
o Annahmebereich (nicht-kritischer Bereich)
u
1,645
-~
Ablehnung (kritischer Bereich)
u
Bild III-51 Der Testwert = 3,162 fallt in den kritischen Bereich, die Nullhypothese H 0 : 11:::;; 110 = 10 wird daher verworfen
• 4.5.2 Tests fur den unbekannten Mittelwert Jl einer Normalverteilung bei unbekannter Varianz (12 X sei wiederum eine normalverteilte Zufallsvariable. Neben dem Mittelwert u ist diesmal aber auch die Varianz (J2 unbekannt. Wir vermuten jedoch, daB der Mittelwert fl einen bestimmten Wert flo besitzt (fl = flo) und testen daher unter sonst ahnlichen Bedingungen wie im vorangegangenen Abschnitt 4.5.1 die N ullh ypothese H 0 : u = flo
(111-173)
gegen die Alternativhypothese H 1 : fl i= flo Testvariable ist diesmal wegen der unbekannten Varianz
X-IJ T = _ _1""_0
(111-174) (J
2
die Zufallsvariable (111-175)
s/0z Dabei ist S die bereits aus Abschnitt 3.2.4 bekannte Schdtzfunktion fur die (ebenfalls unbekannte) Standardabweichung (J und n der Umfang der Zufallsstichprobe, die diesem zweiseitigen Parametertest zugrunde gelegt wird. Die Testvariable T geniigt dann der t- Verteilung von Student mit J = n - 1 Freiheitsgraden. Bei der Berechnung des kritischen Wertes c bzw. der kritischen Grenzen c; = - c und Co = c ist daher diesmal die Verteilungsfunktion F(t) der t- Verteilung mit J = n - 1 Freiheitsgraden zu verwenden.
4 Parametertests Der zweiseitige Parametertest fur den M ittelwert f1 verlauft dann wie folgt:
559
560
III Grundlagen der mathematischen Statistik
-c
o
c
Bild III-52 Zur Bestimmung des kritischen Wertes c fur die einer t- Verteilung geniigende Testvariable T
H o beibehalten
H o ablehnen
I
a/2
-c Ablehnung (kritischer Bereich)
o Annahmebereich (nicht-kritischer Bereich)
c
--l
Ablehnung (kritischer Bereich)
Bild III-53 Testentscheidung iiber Beibehaltung oder Ablehnung der Nullhypothese H o : u = flo
4 Parametertests
561
Anmerkungen (1)
Bei der Riicktransformation T --+ X mittels der Transformationsgleichung (111-178) erhalt man fur die Zufallsvariable X den kritischen Wert c* == c s/~ und damit den nichtkritischen Bereich (Annahmebereich) flo -
c* ~
x ~ flo + c *
(111-183)
(vgl. hierzu auch Bild III-54). Fallt der aus der Stichprobe berechnete Mittelwert x in dieses Intervall, so wird die Nullhypothese H o beibehalten, anderenfalls muB sie zugunsten der Alternativhypothese H 1 verworfen werden. 1-a
110 - c*
~
110
-
Ablehnung (kritischer Bereich)
-
x
110 + c*
Annahmebereich (nicht-kritischer Bereich)
--l
Ablehnung (kritischer Bereich)
Bild III-54 Annahmebereich bei einem zweiseitigen Test fur den unbekannten Mittelwert J1 einer Normalverteilung (bei unbekannter Varianz 0'2)
(2)
Bei einseitigen Tests gelten sinngemaf die in Abschnitt 4.5.1 in Anmerkung (2) gemachten Bemerkungen, wobei bei der Berechnung der kritischen Grenze c die t-Verteilung von Student mit f == n - 1 Freiheitsgraden anstelle der Standardnormalverteilung zu verwenden ist.
(3)
Bei einer umfangreichen Stichprobe (Faustregel: n > 30) ist die durch Gleichung (III -178) definierte Testvariable T ndherungsweise standardnormalverteilt und wir diirfen daher das in Abschnitt 4.5.1 besprochene Testverfahren an wenden ((J2 ~ S2).
•
Beispiel Ein Hersteller produziert in groBen Mengen Zylinderscheiben mit einem Solldurchmesser von 20,2 mm. Urn die Einhaltung dieses Sollwertes zu iiberpriifen, wird aus der laufenden Produktion eine Stichprobe vom Umfang n == 16entnommen. Die Auswertung dieser Stichprobe ergibt dabei einen mittleren Durchmesser von x == 20,6 mm mit einer empirischen Standardabweichung von s == 0,5 mm. Unter Verwendung dieser Stichprobe testen wir die Nullhypothese
H o : fl ==
flo
== 20,2 mm
gegen die Alternativhypothese H1:
fl
=f.
flo
== 20,2 mm
562
III Grundlagen der mathematischen Statistik auf dem Signifikanzniveau a == 0,05 == 50/0. Der Test solI dabei zweiseitig durchgefiihrt werden, wobei der Durchmesser X der Zylinderscheiben als eine normalverteilte ZufalIsvariable angesehen werden kann. Wir losen diese Aufgabe jetzt schrittweise wie folgt: 1. Schritt: Das Signifikanzniveau ist bereits vorgegeben: a
==
0,05.
2. Schritt: Die Testvariable X - flo
T----- S/~ -
X - 20,2 mm
S/)16
X - 20,2 mm -----S/4
geniigt der t-Verteilung mit f == n - 1 == 16 - 1 == 15 Freiheitsgraden. Die Bestimmungsgleichung fur den kritischen Wert c lautet somit (Bild III-55): P( - c
~
~
T
C)H o == 1 - a == 1 - 0,05 == 0,95
Unter Verwendung von Tabelle 4 im Anhang erhalten wir (bei f den):
==
15 Freiheitsgra-
P( - c ~ T~ C)H o == F(c) - F( - c) == F(c) - [1 - F(c)] == ==
2 . F(c) - 1
f= 15
F (c) == 0,975
c ==
==
0,95
t(0,97 5; 15)
==
2,131
Bild III-55
o
-c
c
Damit ergibt sich der folgende nicht-kritische Bereich (Annahmebereich; vgl. hierzu auch Bild III-56): - 2,131
~
t
~
2,131
x
3. Schritt: Mit flo == 20,2 mm, n == 16, == 20,6 mm und s fur die Testvariable T einen Test- oder Priifwert von ~
x-
flo
t = = - - ==
s/~
(20,6 - 20,2) mm 0,5 mm/)16
==
==
0,5 mmerhalten wir
32 ,
4. Schritt (Testentscheidung): Der Testwert t == 3,2 fallt in den kritischen Bereich r] > 2,131 (Bild III-56). Die Nullhypothese H o : fl == flo == 20,2 mm ist somit abzu1
lehnen.
4 Parametertests
Ablehnung (kritischer Bereich)
563
Annahmebereich (nlcnt-kritischer Bereich)
-l
Ablehnung (kritischer Bereich)
Bild III-56 Der Testwert i = 3,2 fallt in den kritischen Bereich, die NulIhypothese H o : u = flo = 20,2 mm wird daher abgelehnt
Die Abweichung des Stichprobenmittelwertes x = 20,6 mm vom vorgeschriebenen Sol1wert /10 = 20,2 mm ist also signifikant und kann nicht mehr allein aus der Zufdlligkeit der verwendeten Stichprobe erklart werden. Der Produknonsprozef wird daher unterbrochen und die Fehlersuche eingeleitet.
•
4.5.3 Tests fur die Gleichheit der unbekannten Mittelwerte Pl und P2 zweier N ormalverteilungen (Differenzentests) 4.5.3.1 Abhangige und unabhangige Stichproben In der Anwendung stellt sich haufig das Problem festzustellen, ob die Mlttelwerte /11 und /12 zweier normalverteilter Grundgesamtheiten iibereinstimmen oder ob sie sich signifikant voneinander unterscheiden.Zii Priifzwecken entnehmen wir daher den beiden Grundgesamtheiten, die wir durch die Zufallsvariablen X und Y beschreiben, zunachst jeweils eine Zufallsstichprobe 33): bzw.
(111-184)
Unter Verwendung dieser Stichproben solI dann die
(111-185)
Nullhypothese H o : /11 = /12 gegen die
(111-186)
Alternativhypothese H 1 : /11 "# /12
getestet werden. Der Ablauf dieses zweiseitigen Tests hangt dabei noch ganz wesentlich davon ab, ob die verwendeten Stichproben voneinander abhdngig sind oder ob es sich um unabhdngige Stichproben handelt. Definitionsgemaf gilt: 33)
Die heiden Stichprohen konnen durchaus von unterschiedlichem Umfang sein (n 1
=1=
n2 ) .
III Grundlagen der mathematischen Statistik
564
Anmerkungen (1) Zwischen abhdngigen Stichproben besteht somit eine Kopplung. Man spricht daher in diesem Zusammenhang auch von verbundenen oder korrelierten Stichproben. (2)
Zwei Stichproben, die diese beiden Bedingungen nicht zugleich erfullen, heiBen dagegen voneinander unabhdngig tunabhdngige Stichproben). So sind beispielsweise zwei Stichproben von unterschiedlichem Umfang stets voneinander unabhdngig.
Wir erlautern diese Begriffe an zwei einfachen Beispielen. •
Beispiele
(1)
Der Vergleich zweier MeBverfahren oder zweier Meligerate fiihrt haufig zu abhdngigen oder verbundenen Stichproben, wie das folgende Beispiel zeigen soll: Aus einer Serienproduktion von Widerstanden mit einem bestimmten vorgegebenen Sollwert (der hier nicht naher interessiert) entnehmen wir wahllos n Widerstande, die wir der Reihe nach von 1 bis n durchnumerieren 'und durch die Symbole
kennzeichnen. Dann messen wir den Widerstandswert eines jeden dieser Widerstande mit zwei verschiedenen Meligeraten und erhalten somit fur den i-ten Widerstand R, genau zwei MeBwerte Xi und Yi (i == 1, 2, ... , n). Die beiden MeBreihen und sind vom gleichen Umfang und konnen dabei als Stichproben aus zwei normalverteilten Grundgesamtheiten aufgefaBt werden, die wir durch die Zufallsvariablen X und Y beschreiben. Offensichtlich handelt es sich dabei um zwei abhdngige oder verbundene Stichproben:
4 Parametertests
565
Die umkehrbar eindeutige Zuordnungsvorschrift lautet: (i == 1, 2, ... , n)
Zum Widerstand R, gehort somit das Wertpaar (Xi; (2)
yJ.
Ein Automobilhersteller produziert einen bestimmten Autotyp an zwei verschiedenen Standorten A und B. Um den mittleren Benzinverbrauch der Fahrzeuge in Abhangigkeit von ihrem Produktionsstandort miteinander vergleichen zu konnen, werden in beiden Werken Testjahrzeuge ausgewahlt und deren mittlerer Benzinverbrauch ermittelt:
Dabei bedeuten: Xi: Mittlerer Benzinverbrauch des i-ten Testfahrzeugs aus Werk A (i == 1, 2, ... , n 1 ) Yk: Mittlerer Benzinverbrauch des k-ten Testfahrzeugs aus Werk B (k == 1, 2, ... , n.2 )
Die beiden Stichproben sind offensichtlich voneinander unabhdngig, da keinerlei Zusammenhang zwischen den Fahrzeugen der beiden Werke erkennbar ist. Diese Aussage gilt auch im Sonderfall n 1 == n 2 , d.h. wenn aus beiden Werken gleichviele Testfahrzeuge ausgesucht werden.
• 4.5.3.2 Differenzentests bei abhangigen Stichproben Bei abhdngigen oder verbundenen Stichproben laBt sich der DifJerenzentest auf die in den Abschnitten 4.5.1 und 4.5.2 beschriebenen Parametertests fur den Mittelwert u einer normalverteilten Grundgesamtheit zuriickfiihren.
566
III Grundlagen der mathematischen Statistik
Wir beschreiben den zweiseitigen Differenzentest wie folgt:
4 Parametertests
567
Anmerkung Es wird also getestet, ob die durch Differenzbildung erhaltene Stichprobe z l' Z2, ... , Zn einer normalverteilten Grundgesamtheit mit dem Mittelwert f1 = 0 entstammt. Wir miissen dabei noch zwei Falle unterscheiden, je nachdem ob die Varianz (I2 dieser Grundgesamtheit bekannt oder unbekannt ist: 1. Fall: Die Varianzen (It und (I; der beiden Zufallsvariablen X und Y sind bekannt. Dann aber gilt 2 (It (II (It + (I; (I=-+-=--n n n
(III -195)
und wir konnen das in Abschnitt 4.5.1 besprochene Priifverfahren anwenden (die verwendete Testvariable ist in diesem Fall standardnormalverteilt). Diese Aussage gilt ndherungsweise auch bei unbekannten Varianzen, sofern die verwendeten abhangigen Stichproben hinreichend umfangreich sind (Faustregel: n > 30). In diesem Fall verwendet manals Schdtzwert fur die unbekannte Varianz (I2 die Stichprobenvarianz S2 (d.h. die Varianz der Stichprobe Zl, Z2, ... , zn). Inder Praxis wird man daher nach Moglichkeit immer auf umfangreiche abhdngige Stichproben zuriickgreifen. 2. Fall: Die Varianzen (It und (I; der beiden Zufallsvariablen X und Y sind unbekannt. Dann bleibt auch die Varianz (I2 unbekannt und wir miissen das in Abschnitt 4.5.2 dargestellte Testverfahren verwenden (die Testvariable gcniigt jetzt einer t-Verteilung mit f = n - 1 Freiheitsgraden). Dieser Fall tritt ein bei kleinen abhdngigen Stichproben mit n ~ 30.
•
Beispiel
Zwei verschiedene MeBmethoden fur elektrische Widerstande sollen miteinander verglichen werden. Aus diesem Grund wurden an 6 Widerstanden Parallelmessungen vorgenommen, die zu dem folgenden MeBprotokoll fiihrten (Xi: MeBwerte nach der Methode A; Yi: MeBwerte nach der Methode B; alle Werte in Q): i
1
2
3
4
5
6
Xi
100,5
102,0
104,3
101,5
98,4
102,9
Yi
98,2
99,1
102,4
101,1
96,2
101,8
Zu jedem der 6 Widerstande gehort genau ein Wertepaar (Xi; yJ. Es handelt sich also urn abhdngige Stichproben (MeBreihen). Durch Differenzbildung z, = Xi - Yi erhalten wir dann die folgende Stichpro be (alle Werte in Q):
2,3
2
3
4
5
6
2,9
1,9
0,4
2,2
1,1
III Grundlagen der mathematischen Statistik
568
1. Schritt: Das Signifikanzniveau ist vorgegeben: 2. Schritt: Wegen der unbekannten Varianz
Z -J.10
Z
s/0z
s/~
2
(J
r:J,
== 0,01.
miissen wir die Testvariable
T==--==--
verwenden, die der t-Verteilung mit f == n - 1 == 5 Freiheitsgraden geniigt. Den kritischen Wert c bestimmen wir dann aus der Bestimmungsgleichung P( - c
~
T
~
C)H o == 1 - a == 1 - 0,01 == 0,99
unter Verwendung von Tabelle 4 im Anhang (Bild III-57):
P( - c
~
T
~
C)H o = F(c) - F( - c) == F(c) - [1 - F(c)] ==
== 2 . F (c) - 1 == 0,99 F(c) == 0,995
f=5
c ==
t(0,995; 5)
== 4,032
Bild III-57
o
-c
c
Der nicht-kritische Bereich (Annahmebereich) lautet daher:
- 4,032 ~ t
~
4,032
569
4 Parametertests
3. Schritt: Wir berechnen nun den Mittelwert 2 und die Standardabweichung s der Stichprobe unter Verwendung der folgenden TabelIe:
_ Z
2,3
0,5
0,25
2
2,9
1,1
1,21
3
1,9
0,1
0,01
4
0,4
-1,4
1,96
5
2,2
0,4
0,16
6
1,1
-0,7
0,49
1
=_. 6
6
L z,
1
=
6° 10,8 o =
1,8 o
i= 1 6 S2
= _1_. \ 6-1
L
(z, -
2)2
= -51 ·4,08 0 2 = 0,816 0 2
i = 1
s = )0,8160 2 = 0,903 0
Damit erhalten wir fur die Testvariable T den folgenden Test- oder Prifwen: ~ 2 - Jlo (1,8 - 0) Q t=--= =4883 s/0z 0,903 0/)6 ,
t
4. Schritt (Testentscheidung): Der Testwert = 4,883 fallt in den kritischen Bereich It I > 4,032 (Bild III -58). Die N ullhypothese H 0 : Jl == Jlo = ist somit abzulehnen. Die beiden MeBmethoden konnen daher nicht als gleichwertig angesehen werden.
°
III Grundlagen der mathematischen Statistik
570
0,99
0,005
0,005
-4,032
~
°
-
Ablehnung (kritischer Bereich)
4,032
Annahmebereich (nicht-kritischer Bereich)
t=4,883
--l
Ablehnung (kritischer Bereich)
Bild III-58 Der Testwert i = 4,883 fallt in den kritischen Bereich, die Nullhypothese H o : fl = flo = 0 wird daher abgelehnt
• 4.5.3.3 Differenzentests bei unabhangigen Stichproben Wir testen jetzt die Nullhypothese H o: 111 == 112
(111-196)
gegen die Alternativhypothese H 1 : 111 i= 112
(111-197)
unter Verwendung von unabhdngigen Stichproben und
(III -198)
mit den Stichprobenumfangen n 1 und n 2 . Der Differenzentest hangt dabei noch ganz wesentlich davon ab, ob die Varianzen af und at der beiden zugehorigen normalverteilten Zufallsvariablen X und Y bekannt sind oder nicht. Wir unterscheiden daher noch zwei FaHe:
1. Fall: Differenzentest fur die Mittelwerte III und 112 zweier Normalverteilungen mit bekannten Varianzen u; und ui Trifft die Nullhypothese H o zu, gilt also 111 == 112 und sind die Varianzen af und at der beiden normalverteilten Grundgesamtheiten bekannt, so ist die Zufallsvariable Z == X - Y ebenfalls normalverteilt mit dem Mittelwert 11 == 0 und der Varianz (III -199) X und Y sind dabei die bereits aus Abschnitt 3.2.3 bekannten Schdtzfunktionen fur die beiden unbekannten Mittelwerte 111 und 112.
4 Parametertests
571
Als Testvariable eignet sich dann die standardnormalverteilte Zufallsvariable
z X-y u=-=-(J
(111-200)
(J
Die Nullhypothese (111-201)
H o : fJl = fJ2
wird dabei nur dann beibehalten (d.h. nicht abgelehnt), wenn die aus den beiden Stichprobenmittelwerten X und y gebildete Differenz X - Y nicht signifikant vorn Wert Null abweicht. Die kritischen Grenzen =+= c * miissen daher nach Vorgabe einer (kleinen) Signifikanzzahl (Irrtumswahrscheinlichkeit) rJ. so bestimmt werden, daB die Werte der Zufallsvariablen Z = X - Y mit der statistischen Sicherheit (Wahrscheinlichkeit) y == 1 - a in den nicht-kritischen Bereich (Annahmebereich) fallen (hellgrau unterlegte Flache in Bild III-59).
o
-c*
x-y
c*
Bild III-59 Zur Bestimmung der kritischen Grenzen
+ c* fur
die Zufallsvariable Z =
X- Y
Die Bedingung fur den kritischen Wert c* lautet somit:
P(-c*
~
~
X - Y
C*)H o == Y == 1 -
rJ.
(111-202)
Beim Ubergang von der Zufallsvariablen Z == X - Y zur standardnormalverteilten Test-
Z
X-Y
(J
(J
variablen U == - == - - - wird daraus die Bedingung
P(
c*
c*)
--~U~(J
(J
==y==l-rJ. H
(111-203)
o
die wir unter Verwendung der Abkiirzung c == c*/(J auch wie folgt schreiben konnen: P ( - c ~ U ~ c)H 0 == y == 1 -
rJ.
(III -204)
Die Konstante c, d. h. der kritische Wert fur die Testvariable U HiBt sich mit Hilfe von Tabelle 2 im Anhang bestimmen (Tabelle der Quantile der Standardnormalverteilung). Der Annahmebereich oder nicht-kritische Bereich liegt dann zwischen den beiden Grenzen c; == - c und Co = c (Bild 111-60).
III Grundlagen der mathematischen Statistik
572
r
-c
A blehnung (kritischer Bereich)
o
c
u
-.
Ablehnung (kritischer Bereich)
Annahmebereich (nicht-kritischer Bereich)
Bild 111-60 Zur Bestimmung des kritischen Wertes c fur die standardnormalverteilte Testvariable U
Wir berechnen nun die Mittelwerte x und y der beiden vorgegebenen unabhangigen Stichproben und daraus den Wert der Testvariablen U: A
x-y
(111-205)
U==-(J
Es folgt dann die Testentscheidung: Fallt der Test- oder Prufwert 11 in das Intervall (111-206)
-c~u~c
(Annahmebereich), so wird die Nullhypothese H o: III == 112 beibehalten (d.h. nicht abgelehnt), anderenfalls aber zugunsten derAlternativhypothese H 1 : III -=1= 112 abgelehnt (Bild 111-61).
H o beibehalten
1-a
H o ablehnen
a/2
-c Ablehnung (kritischer Bereich)
o Annahmebereich (nicht-kritischer Bereich)
c
u
-:
Ablehnung (kritischer Bereich)
Bild 111-61 Testentscheidung tiber Beibehaltung oder Ablehnung der Nullhypothese H o : /11
= /12
4 Parametertests Wir fassen diesen Parametertest wie folgt zusammen:
573
III Grundlagen der mathematischen Statistik
574
Anmerkungen
(1)
Fur die Zufallsvariable Z = X - Y =
(J
U erhalt man somit den kritischen Wert
(111-215) Fallt die aus den beiden Stichprobenmittelwerten x und in den Annahmebereich - c*
~
X-
y gebildete Differenz x- y
Y ~ c*
(111-216)
so wird die Nullhypothese H o beibehalten (d.h. nicht abgelehnt), anderenfalls muB sie zugunsten der Alternativhypothese H 1 verworfen werden (Bild III-62).
-c*
blehnUng
~
(kritischer Bereich)
o Annahmebereich (nicht-kritischer Bereich)
c*
x-y
-l
Ablehnung (kritischer Bereich)
Bild 111-62 Annahmebereich beim zweiseitigen Differenzentest fur Mittelwerte (bei bekannten Varianzen und Verwendung unabhangiger Stichproben)
4 Parametertests
575
(2)
Dieser Differenzentest UiBt sich auch fur einseitige Fragestellungen durchfuhren. In diesem Fall gibt es nut eine kritische Grenze (vgl. hierzu Anmerkung (2) in Abschnitt 4.5.1).
(3)
Bei umfangreichen Stichproben (Faustregel: n 1 , n2 > 30) diirfen die Varianzen af und at ndherungsweise durch ihre Schdtzwerte sf und st, d.h. durchdie Stichprobenvarianzen ersetzt werden, falls sie unbekannt sein sollten (vgl. hierzu das nachfolgende Beispiel).
•
Beispiel Mit dem DifJerenzentest soIl gepriift werden, ob die auf zwei verschiedenen Maschinen A und B hergestellten Gliihbimen im Mittel - wie vermutet wird die gleiche Lebensdauer besitzen. Dabei konnen wir davon ausgehen, daB die beiden Zufallsvariablen
x = Lebensdauer einer auf der M aschine A produzierten Gliihbirne und
Y = Lebensdauer einer auf der Maschine B produzierten Gliihbirne normalverteilt sind. Zu Priifzwecken entnehmen wir daher den beiden (normalverteilten) Grundgesamtheiten jeweils eine Stichprobe, deren Auswertung zu dem folgenden Ergebnis fiihrte (Angabe von Umfang, Mittelwert und Standardabweichung der jeweiligen Stichprobe):
x=
520 h,
Sl =
50 h
y=
500 h,
S2 =
45 h
Da die Stichprobenumfange hinreichend groft sind (n1 = 80 > 30, n2 = 50 > 30), diirfen wir die unbekannten Varianzen af und at der beiden Grundgesamtheiten ndherungsweise durch die Stichprobenvarianzen sf = (50 h)2 =2500 h 2 s5: = (45 h)2 = 2025 h 2 und
ersetzen. Wir testen jetzt die Nullhypothese H o : f11 =
f12
gegen die Alternativhypothese
H 1 : f11
=1= f12
schrittweise wie folgt: 1. Schritt: Wir wahlen als Signifikanzzahl (Irrtumswahrscheinlichkeit) a = 0,01.
III Grundlagen der mathematischen Statistik
576
2. Schritt: Berechnung der Varianz a 2 der Zufallsvariablen Z chung (111-199): a2
==
x - Y nach Glei-
af. + -a; ~ -sf + -s; == (2500 2025) 2 h - - + - - h == 71 75 2
== -
n2
»,
n2
»,
80
50
Die Standardabweichung betragt somit a == )71,75 h 2 Wert c fur unsere standardnormalverteilte Testvariable
X-y
'
==
8,471 h. Der kritische
X-y
u- - ---8,471 - -h a wird aus der Bedingung P( - c
~
U
~
C)H o
==
1 - a == 1 - 0,01 == 0,99
wie folgt unter Verwendung von Tabelle 2 im Anhang bestimmt (vgl. hierzu Bild 111-63): P(-c
~
U
~
C)H o == ¢(c) - ¢(-c) == ~
¢(c) == 0,995
==
¢(c) - [1 - ¢(c)] ==
2 . ¢(c) - 1 == 0,99 c ==
U O,995
==
2,576
Bild 111-63
o
-c
c
u
Der nicht-kritische Bereich (Annahmebereich) ist somit durch das symmetrische Intervall - 2,576
~ U ~
2,576
gegeben (Bild III -64).
3. Schritt: Mit x == 520 h, Y == 500 h und a ble U den folgenden Test- oder Prufwert: A
U
X-
Y
== - - ==
a
(520 - 500) h == 2361 8,471 h '
==
8,471 h erhalten wir fur die Testvaria-
4 Parametertests
577
u
4. Schritt (Testentscheidung): Unser Testwert = 2,361 fallt in den Annahmebereich, d.h. es gilt - 2,576 ~ u ~ 2,576 (Bild 111-64). Die Testentscheidung lautet daher: Aufgrund der verwendeten Stichprobe kann die Nullhypothese H o : III = 112 nicht abgelehnt werden. Wir konnen somit davon ausgehen, daB beide Maschinen Gliihbirnen von gleicher mittlerer Lebensdauer produzieren. Zumindest spricht das Stichprobenmaterial nicht gegen diese Annahme. 0,99
u=2,361 0,005
0,005
o
-2,576
~
2,576
u
_.
-~
Annahmebereich (nicht-kritischer Bereich)
Ablehnung (kritischer Bereich)
Ablehnung (kritischer Bereich)
Bild 111-64 Der Testwert u = 2,361 fallt in den Annahmebereich, die Nullhypothese H 0 : J11 = J12 wird daher beibehalten, d. h. nicht abgelehnt
• 2. Fall: Differenzentest fur die Mittelwerte III und 112 zweier N ormalverteilungen mit gleicher, aber unbekannter Varianz (a; = at) Bisher sind wir von normalverteilten Zufallsvariablen X und Y mit bekannten Varianzen alausgegangen. Etwas anders liegen die Verhaltnisse, wenn die Varianzen zwar als gleich angesehen werden konnen (af = al), jedoch unbekannt sind. In diesem Fall verwendet man (unter sonst gleichen Voraussetzungen) als Testgroj3e die Zufallsvariable
af und
T=
n l n 2 (n l
nl
+ n2 + n2
-
2)
X - Y
J(n l
-
l)Sf
(111-217)
+ (n2
-
l)Sl
die der t- Verteilung von Student mit J = n l + n 2 - 2 Freiheitsgraden geniigt 34). n l und n 2 sind dabei wiederum die Umfiinge der verwendeten unabhiingigen Zufallsstichproben, Sf und S1die bereits aus Abschnitt 3.2.4 bekannten Schdtzfunktionen fur die unbekannten Varianzen af und al.
34)
Unter der Voraussetzung, daB die Nullhypothese H o :111
= 112
zutrifft.
578
III Grundlagen der mathematischen Statistik
Der zweiseitige Parametertest verlauft jetzt nach dem folgenden Schema:
4 Parametertests
n
579
-c
kritischer Bereich (Ablehnung)
o nicht-kritischer Bereich (Annahmebereich)
c
-J
kritischer Bereich (Ablehnung)
Bild 111-65 Zur Bestimmung des kritischen Wertes c fur die einer t-Verteilung geniigende Testvariable T
III Grundlagen der mathematischen Statistik
580
H o beibehalten
H o ablehnen
n
o
-c
Ablehnung (kritischer Bereich)
c
Annahmebereich (nicht-kritischer Bereich)
--l
Ablehnung (kritischer Bereich)
I
Bild 111-66 Testentscheidung tiber Beibehaltung oder Ablehnung der Nullhypothcse
H o : /11 = /12
Anmerkungen (1) Bei gleichem Stichprobenumfang (n 1 = n2 = n) vereinfacht sich die Formel (111-225) zur Ermittlung des Test- oder Prifwertes wie folgt: t-- =
vrn
x-y 0
Jsf + si
=
[;f;
-2--2
Sl
+ S2
0
(x - jl)
(111-227)
(2)
Dieser Differenzentest HiBt sich auch fur einseitige Fragestellungen durchfiihren. In diesem Fall gibt es nur eine kritische Grenze (vgl. Anmerkung (2)in Abschnitt 405.1).
(3)
Wird die Nullhypothese H 0: f.11 = folgenden Beziehungen: f.11
=
f.12
f.12
beibehalten (doh. nicht abgelehnt), so gelten die
und
(111-228)
Die beiden unabhangigen Stichproben stammen somit aus der gleichen Grundgesamtheit.
•
Beispiel Durch eine Stichprobenuntersuchung solI die Leistung zweier Olpumpen miteinander verglichen werden. Wir setzen dabei voraus, daB die beiden Zufallsvariablen X
= Gefiirdertes Olvolumen pro Minute bei Pumpe A
und Y = Gefiirdertes Olvatumen pro Minute bei Pumpe B
normalverteilt sind und die gleiche, aber unbekannte Varianz besitzen (a-; = ai).
4 Parametertests
581
Eine konkrete Stichprobenuntersuchung erbrachte das folgende Ergebnis:
x == 50 Lrnin,
S1
== 4,2 l/min
y == 45 l/min,
S2
== 4,8 l/min
Konnen wir aus diesen unabhdngigen Stichproben schlieBen, daB die Pumpe B weniger leistet als die Pumpe A? Urn diese Frage beantworten zu konnen, fiihren wir einen einseitigen Differenzentest durch. Wir testen dabei die Nullhypothese
n.; 111
~ 112
gegen die Alternativhypothese H 1 : 111 > 112
schrittweise wie folgt: 1. Schritt: Als Signifikanzzahl (Irrtumswahrscheinlichkeit) wahlen wir rt == 0,05. 2. Schritt: Die Testvariable Taus Gleichung (III -221) nimmt dann mit der statistischen Sicherheit y == 1 - rt== 0,95 Werte aus dem einseitigen Intervall T ~ c an (Bild 111-67): 0,95
Bild 111-67
o
c
Aus der Bedingung P(T ~
C)H o
== 1 - rt == 1 - 0,05 == 0,95
bestimmen wir mit Hilfe der Tabelle 4 im Anhang die kritische Grenze c (Anzahl der Freiheitsgrade: f == n 1 + n 2 - 2 == 10 + 12 - 2 == 20): P(T ~
C)Ho
== F(c) == 0,95
f=20 ------+)
C
==
t(0,95;20)==
1,725
Der nicht-kritische Bereich (Annahmebereich) lautet somit (Bild 111-68): t
~
1,725
3. Schritt: Aus den bekannten Mittelwerten und Varianzen der beiden unabhangigen Stichproben berechnen wir zunachst die HilfsgrofJe S2 nach Formel (111-224): S2
2
== (n 1 -1)sf + (n 2 -1)si == (9.4,2 + 11· 4,82)~ == 2061 ~ n1
+ n2
-
2
20
min 2
'
min?
III Grundlagen der mathematischen Statistik
582
Daraus erhalten wir den folgenden Test- oder Priqwert fur unsere Testvariable T:
~
_[gfln2
t-
nl
+ n2
X-
Y_
.---
N0'
12 (50 - 45) Ijmin_ -2,572 22 J20,611jmin
--.
s
4. Schritt (Testentscheidung): Der aus der Stichprobenuntersuchung erhaltene Testoder Prifwert t = 2,572 fallt in den kritischen Bereich t > 1,725 (Bild 111-68). Wir miissen daher die Nu11hypothese H o : 111 ~ 112 zugunsten der Alternativhypothese H 1: 111 > 112 verwerfen und konnen somit davon ausgehen, daB (bei einer Irrtumswahrscheinlichkeit von 50/0) die Pumpe B tatsachlich weniger leistet als die Pumpe A.
o
1,725
-~
Annahmebereich (nicht-kritischer Bereich)
Bild 111-68 Der Testwert
i=
Ablehnung (kritischer Bereich)
2,572 fallt in den kritischen Bereich, die Nullhypothese
H o : 111 ~ 112 wird daher verworfen
• 4.5.4 Tests fur die unbekannte Varianz
(12
einer Normalverteilung
Urn beispielsweise die Gleichmdfiigkeit eines Produktionsablaufes oder die Genauigkeit eines MeBinstrumentes beurteilen und bewerten zu konnen, benotigt man Kenntnisse iiber die Varianzen der entsprechenden Zufallsgrolien. Diese aber sind in der Praxis meist unbekannt. Eine in den technischen Anwendungen daher haufig auftretende Aufgabe besteht darin, mit Hilfe einer Stichprobenuntersuchung zu priifen, ob die unbekannte Varianz (J 2 einer normalverteilten Zufallsvariablen X einen bestimmten Wert (J 6 besitzt, wie man z.B. aufgrund langjahriger Erfahrungen vermutet oder infolge einer speziellen Maschinen- oder Automateneinstellung erwartet. Bei der Losung dieser Aufgabe erweist sich die Zufallsvariable S2
Z
= (n -1)-
(111-229)
(J6
als eine geeignete Test- oder Prifvariable, wobei n der Umfang der verwendeten Stichprobe Xl' X 2 , .•. , x; und S 2 die bereits aus Abschnitt 3.2.4 bekannte Schdtzfunktion fur die unbekannte Varianz (J 2 sind. Die Testvariable Z geniigt dabei der Chi-Quadrat- Verteilung mit f = n - 1 Freiheitsgraden.
4 Parametertests Der zweiseitige Parametertest verlauft dann nach dem folgenden Schema:
583
III Grundlagen der mathematischen Statistik
584
Bild 111-69 Zur Bestimmung der kritischen Grenzen Chi-Quadrat-Verteilung geniigende Testvariable Z
1-a
At:~~Ung (kritischer Bereich)
C1
und
C2
fiir die einer
H o beibehalten
Annahmebereich (nicht-kritischer Bereich)
Ablehn~;;'l (kritischer Bereich)
Bild 111-70 Testentscheidung tiber Beibehaltung oder Ablehnung der Nullhypothese H o : (J2 = (J~
585
4 Parametertestas Anmerkungen
(1)
Der beschriebene Test ist zugleichauch ein Test fur die (ebenfalls unbekannte) Standardabweichung (J der normalverteilten Grundgesamtheit. Der Nullhypothese H 0 : (J == (J 0 fur die Standardabweichung entspricht dabei die Nullhypothese H 0 : (J 2 == (J 6 fur die Varianz.
(2)
Analog verlaufen die einseitigen Parametertests, bei denen es jeweils nur eine kritische Grenze c gibt. Diese liifit sich aus den folgenden Bedingungen mit Hilfe von Tabelle 3 im Anhang leicht bestimmen: 1. Fall: Abgrenzung nach oben (Bild 111-71) 1-a
P(Z ::::;; C)H o == 1 -
ri
Annahmebereich: z ::::;; c
o
c Annahmebereich
a
I_
Z
Ablehnu~g-1
kritische Grenze
Bild 111-71 Annahmebereich bei einem einseitigen Test (Abgrenzung nach oben)
2. Fall: Abgrenzung nach unten (Bild 111-72)
P(Z. < C)H o ==
ri
Annahmebereich: z
~ C
a
o 1-
c
-~
AbJehnung
z
Annahmebereich
kritische Grenze
Bild 111-72 Annahmebereich bei einem einseitigen Test (Abgrenzung nach unten)
586 •
III Grundlagen der mathematischen Statistik Beispiel
Bei der Serienherstellung von Schrauben mit einer bestimmten Lange kann die Zufallsvariable
x = Lange einer Schraube als eine normalverteilte Grobe betrachtet werden. Aufgrund langjahriger Erfahrungen weiB man, daB die Standardabweichung einen Wert von (50 = 1,2 mm besitzt. Eine zu Kontrollzwecken entnommene Zufallsstichprobe vom Umfang n = 25 ergab jedoch eine empirische Standardabweichung von s = 1,5 mm. Kann diese Abweichung noch durch zufdliige Schwankungen erklart werden oder ist sie signijikant?
Liisung: Urn eine Entscheidung treffen zu konnen, ob die beobachtete Abweichung zufallsbedingt ist oder nicht, fiihren wir hier sinnvoller Weise einen einseitigen Parametertest durch und testen daher die Nullhypothese H o : (52
~
(55
= 1,44 mm?
gegen die Alternativhypothese
H1 :
(52
>
(55
= 1,44 mm?
schrittweise wie folgt: 1. Schritt: Wir wahlen das Signijikanzniveau rx
= 0,01.
2. Schritt: Die Testvariable Z
S2
S2
(56
1,44 mm '
= (n -1)- = 2 4 · - - -
geniigt dann einer Chi-Quadrat-Verteilung mit j = n - 1 = 24"Freiheitsgraden. Die Berechnung der kritischen Grenze c erfolgt dabei aus der Bedingung
P(Z
~ C)H o
= 1 - rx = 1 - 0,01 = 0,99
(Bild III-73). 0,99
Bild 111-73
o
c
z
Unter Verwendung von Tabelle 3 aus dem Anhang erhalten wir:
P(Z
~ C)H o
= F(c) = 0,99
f=24
c=
Z(0,99;24)
= 43
587
4 Parametertests Der nicht-kritische Bereich (Annahmebereich) lautet somit (Bild 111-74): z ~ 43
3. Schritt: Mit n = 25, oder Priifwert
S2
= 2,25 mm? und (J6 = 1,44 mm ' erhalten wir den Test225 mm '
S2
Z = (n - 1) - = 24· ' = 37 5 (J6 1,44 mrrr' ' furdie Testvariable Z.
z
4. Schritt (Testentscheidung): Da der Test- oder Priifwert = 37~5 in den Annahmebereich z ~. 43 fallt, kann die Nullhypothese H a: (J2 ~ (J6 = 1,44 mm ' auf der Basis der verwendeten Stichprobe nicht abgelehnt werden (Bild 111-74). Die Abweichung der Stichprobenvarianz S2 = 2,25 mrrr' vom langjahrigen Erfahrungswert (J5 = 1,44 mm ' ist daher auf dem gewahlten Signifikanzniveau a =0,01 = 1 % als zufallsbedingt zu betrachten. Die gleiche Aussage gilt dann auch fur die Standardabweichung, d.h. wir konnen davon ausgehen, daB die Standardabweichung den Wert (J = (Ja = 1,2 mm besitzt.
0,99
o
H o beibehalten
z=37,5
Annahmebereich (nicht-kritischer Bereich)
z
43
-l
Ablehnung (kritischer Bereich)
z
Bild 111-74. Der Testwert = 37,5 fallt in den Annahmebereich, die NulIhypothese H o : (J2 ~ (J6 = 1,44 mm ' wird daher beibehalten, d.h. nicht abgelehnt
•
4.5.5 Tests fur einen unbekannten Anteilswert p (Parameter p einer Binomialverteilung) In einer statistischen Qualitiitskontrolle hat man es haufig mit einer binomialverteilten Grundgesamtheit zu tun, deren Parameter p jedoch unbekannt ist. Ein Musterbeispiel dafiir ist der Ausschuj3anteil p bei der Serienfabrikation von speziellen Bauelementen, d. h. also der Anteil p an fehlerhaften Teilen in der Gesamtproduktion.
588
III Grundlagen der mathematischen Statistik
Wird in einem konkreten Fall dabeivermutet, daB dieser Parameter einen bestimmten Wert Po besitzt (p == Po), so HiBt sich diese Hypothese durch einen geeigneten Parametertest iiberpriifen: Mantestet dann mittels einer Stichprobenuntersuchung die Nullhypothese (111-238) gegen die Alternativhypothese (111-239)
H 1 : P =F Po nach dem bereits bekannten Schema schrittweise wie fogt: (1)
Wir wahlen zunachst wieder eine bestimmte (kleine) Signifikanzzahl (Irrtumswahrscheinlichkeit) rx (0 < rx < 1).
(2)
Als Schdtzfunktion fur den unbekannten Parameter p verwenden wir die MaximumLikelihood-Schdtzfunktion
-- X p==-
(111-240)
n
die uns bereits aus den Abschnitten 3.2.5 und 3.3.2.1 vertraut ist 35). Diese Zufallsvariable ist binomialverteilt mit dem Mittel- oder Erwartungswert ECP) == Po und der Varianz Var(P) == Po(l- po)/n (immer unter der Voraussetzung, daB die Nullhypothese H o: p == Po auch zutrifft). Bei Verwendung umfangreicher Stichproben 36) folgt dann aus dem Grenzwertsatz von M oivre und Laplace, daB sich die Schdtzfunktion P anndhernd normalverteilt verhalt und zwar mit dem Mittelwert u == Po und der Varianz (J2 == Po(1 - po)/n. Die zugehorige standardisierte Zufallsvariable
P-j1 U
P-p
== - ( J - = Jpo(1 ;:Opo) =
~--
-J~' (P -
Po)
(111-241)
ist dann ndherungsweise standardnormalverteilt und erweist sich als eine geeignete Testvariable fur diesen Parametertest. (3)
35)
Der weitere Ablauf dieses zweiseitigen Tests verlauft dann wie bereits in Abschnitt 4.5.1 ausfiihrlich beschrieben.
Die Zufallsvariable X
=
Anzahl der .Erfolge" bei einer n-fachen Ausfiihrung des Bernoulli-Experiments
ist normalverteilt mit dem Mittelwert E(X) = npo und der Varianz Var(X) = nPo(1 - Po) (vgl. hierzu Kapitel II, Abschnitt 6.1). Ais .Erfolg" wird dabei das Eintreten des Ereignisses A gewertet. 36)
Faustregel: Eine Stichprobe wirdals umfangreich betrachtet, wenn die Bedingung nPo(1 - Po) > 9 erfiillt ist.
4 Parametertests
589
III Grundlagen der mathematischen Statistik
590
-c
o
c
--l
Bild 111-75
Ablehnung (kritischer Bereich)
Annahmebereich (nicht-kritischer Bereich)
Ablehnung (kritischer Bereich)
u
Ho beibehalten
1-a
Ho ablehnen
a/2
-c
I I I
:;blehnUng (kritischer Bereich)
o Annahmebereich (nicht-kritischer Bereich)
c
u
.:
Ablehnung (kritischer Bereich)
Bild 111-76
4 Parametertests
591
Anmerkungen (1) Man beachte, daB dieser Parametertest nur fur umfangreiche Stichproben gilt, d.h. fur solche, die der Bedingung npo(1 - Po) > 9 genugen, Bei kleinem Stichprobenumfang ist diese Bedingung jedoch nicht erfiillt und das angegebene Priifverfahren daher nicht anwendbar. Wir miissen in diesem .Fall auf die Spezialliteratur verweisen (siehe Literaturverzeichnis). (2)
Analog verlaufen die einseitigen Parametertests. In diesen Fallen gibt es jeweils nur eine kritische Grenze c. Die naheren Einzelheiten sind in Abschnitt 4.5.1, Anmerkung (2) bereits ausfiihrlich beschrieben. Sie gelten sinngemiijJ auch fur diesen Parametertest.
•
Beispiel Der Hersteller eines bestimmten elektronischen Bauelements behauptet, daB seine Produktion hiichstens 4% AusschuB enthalte. Bei der Anlieferung eines gr6Beren Postens dieser Elemente wurde von Seiten des Abnehmers ein Giitekontrolle durchgefiihrt. Sie bestand in diesem Fall in einer Stichprobenuntersuchung von n = 300 Bauelementen. Unter ihnen befanden sich dabei k = 15 funktionsuntiichtige (d.h, defekte) Teile. Man iiberprufe die Angaben des Herstellers auf einem Signifikanzniveau von a = 0,01.
Liisung: Da in diesem Fall nur die Abweichungen nach oben interessieren 37\ wenden wir hier ein einseitiges Priifverfahren an und testen die N ullhypothese H o: p
~
Po = 0,04
gegen die Alternativhypothese
H 1 : P > Po = 0,04 Die Voraussetzung einer umfangreichen Stichprobe ist dabei gegeben, da die Bedingung (111-242) erfidlt ist:
nPo(1 - Po) = 300· 0,04' 0,96 = 11,52 > 9 1. Schritt: Die Signifikanzzahl (Irrtumswahrscheinlichkeit) ist vorgegeben: a
= 0,01.
2. Schritt: Wir berechnen die kritische Grenze c der standardnormalverteilten Testvariablen
U
;;;-
~
= ~ ~. (P -
Po)
=
°, °,
300 ~ ~ 04 . 96 . (P - 0,04) = 88,388 (P - 0,04)
aus der Bedingung P(U ~ C)H o = 1 - a = 1 - 0,01 = 0,99
(Bild 111-77). 37)
Gegen einen AusschuBanteil unterhalb von 4% hat keineretwas einzuwenden!
III Grundlagen der mathematischen .Statistik
592
Bild 111-77
o
u
c
Unter Verwendung von Tabelle 2 im Anhang erhalten wir dann fur die unbekannte Schranke eden folgenden Wert: P(U ~
C)H
o
= ¢(c) = 0,99
-+
c=
U O,99
= 2,326
Der nicht-kritische Bereich (Annahmebereich) lautet damit(Bild 111-78): U ~
2,326
3. Schritt: Der Schdtzwert fur den unbekannten Parameter (Anteilswert) P betragt k 15 P = ;; = 300 = 0,05 A
Somit besitzt die Testvariable U den Test- oder Priifwert
11 = 88,388 (p - 0,04) = 88,388 (0,05 - 0,04) = 0,884 4. Schritt (Testentscheidung): Der Test- oder Prifwert 11 = 0,884 fallt in den Annahmebereich U ~ 2,326 (Bild III-78).· Die Nullhypothese H 0 : P .~ Po = 0,04 wird daher beibehalten, d.h. es gibt aufgrund der verwendeten Stichprobe keinen AnlaB, an den Angaben des Herstellers beziiglich eines maximalen AusschuBanteils von 40/0 zu zweifeln. Die Abweichung des aus der Stichprobe ermittelten Anteils p = 0,05 = 5% von dem vom Hersteller angegebenen Anteilswert Po = 0,04 = 40/0 ist bei dem gewahlten Signifikanzniveau von rJ, = 0,01 = 1 % nicht signifikant und somit zufallsbedingt.
Bild 111-78
o Annahmebereich (nicht-kritischer Bereich)
2,326
u
-~
Ablehnung . (kritischer Bereich)
•
4 Parametertests
593
4.6 Ein Anwendungsbeispiel: Statistische Qualitatskontrolle unter Verwendung von Kontrollkarten Bei der Herstellung von M assenprodukten miissen fur bestimmte Grofien vorgegebene Sollwerte innerhalb gewisser Toleranzen eingehalten werden. Wir nennen einige einfache Beispiele: _
Beispiele
(1)
Bei der Serienproduktion von Kondensatoren wird fur die Kapazitdt ein bestimmter Sollwert flo vorgeschrieben.
(2)
M etallstdbe aus einer bestimmten Legierung sollen eine bestimmte Zugfestigkeit flo aufweisen, die nicht unterschritten werden darf.
(3)
Bei der Serienfertigung von Wellen wird fur den Durchmesser die Einhaltung eines bestimmten Sollwertes flo gefordert. -
Die Erfahrung lehrt jedoch, daB auch bei sorgfdltigster Fertigung und Verwendung hochwertiger Materialien stets Abweichungen vom vorgeschriebenen Sol1wert auftreten, die im wesentlichen durch -
lnhomogenitdten des verwendeten Materials, Abnutzungs- und Verschleij3erscheinungen bei den produzierenden Maschinen
-
und Automaten, und nicht zuletzt auch durch menschliche Unzuldnglichkeiten
bedingt sind. Urn die Qualitat des erzeugten Produktes zu sichern, ist es daher notwendig, die Produktion zu iiberwachen, urn gegebenenfalls regulierend eingreifen zu konnen. Unter statistischer Qualitdtskontrolle versteht man die permanente Uberwachung eines Produktionsprozesses mit Hilfe spezieller statistischer Methoden. Die Qualitatskontrolle dient somit der Einhaltung bestimmter vorgegebener Sollwerte oder Normen, wobei durch einen rechtzeitigen Eingriff in den FertigungsprozeB AusschuBware weitgehend vermieden oder zumindest auf ein Minimum beschrankt werden kann. Wir wollen uns jetzt mit einer typischen Aufgabe der statistischen Qualitatskontrolle naher auseinandersetzen: Bei der Herstellung eines Massenartikels solI fur den M ittelwert fl des dabei interessierenden Merkmals X ein bestimmter Sollwert flo eingehalten werden und zwar wahrend des gesamten Fertigungsprozesses 38). Mit Hilfe der statistischen Qualitatskontrolle sind wir dann in der Lage, diese Forderung zu erfiillen. Wir gehen dabei zunachst von der Annahme (Nullhypothese) aus, daB diese Forderung erfidtt ist, d.h. daB der Sollwert flo wahrend der gesamten Produktion tatsachlich eingehalten wird.
38)
Die Grolic X kann beispielsweise die Kapazitdt eines in Massen produzierten Kondensators sein. Es wird dann z. B. gefordert, daB die normalverteilte Zufallsvariable X
=
Kapazitdt eines Kondensators
wahrend der gesamten Produktion den konstanten Mittelwert J1
= J10
besitzt.
594
III Grundlagen der mathematischen Statistik
Unsere Nullhypothese lautet daher: H o: /l
(III-250)
= /lo
Wir testen sie dann gegen die Alternativhypothese (111-251)
H 1 : /l i= /lo
auf dem allgemein iiblichen Signifikanzniveau a = 0,01 = 1 % schrittweise wie folgt 39): (1)
Stichprobenentnahme aus der laufenden Produktion in regelmalligen Zeitabstanden In regelmdjiigen Zeitabstiinden (z.B. jede Stunde) wird der laufenden Produktion eine Zufallsstichprobe vom gleichbleibenden Umfang n entnommen und der jeweilige Stichprobenmittelwert x bestimmt.
(2)
Bestimmung des Toleranzbereiches Urn die ermittelten Stichprobenmittelwerte in sinnvoller Weise mit dem vorgegebenen Sollwert /lo vergleichen zu konnen, benotigen wir den zum Signifikanzniveau a = 0,01 = 1% gehorenden nicht-kritischen Bereich (Annahmebereich), der in" diesem Zusammenhang als Toleranzbereich bezeichnet wird. Bei einer normalverteilten Zufallsvariablen X ist dieser Bereich - wie wir etwas spater noch zeigen werden durch das symmetrische Intervall /lo - 2,576 . -
a
j;;
~
_ x ~ /lo
+ 2,576 . -
a
(111-252)
j;;
gegeben. Die kritischen Grenzen cu =
IJ
r
a o - 2, 576 . -j;;
und
Co
= /lo
+ 2,576 . -
a
j;;
(111-253)
heiI3en hier Toleranz- oder Kontrollgrenzen (Bild III -79). Dabei ist (J die als bekannt vorausgesetzte Standardabweichung der normalverteilten Grundgesamtheit und n der Umfang der entnommenen Stichprobe "?', Zur Herleitung des Toleranzbereiches
Der Toleranzbereich ist nichts anderes als der zum Signifikanzniveau a = 0,01 gehorige nicht-kritische Bereich der Zufallsgrofie X. Somit gilt (vgl. hierzu Bild 111-79): Pte; ~ X ~
CO)H o =
P(/lo - c* ~ X ~ /lo
+ C*)H o =
= 1 - a = 1 - 0,01 = 0,99
(111-254)
(c* ist der kritische Wert). 39)
Es handelt sich hier im wesentlichen urn den in Abschnitt 4.5.1 besprochenen zweiseitigen Test fur den Mittelwert f.1 einer Normalverteilung.
40)
Ist (J jedoch unbekannt, so kann man mit Hilfe einer sag. Vorlaufstichprobe einen Schdtzwert fur (J ermitteln. Man ersetzt dabei (J ndherungsweise durch die Standardabweichung s dieser Vorlaufstichprobe: (J ;:::::: s.
595
4 Parametertests
f;t~cher
kritische~I
Toleranzbereich (nicht-kritischer Bereich)
I;;~reich
Bereich r
Bild 111-79 Toleranzbereich bei der statistischen Qualitatskontrolle
Beim Ubergang von der normalverteilten Zufallsvariablen X zur standardisierten (und somit standardnormalverteilten) Zufallsvariablen X-II U= _ _r'_o
(111-255)
(J/~ geht die Gleichung (111-254) iiber in P( - c ~ U ~ C)H o = 0,99
(111-256)
wobei wir bereits die Abkiirzung
~
c=c*-
(J
bzw.
(111-257)
c*=c-
0z
(J
verwendet haben (Bild III -80).
-c
o
C
u
Bild 111-80 Bestimmung des kritischen Wertes c fur die standardnormalverteilte Zufallsvariable U
596
III Grundlagen der mathematischen Statistik Mit Hilfe von Tabelle 2 im Anhang erhalten wir aus dieser Beziehung schlieBlich den folgenden Wert fiir die gesuchte Konstante e: P(-e
~
U
~
e)H o = ep(e) - ep(-e) == ep(e) - [1 - ep(e)] ==
== 2 . ep (e) - 1 == 0,99 ~
ep(e) == 0,995
Ein Stiehprobenmittelwert gung )10 -
2,576 . -
a
~
~
e ==
U O,995
== 2,576
x fallt damit in den
_ x ~
(111-258) (111-259)
Toleranzbereieh, wenn er die Bedin-
a
)10
+ 2,576 . ~
(III-260)
erfiillt. (3)
Vergleich des Stichprobeomittelwertes .i mit dem Sollwert Entscheidungsflndung
uod
}to
Wir sind jetzt in der Lage, die Qualitat der laufenden Produktion zu beurteilen und eine Entseheidung dariiberzu fallen, ob der geforderte Sollwert u., auch eingehalten wird oder ob nieht tolerierbare Abweichungen auftreten.
1. Fall: Fallt der Stichprobenmittelwert x einer entnommenen Stichprobe in den nieht-kritisehen Bereich, d.h. in den Toleranzbereieh, so wird die Abweichung vom Sollwert )10 als zufallsbedingt angesehen und toleriert. Es besteht daher in diesem Fall kein Grund, in den laufenden FertigungsprozeB einzugreifen (Bild 111-81). Produktion unterbrechen, Fehlersuche einleiten 0,99
Produktion weiterlaufen lassen
x
j-;ritiSCher I ~ereich
-
x Toleranzbereich (nicht-kritischer Bereich)
x
kritisch:; Bereich
l
Bild 111-81 Fallt der Stichprobenmittelwert in den Toleranzbereich, so laBt man die Produktion weiterlaufen, anderenfalls wird diese unterbrochen und die Fehlersuche eingeleitet
4 Parametertests
597
2. Fall: Liegt der Mittelwert X der Stichprobe jedoch im kritischen Bereich (d.h. aujJerhalb des Toleranzbereiches), so kann die beobachtete Abweichung zum Sollwert J10 nicht mehr aus der Zufalligkeit der Stichprobe erklart werden, sondern muB als signifikant angesehen werden (Bild 111-81). Die Produktion wird in diesem Fall unterbrochen, man geht auf Fehlersuche und behebt schlieBlich die gefundenen Fehler (z.B. durch Neueinstellung der Maschinen und Automaten usw.). (4)
Kontrollkarten Der Verlauf eines Fertigungsprozesses HiBt sich in sehr anschaulicher Weise auf einer sog. Kontrollkarte wie folgt darstellen (Bild III -82):
Produktionsstop, Fehlersuche einleiten
obere Kontrol/grenze
Co
obere Warngrenze w 0
- - - Sol/wert /10
untere Warngrenze
Wu
untere Kontrol/grenze
I
I
23456
I
I
I
I
7
8
Cu
Ifd. Nr. der Stichprobe
Bild 111-82 Muster einer Kontrollkarte mit Kontroll- und Warngrenzen
Die in regelmdfiigen Zeitabstanden ermittelten Stichprobenmittelwertex werden dabei in der zeitlichen Reihenfolge der Stichprobenentnahme als Punkte in die Kontrollkarte eingetragen. Dann wird der Istzustand (Stichprobenmittelwert x) mit dem Sollzustand (Sollwert J1o) verglichen. Liegt ein Wert aujJerhalb des Toleranzbereiches (grau unterlegte Flache in Bild III -82), so wird die laufende Produktion zunachst gestoppt und die Fehlersuche eingeleitet. 1m Bild ist dies der Fall bei der Stichprobe Nr. 8. Zur zusdtzlichen Sicherheit werden haufig noch die sog. Warngrenzen eingezeichnet, die einem Signifikanzniveau von C/.. == 0,05 == 5% entsprechen. Sie liegen bei (J
w == u
1/
r«
-
1,960 . -J-;"
und
wo == J10
+ 1,960 . -
(J
J-;"
(111-261)
598
III Grundlagen der mathematischen Statistik
Fallt dabei ein Stichprobenmittelwert X in den dunkelgrau dargestellten Bereich zwischen Warn- und Kontrollgrenzen (im Bild gilt dies fur die Stichproben Nr. 4 und Nr. 6), so wird sicherheitshalber eine weitere Stichprobe entnommen (Wiederholung des Tests und gegebenenfalls Abbruch der Produktion und Fehlersuche).
5 Statistische Prufverfahrcn fur die unbekannte Verteilungsfunktion einer Wahrscheinlichkeitsverteilung (, Anpassungs- oder Verteilungstests ") 5.1 Aufgaben eines Anpassungs- oder Verteilungstests Mit den in Abschnitt 4 behandelten Parametertests lassen sichAnnahmen oder Hypothesen iiber unbekannte Parameter einer Grundgesamtheit iiberprufen, wobei die Art bzw. der Typ der Wahrscheinlichkeitsverteilung als bekannt vorausgesetzt wird. So haben wir z.B. spezielle Tests fur den Mittelwert /lund die Varianz (52 einer normalverteilten Grundgesamtheit kennengelernt. Ein Anpassungs- oder Verteilungstest dagegen dientder Uberprufung einer Hypothese iiber die Art der unbekannten Wahrscheinlichkeitsverteilung. Es wird somit der Versuch unternommen, einer Grundgesamtheit mit einer unbekannten Verteilungsfunktion F(x) eine bekannte Verteilungsfunktion Fo(x) "anzupassen". Die Nullhypothese H o lautet daher wie folgt: (111-262)
(, Die Zufallsvariable X geniigt einer Wahrscheinlichkeitsverteilung mit der Verteilungsfunktion E, (x)"). Ihr stellen wir alternativ die Hypothese (111-263)
gegeniiber. Sie besagt, daB Fo (x) nicht die gesuchte Verteilungsfunktion der ZufallsvariabIen X ist. Die Uberprufung einer solchen Hypothese iiber die Art der Verteilungsfunktion erfoIgt dann mit einem speziellen Anpassungs- oder Verteilungstest unter Verwendung einer ZuJallsstichprobe, die man der betreffenden Grundgesamtheit entnommen hat. Gepriift wird dabei, ob die aus der Stichprobe gewonnenen Informationen uber die unbekannte Verteilungsfunktion F (x) mit der angenommenen, d. h. theoretischen Verteilungsfunktion Fo(x) vertriiglicn sind. Verglichen wird dabei die beobachtete Verteilung der Zufallsgr6Be X in der entnommenen Stichprobe mit der theoretisch zu erwartenden Verteilung auf-
5 Anpassungs- oder Verteilungstests
599
grund der N ullhypothese H o- Der Anpassungs- oder Verteilungstest ermoglicht dann eine Entscheidung dariiber, ob man die Nullhypothese H 0: F (x) = Fo(x) beibehalten kann oder zugunsten der Alternativhypothese H 1 : 'F (x) =I=- Fo(x) verwerfen muB. Wir fassen zusammen:
5.2 Ein einfiihrendes Beispiel Beim Zufallsexperiment " Wiafeln mit einem homogenen Wiafel" erwarten wir, daB jede der sechs moglichen Augenzahlen 1,2, ... ,6 mit der gleichen Wahrscheinlichkeit auftritt: (i
= 1, 2, ... , 6)
(111-265)
(Pi: Wahrscheinlichkeit dafiir, bei einem Wurf die Augenzahl "i" zu erzielen). Somit lautet unsere Erwartung bei 120 Wiirfen wie folgt: Jede der sechs Augenzahlen tritt genau 20-mal auf Diese absoluten Haufigkeiten (i = 1, 2, ... , 6)
(111-266)
sind die theoretisch zu erwartenden Werte. Sie beruhen auf der Annahme, daB die Zufallsvariable X = Erreichte Augenzahl beim Wurf mit einem homogenen Wiafe!
tatsachlich einer Gleichverteilung geniigt, d.h. auf der Nullhypothese H o, daB alle Augenzahlen mit der gleichen Wahrscheinlichkeit auftreten.
600
III Grundlagen der mathematischen Statistik
In einem konkreten Fall (einer Zufallsstichprobe) ergab sich bei insgesamt 120 ausgefiihrten Wiirfen die folgende (empirische) Hdufigkeiisverteilung:
15
20
-5
2
19
20
-1
3
22
20
2
4
21
20
5
17
20
-3
6
26
20
6
Ein Vergleich zwischen den beobachteten und den theoretisch erwarteten Haufigkeiten zeigt zum Teil erhebliche Abweichungen, die auch in den zugehorigen Stabdiagrammen deutlich zum Ausdruck kommen (Bild 111-83):
30
30
20
20
10
~
10
23456 a)
-1
2
3
4
5
6
b)
Bild111-83 Haufigkeitswerte fur die "Augenzahl" beim Wurf mit einem Wiirfel a) Beobachtete Verteilung b) Theoretisch "erwartete" Verteilung
Wir stehen daher vor dem folgenden Problem: Ist die beobachtete H dufigkeitsverteilung im Widerspruch zur theoretisch erwarteten Gleichverteilung oder sind die festgestellten Abweichungen rein zufallsbedingt?
5 Anpassungs- oder Verteilungstests
601
Mit anderen Worten: 1st die entnommene Stichprobe vom Umfang n == 120 in Einklang zu bringen mit der Annahme (Nullhypothese) (i == 1, 2, ... , 6)
(111-267)
oder widerspricht sie dieser Annahme? LaBt sich also diese Hypothese iiber die Gleichverteilung der moglichen Augenzahlen vertreten oder miissen wir sie aufgrund der Stichprobenuntersuchung zuruckweisen'l Wir mochten also eine spezielle Annahme (Nullhypothese) iiber die Art der Wahrscheinlichkeitsverteilung einer Grundgesamtheit uberprufenund dabei auf der Grundlage einer Zufallsstichprobe, die dieser Grundgesamtheit entnommen wurde, eine Entscheidung uber Beibehaltung oder Ablehnung der Nullhypothese fallen. 1m nachsten Abschnitt behandeln wir daher zunachst das wohl wichtigste Priifverfahren fiir die unbekannte Verteilungsfunktion einer Wahrscheinlichkeitsverteilung, namlich den 2 sog. Chi-Quadrat- Test (" X -Test "), und kommen im AnschluB daran nochmals auf dieses einfiihrende Beispiel ausfuhrlich zuriick,
5.3 Chi-Quadrat-Test (" l2 -Test") Wir behandeln in diesem Abschnitt den wohl bekanntesten und wichtigsten Anpassungs2 oder Verteilungstest, den sog. Chi-Quadrat- Test ("X - Test"). Er beruht auf einem Vergleich der aus einer Zufallsstichprobe Xl' X 2, •.• , x; gewonnenen empirischen Haufigkeitsverteilung mit der theoretisch erwarteten Verteilung, die man aus der als wahr angenommenen Verteilungsfunktion Fo(x) der Grundgesamtheit, aus der die Stichprobe stammt, berechnet hat. Wir testen dabei die Nullhypothese
u.; F(x) == Fo(x)
(111-268)
gegen die Alternativhypothese (111-269)
Planung und Durchfiihrung des Chi-Quadrat-Tests verlaufen dann schrittweise wie folgt: (1)
Unterteilung der Stichprobe in Klassen, Feststellung der absoluten Klassenhaufigkeiten (Besetzungszahlen) Die n Stichprobenwerte Xl' x 2 , ••• , X n werden in k Klassen (Intervalle) 1 1 , 12 , ••• , I k unterteilt (k < n). J ede Klasse sollte dabei erfahrungsgemaf mindestens 5 Stichprobenwerte enthalten. Dann werden die absoluten Klassenhdufigkeiten .(Besetzungszahlen) n l , n 2 , ••• , nk festgestellt, wobei (111-270) gilt (Spalten 1 und 2 in der nachfolgenden Tabelle 3).
III Grundlagen der mathematischen Statistik
602 (2)
Berechnung der theoretisch erwarteten absoluten Klassenhaufigkeiten
Aus der als wahr angenommenen Verteilungsfunktion Fo(x) berechnet man zunachst fur jede Klasse I, die zugehorige Klassenwahrscheinlichkeit Pi 41) und daraus die hypothetische, d. h. theoretisch zu erwartende Anzahl ni = nPi der Stichprobenwerte in I, (Spalten 3 und 4 in Tabelle 3). Tabelle 3: Chi-Quadrat-Test
2
(3)
n1
P1
ni = n p;
n 1 - ni
(n1 - ni)2 n*1
n2
P2
nI = nP2
n2 - nI
(n2 - nI)2 n*2
Festlegung eines geeigneten Ma8es fur die Abweichung zwischen der beobachteten und der theoretischen Verteilung
Ein geeignetes MajJ fur die Abweichung zwischen empirischer und hypothetischer Verteilung ist nach Pearson die MaBzahl
(111-271)
Sie wird gebildet, indem man zunachst klassenweise die Differenz Sn, = n, - ni zwischen der beobachteten und der theoretisch erwarteten absoluten Klassenhaufigkeit feststellt (Spalte 5), diese Differenz quadriert und durch die hypothetische Klassenhaufigkeit ni dividiert (Spalte 6) und dann anschlieBend die Beitrage aller Klassen aufaddiert (Summenwert der Spalte 6). Bei einer "guten" Ubereinstimmung zwischen den empirischen und den hypothetischen Werten erwarten wir kleine Abweichungsquadrate (~ni)2 und somit auch einen kleinen Wert fur das Abweichungsmafi X2 • 41)
Pi ist die Wahrscheinlichkeit dafiir, daB ein Stichprobenwert in die i-te Klasse fallt (immer unter der Voraussetzung, daB Fo (x) die wahre Verteilungsfunktion ist).
5 Anpassungs- oder Verteilungstests Die MaBzahl Z
X2
603
ist dabei ein spezieller Wert der Testvariablen oder PrufgrojJe k
*2
k
2
= X2 = \' (~-*ni) = \' (~- nPi) L n; L npi i
=1
i
(III-272)
=1
den diese Variable fur die vorgegebene konkrete Stichprobe annimmt. Dabei bedeutet N, die wie folgt definierte Zufallsvariable:
N, == Beobachtete Anzahl der Stichprobenwerte in der i-ten Klasse (empirische absolute Klassenhdufigkeiti
Die Testvariable Z == X2 geniigt fur grojJes n, d. h. bei Verwendung umfangreicher Stichproben (Faustregel: n > 50) ndherungsweise einer Chi-Quadrat- Verteilung mit f == k - 1 Freiheitsgraden, wenn alleParameter in der als wahr angenommenen Verteilungsfunktion Fo(x) bekannt sind 42). (4)
Wahl einer Signifikanzzahl ~ und Berechnung der kritischen Grenze c Wir wahlen jetzt eine kleine Signifikanzzahl a (in der Praxis meist a == 0,05 == 5 % oder a == 0,01 == 1 0;0) und bestimmen dann eine kritische Grenze c so, daB die Werte der Testvariablen Z == X2 mit der Wahrscheinlichkeit 'Y == 1 - a unterhalb dieser kritischen Grenze liegen. Somit gilt: P(Z ~ C)H o
== 'Y == 1 - a
(111-273)
(hellgrau unterlegte Flache in Bild III-84). 1-a
o
c
z
nicht-kritischer Bereich
Bild 111-84 Zur Bestimmung der kritischen Grenze c fur die einer Chi-Quadrat-Verteilung 2 geniigende Testvariable Z = X
°
Die kritische Grenze c teilt dabei das Intervall z == X2 ~ in einen nicht-kritischen und einen kritischen Bereich und laBt sich mit Hilfe der Tabelle 3 im Anhang (Tabelle der Quantile der Chi-Quadrat- Verteilung) leicht bestimmen. 42)
Siehe hierzu Anmerkung (1) im AnschluB an die Zusammenfassung.
604 (5)
III Grundlagen der mathematischen Statistik
z
Berechnung des Test- oder Priifwertes = X2 und Testentscheidung Liegt der aus der Stichprobe berechnete Test- oder Priifwert = X2 der TestvariabIen Z = X2 unterhalb der kritischen Grenze c, d. h. gilt = X2 ~ C, so wird die Nullhypothese H o: F(x) = Fo(x) beibehalten, anderenfalls zugunsten der Alternativhypothese HI: F (x) i= Fo(x) abgelehnt (Bild 111-85). Die gewahlte Signifikanzzahl r:l ist dabei die Irrtumswahrscheinlichkeit, d. h. die Wahrscheinlichkeit dafiir, eine an sich richtige Nullhypothese H 0 abzulehnen (Fehler 1. Art).
z
z
H o beibehalten
o
A
Z
Annahmebereich (nicht-kritischer Bereich)
A
C
z
Z
-l
Ablehnung (kritischer Bereich)
Bild 111-85 Testentscheidung tiber Beibehaltung oder Ablehnung der Nullhypothese H o : F(x) = Fo(x)
Wir fassen die einzelnen Schritte dieses wichtigen Chi-Quadrat- Tests wie folgt zusammen:
43)
Die Nullhypothese besagt: Fo(x) ist die wahre Verteilungsfunktion der Grundgesamtheit, aus der die Zufallsstichprobe Xl' x 2 , ••• , X n entnommen wurde.
5 Anpassungs- oder Verteilungstests
44)
Gegebenenfalls miissen nachtraglich Klassen zusammengelegt werden.
605
606
III Grundlagen der mathematischen Statistik
Anmerkungen
(1)
Sind ein oder mehrere Parameter der als wahr angenommenen Verteilungsfunktion Fo(x) unbekannt, so muf man zunachst fur diese Parameter unter Verwendung der vorgegebenen konkreten Stichprobe Niiherungs- oder Schiitzwerte bestimmen (z.B. mit Hilfe der Maximum-Likelihood-Methode). Die Anzahl der Freiheitsgrade vermindert sich dabei urn die Anzahl der zu schdtzenden Parameter. Beispiel: Sind bei angenommener N ormalverteilung N (/1; a) sowohl /1 als auch a unbekannt und daher aus der Stichprobe mit Hilfe von Schatzfunktionen zu schiitzen, so ist die Anzahl der Freiheitsgrade gleich f == (k - 1) - 2 == k - 3. Allgemein gilt: f==(k-1)-r
(111-282)
r: Anzahl der unbekannten Parameter in der angenommenen Verteilungsfunktion Fo (x), die noch aus der Stichprobe geschiitzt werden miissen
(2)
Bei einer diskreten Zufallsvariablen X sind die Klassen die moglichen Werte selbst (siehe hierzu das nachfolgende Beispiel (1)).
607
5 Anpassungs- oder Verteilungstests •
Beispiele
(1)
Wir kommen auf das einfiihrende Beispiel aus Abschnitt 5.2 zunick. Bei n = 120 Wiirfen mit einem homogenen Wurfel erhielten wir das folgende Ergebnis (Hiiufigkeitsverteilung der 6 moglichen Augenzahlen): Augenzahl i
1
2
3
4
5
6
absolute Haufigkeit n,
15
19
22
21
17
26
Mit Hilfe des Chi-Quadrat- Tests solI jetzt gepriift werden, ob die Nullhypothese H 0: Alle 6 miiglichen Augenzahlen sind gleichwahrscheinlich
aufrecht erhalten werden kann oder ob man diese Annahme verwerfen muB. Mit anderen Worten: Wir wollen mit dem Chi-Quadrat-Test priifen, ob es sich bei unserem Wiirfelexperiment (wie vermutet) urn ein Laplace-Experiment handelt oder nicht. Wir Iosen diese Aufgabe nun schrittweise wie folgt: 1. Schritt: Wir haben k = 6 Klassen. Sie entsprechen den 6 Augenzahlen (Spaltel in der folgenden Tabelle). Die beobachteten absoluten H dufigkeiten n, bilden die 2. Spalte. 2. Schritt: Nach unserer Annahme (Nullhypothese H o) sind alle Augenzahlen gleichwahrscheinlich. Somit ist Pi = 1/6 (i = 1, 2, ... ,6; Spalte 3). Durch Multiplikation mit n = 120 erhalten wir daraus die Anzahl ni der theoretisch erwarteten Stichprobenwerte (Spalte 4):
»r = l
1 np·t = 120 . -6 = 20
(i = 1, 2, ... , 6)
1
15
1/6
20
-5
25/20
2
19
1/6
20
-1
1/20
3
22
1/6
20
2
4/20
4
21
1/6
20
5
17
1/6
20
-3
9/20
6
26
1/6
20
6
36/20
1/20
III Grundlagen der mathematischen Statistik
608
3. Schritt: Wir bilden jetzt die Difjerenzen Sn, == n, - ni (Spalte 5) und daraus die "AbweichungsmaBe" (Ani? (Spalte 6). Durch Summation der n~ l-
letzten Spalte erhalten wir den gesuchten Test- oder Prifwert unserer Testva2 riablen Z == X : 6
z== x2 ==
I
6
tn, - ni)2
L
ni
i = 1
2
~ (~nJ == 76 == 3 8
----
ni
20
'
i= 1
4. Schritt: Als Signifikanzzahl (Irrtumswahrscheinlichkeit) wahlen wir a == 0,05. Die Berechnung der kritischen Grenze c erfolgt dann aus der Bedingung P(Z ~
C)H
o
== P(X 2 ~
C)H
o
== 1 - a == 1 - 0,05 == 0,95
mit Hilfe von Tabelle 3 im f == k - 1 == 6 - 1 == 5): P(Z -~ c)H o
== F (c) == 0,95
Anhang f=5
(Anzahl c ==
der
Z(O,95; 5)
Freiheitsgrade:
== 11,07
Der nicht-kritische Bereich (Annahmebereich) lautet somit (Bild 111-86): z==X2~11,07
z
5. Schritt (Testentscheidung): Der Test- oder Priifwert == X2 == 3,8 fallt in den Annahmebereich, d.h. es gilt == X2 ~ 11,07 (Bild 111-86). Die Nullhypothese H ° wird somit beibehalten, d.h. wir konnen sie aufgrund der verwendeten Stichprobe nicht ablehnen. Es gibt.somit keinen AnlaB, an der Gleichverteilung der Augenzahlen zu zweifeln. Es handelt sich also bei unserem Wiirfelexperiment (wie vermutet) urn ein Laplace-Experiment.
z
Ho beibehalten
Annahmebereich (nicht-kritischer Bereich)
z
-l
Ablehnung (kritischer Bereich)
Bild 111-86 Der Testwert = 3,8 fallt in den Annahmebereich, die Nu11hypothese H o : "Beim Wurf mit einem Wiirfel handelt es sich urn ein Laplace-Experiment" wird daher beibehalten, d. h. nicht abgelehnt
5 Anpassungs- oder Verteilungstests (2)
609
Eine Stichprobenuntersuchung von n = 100 ohms chen Widerstanden aus einer Serienproduktion ergab die folgende H dufigkeitsverteilung, wobei die MeBwerte bereits in k = 6 Klassen mit der Klassenbreite ~x = 1 Q und den angegebenen Klassenmitten Xi eingeteilt wurden:
Q
48,5
49,5
50,5
51,5
52,5
53,5
5
11
35
29
13
7
Wir vermuten, daB diese Stichprobe aus einer normalverteilten Grundgesamtheit stammt, deren Mittelwert u und Varianz (J 2 jedoch beide unbekannt sind. Daher testen wir diese Nullhypothese mit Hilfe des Chi-Quadrat- Tests schrittweise wie folgt: 1. Schritt: Die Stichprobenwerte sind bereits in k = 6 Klassen aufgeteilt, die beobachteten absoluten Hdufigkeiten n, sind bekannt. Jede Klasse enthalt dabei (wie gefordert)mindestens 5 Werte. 2. Schritt: Die Parameter der Verteilungsfunktion
Fo(x) = c/J (
X -
Jl und
(J
der angenommenen Normalverteilung mit
Jl)
-(J-
sind unbekannt und miissen daher zunachst aus der vorliegenden Stichprobe mit Hilfe der bereits aus den Abschnitten 3.2.3 und 3.2.4 bekannten Schatzfunktionen und der nachfolgenden Tabelle geschdtzt werden:
48,5
5
242,5
-2,55
32,5125
2
49,5
11
544,5
-1,55
26,4275
3
50,5
35
1767,5
-0,55
10,5875
4
51,5
29
1493,5
0,45
5,8725
5
52,5
13
682,5
1,45
27,3325
6
53,5
7
374,5
2,45
42,0175
III Grundlagen der mathematischen Statistik
610
I n.x,6
_ 1 Mittelwert: x = - .. 100
l
= -
1
100
l
. 5105 = 51 05
(in Q)
'
i= 1
Varianz:
8
2
1
1
I
6
= 99 .
ni(X i - X)2 = 99 . 144,75 = 1,4621
i= 1
Standardabweichung:
s = R = Jl,4621 = 1,2092
(in Q)
/l
Damit ergeben sich fur den Mittelwert und die Standardabweichung a der als normalverteilt angenommenen Grundgesamtheit die folgenden Schdtzwerte:
/l ~X = 51,05
~
a
und
s = 1,209
(beide Werte in Q). Mit der (angenommenen) Verteilungsfunktion
Fo(x)
=
¢(x a
/l) =
¢(x - 51,05) 1,209
berechnen wir jetzt unter Verwendung von Tabelle 1 aus dem Anhang die Wahrscheinlichkeii Pi dafiir, daB ein Wert in die i-te Klasse fallt und daraus schlieBlich die Anzahl ni = n p, = 100 Pi der theoretisch in der i-ten Klasse zu erwartenden Stichprobenwerte (i = 1,2, ... ,6). Weil X hier eine stetige Zufallsvariable ist, miissen wir bei der Berechnung von Pi die folgenden Klassengrenzen beriicksichtigen (Bild 111-87):
1.Klasse
2.Klasse
3.Klasse
-oo<X<49
49~X<50
50~X<51
49
50
4.Klasse
5.Klasse
51~X<52
52~X<53
52
51
6.Klasse 53~X
53
Bild 111-87 Festlegung der Klassengrenzen
Berechnung der Wahrscheinlichkeit Pi (i = 1, 2, ... , 6) (vgl. hierzu Bild 111-88)
PI
= P(X < 49) = F o(49) = ¢ (
49 - 51,05) 1,209
= 1 - ¢(1,696) = 1 - 0,9551 = 0,0449
= ¢( -1,696) =
x
5 Anpassungs- oder Verteilungstests
611
P1 =P(X<49)
49
x
51,05
Bild 111-88 Berechnung der Wahrscheinlichkeit P1 = P(X < 49)
(vgl. hierzu Bild III -89) P2 = P(49
~
X < 50) = F o(50) - F o(49) =
=
¢(50 - 51'05) _ ¢(49 - 51'05) 1,209 1,209
=
[1 - ¢(0,868)] - [1 - ¢(1,696)]
=
0,9551 - 0,8073 = 0,1478
49
50
=
=
¢( -0,868) _ ¢( -1,696)
¢(1,696) - ¢(0,868)
51,05
x
Bild 111-89 Berechnung der Wahrscheinlichkeit P2 = P (49
P3 = P(50
~
=
~
X < 50)
X< 51) = F o(51) - F o(50) =
=
¢(51 - 51,05) _ ¢(50 - 51,05) = 1,209 . 1,209
=
¢( - 0,041) - ¢( - 0,868) = [1 - ¢(0,041)] - [1 - ¢(0,868)]
=
¢(0,868) - ¢(0,041)
=
0,8073 - 0,5164 = 0,2909
=
=
III Grundlagen der mathematischen Statistik
612
P4 == P(51 ~ X < 52) == Fo(52) - Fo(51)
== ¢
==
(52 - 51,05) _ Eh(51 - 51'05) == 1,209 If-' 1,209
== ¢(0,786) - ¢( - 0,041) == ¢(0,786) - [1 - ¢(0,041)] == == ¢(0,786) + ¢(0,041) - 1 == 0,7840 + 0,5164 - 1 == 0,3004
Ps == P (52
== ¢
~
X < 53) == Fo (53) - Fo(52) ==
(53 - 51'05) _ ¢(52 - 51'05) == 1,209 1,209
== ¢(1,613) - ¢(0,786) == 0,9466 - 0,7840 == 0,1626
5
I
P6 = P(53 ~ X < (0) = 1 -
Pi =
i= 1
== 1 - (0,0449 + 0,1478 + 0,2909 + 0,3004 + 0,1626) == 0,0534 Damit erhalten wir die folgende Tabelle fur unseren Chi-Quadrat- Test:
48,5
5
0,0449
4,49
0,51
0,0579
2
49,5
11
0,1478
14,78
-3,78
0,9667
3
50,5
35
0,2909
29,09
5,91
1,2007
4
51,5
29
0,3004
30,04
-1,04
0,0360
5
52,5
13
0,1626
16,26
-3,26
0,6536
6
53,5
7
0,0534
5,34
1,66
0,5160
5 Anpassungs- oder Verteilungstests
613
Spalte 4 enthalt die soeben berechneten Wahrscheinlichkeiten Pi' Spalte 5 die daraus ermittelten hypothetischen absoluten Hiiufigkeiten n'{ == n Pi == 100 Pi.
3. Schritt: Die Tabelle enthalt in der 6. Spalte die Difjerenzen L1n i == ni und in der 7. Spalte die fur den Pnifwert
(AnJ2
.
z == X
2
-
n'{
benotigten "Abwei-
.
chungsmaBe" --*-. Summiert man die Werte der letzten Spalte auf,
n;
so erhalt man den gesuchten Test- oder Pridwert der Testvariablen Z ==
Z ==
X2
X2 :
== 3,4309
4. Schritt: Wir wahlen die Signifikanzzahl (Irrtumswahrscheinlichkeit) a == 0,01. Die kritische Grenze c berechnen wir aus der Bedingung P(Z ~ C)H o == 1 - a == 1 - 0,01== 0,99
mit Hilfe von Tabelle 3 im Anhang == (k - 1) - r == (6 - 1) - 2 == 3):
(Anzahl
der
Freiheitsgrade:
f
f=3
P(Z ~ C)H o == F(c) == 0,99
c == z (0,99; 3) == 11,35
Der nicht-kritische Bereich (Annahmebereich) lautet somit (Bild III-90): z==X2~11,35
5. Schritt (Testentscheidung): Der Test- oder Prifwert z == X2 == 3,4309 fallt in den Annahmebereich, d.h. es gilt == X2 ~ 11,35 (Bild III-90). Die Nullhypothese H o wird somit beibehalten, d.h. nicht abgelehnt. Wir konnen daher davon ausgehen, daB die vorliegende Stichprobe aus einer normalvertei-lten
z
Grundgesamtheit mit der folgenden Verteilungsfunktion stammt: F(x) == Fo(x) == ¢ (
51,05 1,209 Q
X -
Q)
Ho beibehalten
o
z= 3,4309 Annahmebereich (nicht-kritischer Bereich)
11,35
z
-l
Ablehnung (kritischer Bereich)
Bild 111-90 Der Testwert z = 3,4309 fallt in den Annahmebereich, die Nullhypothese H 0: "Die vorliegende Stichprobe stammt aus einer normalverteilten Grundgesamtheit" wird daher beibehalten, d. h. nicht abgelehnt
•
614
III Grundlagen der mathematischen Statistik
6 Korrelation und Regression 6.1 Korrelation 6.1.1 Korrelationskoeffizient einer zweidimensionalen Stichprobe Wir wollen uris in diesem Abschnitt ausschlieBlich mit solchen Zufallsexperimenten beschaftigen, in denen gleichzeitig zwei Merkmale beobachtet werden, die wir durch die Zufallsvariablen X und Y beschreiben. Uns interessiert dabei, ob es zwischen diesen Grohen irgendeine Beziehung oder einen Zusammenhang gibt, wobei wir X und Y als vollig gleichberechtigte Variable betrachten 46). Besteht eine solche Abhangigkeit zwischen den beiden Zufallsvariablen X und ~ so spricht man bei dieser Betrachtungsweise von einer Korrelation zwischen X und Y Zwei klassische Beispiele sollen diesen Begriff naher erlautern, •
Beispiele
(1)
Bei einer bestimmten Stahlsorte interessiert man sich z.B. dafiir, ob zwischen dem Kohlenstoffgehalt X .und der Zugfestigkeit Y ein Zusammenhang besteht, d. h. ob die beiden Zustandsvariablen X und- Y korreliert sind.
(2)
Zwischen der Drehzahl X und der Leistung Y eines Motors besteht ein bestimmter Zusammenhang, d.h. die beiden Grolien sind korreliert.
•
Urn nun festzustellen, ob zwischen den Zufallsvariablen X undY eine Korrelation besteht, wird der zweidimensionalen Grundgesamtheit eine Stichprobe yom Umfang n entnommen. Sie besteht aus den n geordneten Wertepaaren (111-283) die wir in einem rechtwinkeligen x, y-Koordinatensystem als Punkte (Stichprobenpunkte genannt) bildlich darstellen. Sie bilden in ihrer Gesamtheit eine sog. Punktwolke. Man erhalt auf diese Weise ein sehr anschauliches Streuungsdiagramm, wie in Bild 111-91 dargestellt. Uns interessieren jetzt spezielle Kennwerte oder Maj3zahlen, die den Zusammenhang bzw. die Wechselwirkung zwischen den beiden Merkmalen X und Y in geeigneter Weise charakterisieren. Zunachst aber "trennen" wir die x- und y-Komponenten der zweidimensionalen Stichprobe (111-283) voneinander und erhalten die beiden (eindimensionalen) Stichproben und
46)
Wir unterscheiden hier also nicht zwischen unabhangiger und abhangiger Variable.
(111-284)
6 Korrelation und Regression
615
Y
• • v,
-
-
-
-
•
•
- , (Xj;Yj)
•
I I I I
•
•
Bild 111-91 Streuungsdiagramm ("Punktwolke") einer zweidimensionalen Stichprobe
x
x,
mit den (arithmetischen) Mittelwerten 1
X =;;.
n
L
und
Xi
Y
1
=_. n
i= 1
n
L Yi
(111-285)
i= 1
und den Varianzen 1
S2 x
n
n
= - _ . \' (Xi - x)2
L
n -1
i
=1
und
s2 Y
1
=-_.
(111-286)
n- 1
i
=1
Wir fuhren jetzt zwei Kennwerte ein, die in gewisser Weise den wechselseitigen Zusammenhang zwischen den heiden Zufallsvariablen X und Y kennzeichnen:
III Grundlagen der mathematischen Statistik
616
Anmerkungen
(1)
Der Korrelationskoeffizient r ist eine dimensionslose Grobe, Man erhalt ihn aus der Kovarianz SX;y durch N ormierung. Fur praktische Rechnungen verwendet man meist die folgenden (gleichwertigen) Formeln:
(2)
(111-289)
r
=
i = 1
(111-290)
----~----------
J(itl
xf -
nx
z ) (
t/
iZ -
n
yz )
Es HiBt sich zeigen, daB der empirische Korrelationskoeffizient r nur Werte zwischen - 1 und + 1 annehmen kann: - 1 ~ r ~ 1. In Bild 111-92 sind die Punktwolken von acht Stichproben mit verschiedenen Korrelationskoeffizienten dargestellt (Stichprobenumfang n = 6). Anhand dieser Streuungsdiagramme konnen wir erkennen, daB die Stichprobenpunkte (Xi; Yi) offensichtlich immer dann nahezu auf einer Geraden liegen, wenn sich der zugehorige Korrelationskoeffizient r nur wenig von + 1 oder - 1 unterscheidet. In den Extremfallen r = 1 und r = - 1, d.h. fur Irl = 11iegen die Stichprobenpunkte dabei exakt auf einer Geraden.
Bild 111-92
y 25
Xi
Yi
3
2
3
4
5
6
20
2
4
6
7
10
15
5
9
13
15
21
• •
10 5
•
• •
• 5
10
x
6 Korrelation und Regression
617
Bild111-92 (F ortsetzung) y 25
Xi
Yi
2
2
3
4
5
6
20
2
4
6
7
10
15
20
10
6
5
13
·18
•
•
•
• •
5
• 5
10
x
y
Xi
Yi
3
2
3
4
5
6
20
2
4
6
7
10
15
10
4
4
18
14
• • •
10 5
• •
•
5
10
x
y
Xi
Yi
5
2
3
4
5
6
20
2
4
6
7
10
15
14
10
14
2
3
19
5
•
•
• •
• • 5
Bild III-92 (Fortsetzung)
10
x
III Grundlagen der mathematischen Statistik
618
Bild 111-92 (Fortsetzung) y
Xi
Yi
6
2
3
4
5
6
2
4
6
7
10
2
9
4
5
5
10
5
• • •
•
•
• 10
5
x
y
•
Xi
Yi
13
2
3
4
5
6
2
4
6
7
10
10
11
8
2
10
•
• •
5
• 5
Gild 111-92 (Fortsetzung)
• 10
x
6 Korrelation undRegression
619
Bild 111-92 (Fortsetzung) y
•
Xi
Yi
13
2
3
4
5
6
2
4
6
7
10
12
10
8
7
10
• • •
•
5
4
• 5
10
x
Bild 111-92 Uber den Zusammenhang zwischen der Gestalt einer Punktwolke und dem Wert des empirischen Korrelationskoeffizienten r (eingezeichnet sind 8 Punktwolken mit Korrelationskoeffizienten zwischen r = + 1 und r = - 1)
In dem anderen Extremfall r = 0 ist keine Korrelation erkennbar. Der empirische Korrelationskoeffizient r kann daher als ein geeignetes MaB fur die Starke oder den Grad der linearen Abhangigkeit zwischen den beiden Zufallsvariablen X und Y angesehen werden. Dabei gilt: Je weniger sich r von + 1 bzw. - 1 unterscheidet, umso .besser" liegen die Stichprobenpunkte (Xi; yJ auf einer Geraden. Der Wert des empirischen Korrelationskoeffizienten r mijJt somit in gewisser Weise, wie "gut" eine Gerade den Zusammenhang zwischen
X und Y beschreibt. Fur Ir I = 1 besteht offensichtlich eine exakte lineare Abhangigkeit zwischen den beiden Zufallsvariablen (Bild III -93) y
y
x a)
x b)
Bild 111-93 Fur Ir] = 1 liegen samtliche Stichprobenpunkte auf einer Geraden a) r = 1 ~ Gerade mit positiver Steigung b) r = - 1 ~ Gerade mit negativer Steigung
620
III Grundlagen der mathematischen Statistik
Wir fassen die wichtigsten Aussagen wie folgt zusammen:
Anmerkungen (1)
Man beachte: r = 0 bedeutet lediglich, daB zwischen den Variablen X und Y kein linearer Zusammenhang besteht, jedoch keinesfalls, daB die beiden Zufallsvariablen stochastisch unabhangig sind. Der (empirische) Korrelationskoeffizient r miBt nur die Starke (den Grad) der linearen Abhangigkeit, nicht aber die Starke der Abhangigkeit an sich!
(2)
Zwischen den beiden Zufallsvariablen X und Y muB ein sachlich begrundeter innerer Zusammenhang bestehen. Ansonsten ist die Berechnung von r nicht sinnvoll und fiihrt zu einer sog. "Scheinkorrelation".
..
Beispiele
(1)
Gegeben ist die folgende zweidimensionale Stichprobe vom Umfang n = 8:
i
1
2
3
4
5
6
7
8
Xi
1
2
5
6
8
10
11
13
Yi
1
1
3
4
5
7
9
10
6 Korrelation und Regression
621
Die Berechnung der empirischen Kovarianz Sxy und des empirischen KorrelationskoefJizienten r solI dabei unter Verwendung der Definitionsformeln mit Hilfe der folgenden Tabelle erfolgen:
1
1
-6
36
-4
16
24
2
2
-5
25
-4
16
20
3
5
3
-2
4
-2
4
4
4
6
4
-1
1
-1
5
8
5
1
0
0
0
6
10
7
3
9
2
4
6
7
11
9
4
16
4
16
16
8
13
10
6
36
5
25
30
Wir benotigen zunachst die Mittelwerte, Varianzen und Standardabweichungen der x- bzw. y-Komponenten:
L
x
8- 1
i
s2 y
1
8
1 s 2 =-_.
=
8
i
= 7. 128 = 18,2857
=;.
s; = 4,2762
1
L
1 8- 1
=-_.
(Xi - X)2
=1
1 (Yi - y)2 = 7. 82 = 11,7143
=;. Sy
= 3,4226
622
III Grundlagen der mathematischen Statistik Damit erhalten wir fur die empirische Kovarianz KorrelationskoefJizienten r die folgenden Werte: 1
s
xy
Sxy
und den empirischen
1
8
=_ . \' (x, - x) (y. - y-) = -7 . 101 = 144286 8_ 1 L ' l
l
i= 1
r=~= Sx • Sy
14,4286 = 09858 4,2762 . 3,4226'
~ 0986 ,
Der Korrelationskoeffizient der Stichprobe liegt nahe am "Grenzwert" 1, die Stichprobenpunkte daher nahezu auf einer Geraden (Bild 111-94). Die im Bild eingezeichnete .Hilfsgerade'' solI diese Aussage noch verdeutlichen.
y
•
10
• • 5
•
•
"Hilfsgerade"
Bild 111-94 Streuungsdiagramm ("Punktwolke") mit eingezeichneter "Hilfsgerade"
• • 5
(2)
10
Bei einem Dieselmotor wurde die Abhangigkeit zwischen der Drehzahl X (in Umdrehungen pro Minute) und der Leistung Y (in PS) untersucht. Wir wollen den empirischen KorrelationskoefJizienten r der zweidimensionalen Stichprobe
i
1
2
3
4
5
6
7
Xi
500
1000
1500
2000
2500
3000
3500
Yi
5
8
12
17
24
31
36
bestimmen, wobei diesmal die rechnerisch bequemere Formel (111-290) benutzt werden solI.
623
6 Korrelation und Regression Unter Verwendung der nachstehenden Tabelle folgt dann:
500
5
25
25
25
2
1000
8
100
64
80
3
1500
12
225
144
180
4
2000
17
400
289
340
5
2500
24
625
576
600
6
3000
900
961
930
1296
1260
31 ---
3500
7
36
---
1225
M ittelwerte:
_
1
x == _. 7
1
7
I
Xi
="7.14000 = 2000,
i= 1
Korrelationskoeffizient: 7
I
XiYi
-7xy
i= 1
3415.10 2 -7·2000 ·19
- - - - - - - - - - - - ==
J(3500· 104
-
0,9917
7 .2000 2 ) (3355 - 7 . 192 )
Bild 111-95 zeigt das zugehorige Streuungsdiagramm, d.h. die Punktwolke der zweidimensionalen Stichprobe. Auch hier liegen die Punkte nahezu auf einer Geraden, da der empirische Korrelationskoeffizient den Wert r == 0,9917 besitzt und sich somit nur geringfiigig von 1 unterscheidet. Die im Bild eingezeichnete .Hilfsgerade'' dient dabei der Verdeutlichung dieser Aussage.
III Grundlagen der mathematischen Statistik
624 y
40
•
35
•
30 25
"<. .Hiltsqerede"
20
•
15
Bild 111-95
Streuungsdiagramm ("Punktwolke") mit eingezeichneter "Hilfsgerade"
• 10
•
5
500
1000 1500 2000 2500 3000 3500
•
x
6.1.2 Korrelationskoeffizient einer zweidimensionalen Grundgesamtheit Wir betrachten nun die zweidimensionale Grundgesamtheit, aus der wir die Stichprobe (Xl; Yl)' (X2; Y2)' ... , (Xn;Yn) entnommen haben. In Kap. II, Abschnitt 7.5.3 haben wir bereits eine GroBe kennengelernt, die etwas aussagt tiber den Gradaet Abhangigkeit zwischen zwei Zufallsvariablen X und Y Es handelt sich urn die sog. Kovarianz von X und¥, definiert durch die Gleichung O"Xy
= E[(X -
flx)
(Y -
fly)]
= E(X· Y) - E(X)· E(Y)
(111-292)
Dabei sind E(X) =
flx
und
E(Y) =
(111-293)
fly
die Mittel- oder Erwartungswerte von X und Y Aus der Kovarianz Normierung den KorrelationskoefJizienten Q von X und Y: O"Xy
O"Xy erhalt
man durch
(111-294)
Q=-O"x .O"y (o"x, O"y:
Standardabweichungen von X und Y;
O"x=F
0,
O"y
t= 0).
Zwei Zufallsvariable X und Y werden dabei als unkorreliert bezeichnet, wenn der zugehorige Korrelationskoeffizient verschwindet (Q = 0). Sind die beiden Zufallsvariablen stochastisch unabhdngig, so sind sie auch unkorreliert.
6 Korrelation und Regression
625
Denn im Falle der Unabhangigkeit gilt ja E(X· Y) == E(X) . E(Y)
(111-295)
und somit (JXY
== E(X . Y) - E(X) . E(Y) == E(X) . E(Y) - E(X) . E(Y) ==
°
(111-296)
Damit ist auch Q == 0, d.h. stochastisch unabhdngige Zufallsgr6Ben sind stets unkorreliert. Die Umkehrung dieser Aussage giltjedoch i.a. nicht, d.h. aus Q == diirfen wir keinesfalls auf die stochastische Unabhangigkeit von X und Y schlieBen, es sei denn, es handelt sich urn normalverteilte Zufallsvariable. Der Korrelationskoeffizient Q zweier Zufallsvariabler X und Y besitzt dabei ganz dhnliche Eigenschaften wie der empirische Korrelationskoeffizient r, der einen Schatz- oder N dherungswert fur Q darstellt:
°
47)
Es gibt Falle, in denen zwischen zwei unkorrelierten Zufallsvariablen X und Y sogar ein funktionaler Zusammenhang in Form einer Gleichung Y = f(X) besteht.
626
III Grundlagen der mathematischen Statistik
Anmerkung Falls die Zufallsvariablen X und Y beide normalverteilt sind, lassen sich die folgenden Probleme mit Hilfe spezieller statistischer Priifverfahren ("Tests") losen: a)
Sind X und Y stochastisch unabhdngig] Man testet dann die Nullhypothese H o : (J == 0 z.B. gegen die Alternativhypothese H 1 : (J =f O.
b)
Besitzt der Korrelationskoeffizient
(J
(wie vermutet) den Wert
(Jo ?
Es wird die Starke (d.h. der Grad) der linearen Abhangigkeit gepriift. Getestetwird dann die Nullhypothese H o : (J == (Jo gegen die Alternativhypothese H 1 : (J =f (Jo. 1m Rahmen dieser (einfiihrenden) Darstellung konnen wir auf diese Tests nicht naher eingehen und verweisen auf die im Literaturverzeichnis angegebene weiterfiihrende Literatur. •
Beispiel
Die diskreten Zufallsvariablen X und Y besitzen die folgende gemeinsame Verteilung (die Wahrscheinlichkeitsfunktionen der Randverteilungen sind grau unterlegt):
Y
X
-1
o
11 (x)
1
'-v-"
12(Y) Die Kovarianz
o-XY
und der Korrelationskoeffizient
1
E (X) == - 1 . 3
1
1
3
3
+ 0 .- + 1 .-
1 1 == - - + - == 0 3
3
(J
verschwinden beide. Denn aus
'
122 E(Y) == O· - + 1 . - ==333
1 2 1 2 E(X· Y) == (-1) ·0 . 9 + (-1) . 1 ·9+ 0 . 0 . 9 + 0 ·1 ·9+ 1
2
2
2
9
9
9
9
+1·0·-+1·1·-== --+-==0 folgt nach der Definitionsgleichung (111-292) o-XY
2 == E(X . Y) - E(X) . E(Y) == 0 -0 . - == 0
und daher auch
3
(J
== o. Die Zufallsvariablen X und Y sind daher unkorreliert.
•
6 Korrelation und Regression
627
6.2 Regression In Naturwissenschaft und Technik stellt sich haufig das folgende Problem: Zwischen einer (meist gewohniichens Variablen X und einer Zufalisvariablen Y bestehe eine gewisse stochastische Bindung 48). Die sog. Regressionsanalyse hat dann die Aufgabe, die Art des Zusammenhangs zwischen den beiden Variablen X und Y festzustellen und zwar mit Hilfe einer Stichprobe (Xl; Yl)' (X2; Y2)' ... , (x n; Yn) und eines geeigneten Ansatzes in Form einer Kurvengleichung Y = j'(X), die noch gewisse aus den Stichprobenpunkten berechenbare Parameter enthalt. Dabei wird X als unabhdngige und Y als eine von X abhdngige Variable angesehen. In der Statistik bezeichnet man eine solche "einseitige" Abhangigkeit als Regression von Y beziiglich X. Hat man die Gleichung der sog. Regressions- oder Ausgleichskurve bestimmt, so la13t sich zu einem vorgegebenen Wert X der unabhangigen Variablen X der Wert der abhangigen Variablen Y schdtzen (Bild III -96).
y Ps
• Ausgleichskurve
BUd111-96
Stichprobenpunkte mit "Ausgleichs- oder Regressionskurve' ,
y(x)
x
x
In der Technik ist die (als unabhangig betrachtete) Variable X meist eine gewohnliche Variable, die bestimmte feste Werte annehmen kann, die auch bei einer mehrfachen Versuchswiederholung unverdndert bleiben. Allerdings wird man fur jeden fest vorgegebenen Wert X = X stets etwas voneinander abweichende Werte fur die abhangige Zufallsvariable Y(x) erhalten. Diese Werte werden dabei urn den (unbekannten) Mittel- oder Erwartungswert E (Y (x)) entsprechend der Wahrscheinlichkeitsverteilung von Y streuen (Bild III -97).
48)
X kann auch eine Zufallsvariable sein, Y dagegen ist stets eine Zufallsvariable.
III Grundlagender mathematischen Statistik
628
Dichtefunktion der Zufallsvariablen Vex)
Bild 111-97 Vex)
Erwartungswert E (Y(X))
Wir geben hierzu ein anschauliches Beispiel. •
Beispiel
Der Bremsweg Y eines Autos ist - wie jeder aus eigener Erfahrung weiB - eine in hohem MaBe von der Geschwindigkeit X abhangige Grobe 49). Jedoch ist Y durch X keineswegs eindeutig bestimmt! Wird namlich der Bremsvorgang (mit dem gleichen Auto auf der gleichen Fahrbahn und bei gleicher Geschwindigkeit X = x) mehrmals wiederholt, so miB man stets etwas voneinander abweichendeWerte fur den Bremsweg Y(x). Denn die folgenden Faktoren beeinflussen u.a. ebenfalls (wenn auch vergleichsweise geringfiigig) den Bremsweg: -
Zustand der Bremsen und Reifen Beschaffenheit der Fahrbahn (z.B. Trockenheit, Nasse) Umwelteinfliisse wie z.B. Windverhaltnisse Verhalten des Fahrers beim Bremsen
Die genarinten Faktoren konnen und werden sich namlich in unkontrollierbarer und regelloser Weise von Bremsversuch zu Bremsversuch (geringfugig) dndern und bewirken in ihrer Gesamtheit die beobachtete Streuung der Bremswegwerte, 1m Sinne der Statistik diirfen wir daher den Bremsweg Y = Y(X = x) = Y(x) als eine Zufallsgrofte auffassen. Wir sind somit nicht in der Lage, fur eine vorgegebene Geschwindigkeit X = x den genauen Wert des Bremsweges vorauszusagen (da wir die augenblicklichen aulleren "Storeinflusse" nicht kennen). Wir konnen tiber den Bremsweg lediglich wahrscheinlichkeitstheoretische Aussagen machen, sofern die Wahrscheinlichkeitsverteilung der Zufallsvariablen Y iiberhaupt bekannt ist!
•
49)
X istdie Geschwindigkeit des Fahrzeugs unmittelbar vor Beginn des Bremsvorgangs, Y der bis zum Stillstand zuriickgelegte Weg (Bremsweg).
6 Korrelation und Regression
629
Regressions- oder Ausgleichskurven Meist UiBt sich anhand der "Punktwolke" ein geeigneter Losungsansatz fur die gesuchte Regressions- oder Ausgleichskurve ermitteln. Im einfachsten Fallliegen die Stichprobenpunkte nahezu auf einer Geraden (Bild 111-98). In diesem wichtigsten und haufigsten Fall spricht man daher von linearer Regression und wahlt als Losungsansatz eine lineare Funktion vom allgemeinen Typ y == ax
+b
(111-300)
die als (empirische) Regressions- oder Ausgleichsgerade bezeichnet wird (Bild 111-98).
y
Ausgleichsgerade
Bild 111-98 Ausgleichs- oder Regressi onsgerade
x
Die noch unbekannten Parameter a und b dieser Geraden (d.h. Steigung a und Achsenabschnitt b) lassen sich aus den vorgegebenen Stichprobenpunkten durch .Ausgleichung" nach der von Gauj3 stammenden "Methode der kleinsten Quadrate" leicht bestimmen. Wir werden dieses Verfahren im nachfolgenden Kapitel iiber .Fehler- und Ausgleichsrechnung" ausfiihrlich behandeln. In vielen Fallen .jedoch muB man aufgrund des Erscheinungsbildes der "Punktwolke" einen nichtlinearen Losungsansatz wahlen. Man spricht dann von nicht-linearer Regression.Eine "Punktwolke" wie in Bild III-99 z.B. legt einen parabelfiirmigen Losungsansatz vom Typ
y==ax 2 + b x + c
(111-301)
als "Ausgleichskurve~' nahe. Die noch unbekannten Koeffizienten a, b und c dieser Regressions- oder Ausgleichsparabel konnen dann wiederum nach der "Gauj3schen Methode der kleinsten Quadrate" bestimmt werden. Auch diesen Fall werden wir im nachsten Kapitel ausfiihrlich behandeln. Als nichtlineare Losungsansatze kommen z.B. Polynomfunktionen hoheren Grades, Potenzfunktionen, Exponential- und Logarithmusfunktionen und manchmal auch (einfache) gebrochenrationale Funktionen infrage. Man muB sich dabei im konkreten Fall anhand des vorliegenden Streuungsdiagramms (d.h. der Punktwolke der Stichprobe) stets fur einen speziellen Losungsansatz entscheiden (z.B. fur eine Gerade oder eine Parabel).
III Grundlagen der mathematischen Statistik
630 y
• Ausgleichsparabel
•
Bild 111-99 Ausgleichs- oder Regressionsparabel
x
Die in dem gewahlten Ansatz enthaltenen Parameter lassen sich dann unter Verwendung der vorgegebenen Stichprobe mit Hilfe der "Gauj3schen Methode der kleinsten Quadrate" eindeutig bestimmen. Wir fassen die wichtigsten Aussagen wie folgt zusammen:
6 Korrelation und Regression •
631
Beispiele
(1)
Die zweidimensionale Stichprobe i
1
2
3
4
5
6
Xi
0
1
2
3
4
5
Yi
-0,9
1,45
4,1
6,4
9,1
11,3
ergibt das in Bild III -100 dargestellte Streuungsdiagramm. Aufgrund der Punktwolke erkennen wir ein hohes MaB an linearer Abhangigkeit zwischen den entsprechenden Zufallsvariablen. Es liegt daher nahe, einen linearen Losungsansatz vorn Typ Y = ax
+b
fiir die Regressions- oder Ausgleichskurve zu wahlen. Die Berechnung der Kurvenparameter a und b erfolgt im nachsten Kapitel (Ubungsaufgabe 4 aus Kap. IV, Abschnitt 5).
y
10
5
Ausgleichsgerade
BUd111...100
2
3
4
5
x
632
III Grundlagen der mathematischen Statistik (2)
Die bildliche Darstellung der fiinf Stichprobenpunkte i
1
2
3
4
5
Xi
0
2
3
5
7
Yi
2
0
0
1
4
fuhrt zu der in Bild III -101 skizzierten Punktwolke. Aufgrund dieses Streuungsdiagramms entscheiden wir uns fur eine parabelfiirmige Ausgleichskurve vom Typ
Y = ax? + bx + c
Die Bestimmung der drei Kurvenparameter a, b und c erfolgt im nachsten Kapitel (Ubungsaufgabe 6 aus Kap. IV, Abschnitt 5).
y
4
3 Ausgleichsparabel
Bild 111-101
2
3
4
5
6
7
x
•
633
Ubungsaufgaben
Obungsaufgaben
Zu Abschnitt 1 1)
Beim 10-maligen Wurf eines Wiirfels ergaben sich die folgenden Augenzahlen:
2
1
4
6
3
644
3
5
Bestimmen Sie die absolute und relative Haufigkeit und zeichnen Sie das zugehorige Stabdiagramm. 2)
Fur die folgenden Stichproben bestimme man Hdufigkeitsjunktion f (x) und Verteilungsfunktion F(x) und zeichne das zugehorige Stabdiagramm sowie die Treppenfunktion: a) 20 Schrauben aus einem Sortiment (X: Schraubenlange in mm)
mm
b)
39,7
39,8
39,9
40,0
40,1
40,2
1
3
4
6
4
2
25 ohmsche Widerstande aus einer Serienproduktion (X: Widerstand in Q) 97
c)
3)
98
99
100
101
102
3
4
9
5
2
103
Kapizitatsmessung an 50 Kondensatoren (X: Kapazitat in JlF) 10,1
10,2
10,3
10,4
10,5
6
11
19
9
5
Ein Wiirfel wurde 500-mal geworfen. Die moglichen Augenzahlen X waren dabei wie folgt verteilt: Augenzahl
Xi
102
2
3
4
5
6
88
80
65
90
75
Zeichnen Sie das Stabdiagramm und die Verteilungskurve dieser Haufigkeitsverteilung.
634
III Grundlagen der mathematischen Statistik
4)
Beim gleichzeitigen Wurf dreier Miinzen erhielt man fiir diedabei beobachtete ZufalIsvariable X == Anzahl "Wappen"
bei 200 Versuchsausfiihrungen die folgende Haufigkeitstabelle:
a) b) c)
5)
1
2
3
82
73
25
Bestimmen Sie die Hdufigkeitsfunktion f(x) und die Verteilungsfunktion F(x). Stellen Sie diese Funktionen bildlich dar (Stabdiagramm, Treppenfunktion). Wieviel Prozent aller Wiirfe brachten mindestens einmal, aber hochstens zweimal "Wappen"?
Die Lebensdauer X eines bestimmten elektronischen Bauelements wurde mittels einer Stichprobe vom Umfang n == 80 untersucht und fiihrte zu dem folgenden Ergebnis (Gruppierung der Daten in 7 Klassen):
x
~
450
3
2
450 < x
~
500
11
3
500 < x
~
550
20
4
550 < x
~
600
23
5
600 < x
~
650
14
6
650< x
~
700
7
7
700 < x
~
750
2
400
a) b)
c)
~
Bestimmen Siehieraus die Hdufigkeitsfunkiion f(x) und die Verteilungsfunktion F(x) in Abhangigkeit von der Klassenmitte. Bestimmen Sie den prozentualen Anteil an Bauelementen in dieser Stichprobe mit einer Lebensdauer von hiichstens 500 Stunden bzw. einer Lebensdauer von mindestens 600 Stunden. Zeichnen Sie das Histogramm dieser Haufigkeitsverteilung.
Ubungsaufgaben 6)
635
Mit einer automatischen Abfiillan1age wird Wein in Literflaschen gefiillt. Eine nachtragliche Stichprobenuntersuchung an n = 100 gefiillten F1aschen ergab die fo1genden Fehlmengen, beschrieben durch die Zufallsvariab1e X (in cm'):
°
~ x ~ 10
a) b) c)
7)
38
2
10 < x
~
20
26
3
20 < x
~
30
17
4
30 < x
~
40
11
5
40 < x
~
50
6
6
50 < x
~
60
2
Bestimmen Sie Hdufigkeits- und Verteilungsfunktion. Zeichnen Sie das zugehorige Histogramm. Bestimmen Sie den prozentualen Antei1 an F1aschen mit einer Feh1menge X> 20cm 3 .
An 40 Testfahrzeugen eines neuen Autotyps wurde der Benzinverbrauch X in Liter pro 100 km Fahr1eistung bestimmt, Die Urliste hatte dabei das fo1gende Aussehen (alle Werte in 1/100 km): 10,1 10,4 10,2 10,8 9,0 a) b)
10,6 10,1 10,5 9,9 10,0
10,9 10,8 9,4 10,5 10,5
10,0 9,2 10,2 10,6 10,4'
10,4 10,2 9,6 9,8 11,4
10,5 10,3 10,2 10,7 10,4
9,7 10,5 9,7 11,2 10,1
10,5 9,2 10,2 10,8 10,4
Gruppieren Sie diese Daten in 5 Klassen der Breite 0,5 und ermitte1n Sie die H dufigkeitsfunktion. Zeichnen Sie das zugehorige Histogramm.
III Grundlagen der mathematischen Statistik
636
Zu Abschnitt 2 1) 2)
Die Ubungsaufgaben 1) bis 7) in Abschnitt 1 beschaftigen sich mit den Haufigkeitsverteilungen von Stichproben. Bestimmen Sie die jeweiligen M ittelwerte, Standardabweichungen und Varianzen.
7)
8)
Xl' X 2, .•. , X n
sei eine beliebige Stichprobe. Zeigen Sie: Die Funktion n
S(c) =
L
(Xi - c)2
i= 1
nimmt fur c = Stichprobe).
x ihren
kleinsten Wert an
(x
ist der arithmetische M ittelwert der
Zu Abschnitt 3 1)
Die Lebensdauer T zahlreicher elektronischer und mechanischer Bauelemente HiBt sich in guter Naherung durch eine Exponentialverteilung mit der normierten Dichtefunktion fur
t ~
0
beschreiben (fur t < 0 verschwindet diese Funktion). Bestimmen Sie nach der Maximum-Likelihood-Methode einen Schdtzwert fur den unbekannten Parameter A > 0 unter Verwendung einer vorgegebenen Stichprobe t l , t 2 , · .• , t.; 2)
Die Lebensdauer T von Gliihlampen kann in guter Naherung als exponentialverteilt angesehen werden. Schdtzen Sie anhand der folgenden konkreten Stichprobe den unbekannten Parameter A der Verteilung:
i
1
2
3
4
5
6
7
8
t. h
250
210
400
320
190
210
240
292
--.!.
3)
Die Zufallsvariable X beschreibe die Anzahl der Gesprache, die von einer Telefonzentrale zu einer bestimmten Tageszeit pro Stunde vermittelt werden. X kann dabei als eine naherungsweise Poisson-verteilte Zufallsvariable betrachtet werden. Bestimmen Sie den unbekannten Parameter f.l dieser Verteilung anhand der folgenden Stichprobe:
h
1
2
3
4
5
6
160
145
155
136
140
152
Ubungsaufgaben 4)
637
X sei eine normalverteilte Zufallsvariable, deren Mittelwert u jedoeh unbekannt sei. Bestimmen Sie anhand der Stiehprobe i
1
2
3
4
5
6
7
8
9
10
Xi
140
162
128
132
136
148
140
128
135
158
ein Vertrauensintervall fur den Mittelwert f.1 bei bekannter Varianz a 2 = 9, bei unbekannter Varianz o ':
a) b)
Als Vertrauensniveau wahle man y =.' 95%.
5)
Der Durchmesser X der auf einer bestimmten Masehine hergestellten Sehrauben sei eine normalverteilte Zufallsvariable. Eine Stiehprobe vom Umfang n = 100, entnommen aus einer 'Tagesproduktion, ergab dabei das folgende Ergebnis: x = 0,620 em, s = 0,035 em. Bestimmen Sie die Vertrauensgrenzen fur den unbekannten Mittelwert u bei einer Irrtumswahrscheinlichkeit von a = 5%.
6)
X sei eine normalverteilte Zufallsgrolie mit dem unbekannten Mittelwert f.1 und der ebenfalls unbekannten Varianz (f2. Eine Stiehprobe vom Umfang n = 10 ergab den arithmetischen Mittelwert x == 102 und die empirische Varianz S2 = 16. Bestimmen Sie fur f.1 und (f2 jeweils ein Vertrauensintervall zum Vertrauensniveau y = 99%.
7)
Fur einen neuen Autotyp wurde ein bestimmter Motor weiterentwickelt, dessen Leistung X (in PS) als eine normalverteilte Zufallsvariable betrachtet werden kann. Eine Stichprobenuntersuchung an n= 8 wahllos herausgegriffenen Motoren brachte das folgende Ergebnis: 1
2
3
4
5
6
7
8
100,5
96,5
99,0
97,8
100,4
103,5
100,3
98,0
i -
Xi
PS
Bestimmen Sie jeweils ein Vertrauensintervall fur den unbekannten M ittelwert f.1 und die unbekannte Varianz a 2 bei einer vorgegebenen Irrtumswahrseheinlichkeit von a = 5%. 8)
Die Tragfdhigkeit X eines Balkens solI als eine normalverteilte Zufallsvariable betrachtet werden. Eine Stichprobenuntersuchung vom Umfang n = 16 ergab folgende Werte:
x=
12,54 kN,
s = 1,02 kN
Bestimmen Sie aufder Basis dieser Stichprobe jeweils ein Vertrauensintervall fur den unbekannten Mittelwert u und die unbekannteVarianz a ': Das Vertrauensniveau sci ;' = 95%.
638
III Grundlagen der mathematischen Statistik
9)
In einer Versuchsreihe wurde die Dichte X einer Eisenkugel insgesamt 20-mal gemessen, wobei nur 6 verschiedene MeBwerte mit der folgenden Hdufigkeitsverteilung auftraten: Xi
(in g/cm') absolute Haufigkeit n,
7,79
7,80
7,81
7,82
7,84
7,85
3
3
5
4
3
2
Bestimmen Sie anhand dieser Stichprobe ein Vertrauensintervall fur den unbekannten Mittelwert J.1 derals normalverteilt betrachteten Mebgrolse X (vorgegebenes Vertrauensniveau: 'Y = 99%). 10)
Bei der Qualitiitskontrolle eines bestimmten elektronischen Bauteils befanden sich in einer Zufallsstichprobe vom Umfang n = 500 genau k = 27 defekte Teile. Bestimmen Sie einen Schdtzwert fur den unbekannten .Ausschulsanteil" p der Gesamtproduktion und geben Sie ein Vertrauensintervall fur diesen Parameter zum Vertrauensniveau b)
'Y
= 99%
an. 11)
Beim Wiirfeln mit einem homogenen Wiirfel soIl das Auftreten einer geraden Augenzahl als .Erfolg'' gewertet werden. Bei n = 100 unabhangigen Wiirfen trat dieses Ereignis genau 55-mal ein. Schdtzen Sie die unbekannte .Erfolgswahrscheinlichkeit" p undo bestimmen Sie fur diesen Parameter ein Vertrauensintervall bei einer Irrtumswahrscheinlichkeit von a = 1%.
12)
Eine Urne enthalt schwarze und weiBe Kugeln, deren Anteile jedoch unbekannt sind. Urn den Anteil p an schwarzen Kugeln zu schatzen, wurde der Urne 100-mal eine Kugel mit Zuriicklegen entnommen. Dabei erhielt man das folgende Ergebnis: Farbe der gezogenen Kugel
schwarz
weiB
Anzahl der gezogenen Kugeln
68
32
Ermitteln Sie auf einem Konfidenzniveau von 'Y = 95% den unbekannten Parameter p. 13)
ein Konfidenzintervall fur
Aus einer Sonderpragung wutden n= 100 Munzen nach dem Zufallsprinzip ausgewahlt und ihre Masse X bestimmt. Man erhielt dabei einen Stichprobenmittelwert von = 5,43 g mit einer Streuung von S2 = 0,09 g2. Der Verteilungstyp der Zufallsvariablen X ist jedoch unbekannt. Bestimmen Sie mit Hilfe des Zentralen Grenzwertsatzes der Wahrscheinlichkeitsrechnung auf einem Vertrauensniveau von 'Y = 95% die Vertrauensintervalle fur den unbekannten Mitteiwert J.1 und die unbekannte Standardabweichung (J.
x
639
Ubungsaufgaben
Zu Abschnitt 4 1)
Ein Hersteller produziert in groBer Stiickzahl elektrische Widerstande mit dem Sollwert /10 = 100 Q. Der ohmsche Widerstand X kann dabei als eine anniihernd normalverteilte Zufallsvariable angesehen werden. Nach Angaben des Herstellers wird der vorgegebene Sollwert /10 = 100 Q auch eingehalten. Eine Stichprobe vom Umfang n = 10 ergab jedoch einen empirischen Mittelwert von = 102 Q. Man teste mit einer Irrtumswahrscheinlichkeit von a = 1°/0 die Nullhypothese H o : /1 = /10 = 100 Q gegen die Alternativhypothese H 1 : /1 =1= /10 = 100 Q. Aufgrund langjahriger Erfahrungen darf dabei von einer Standardabweichung (J = 3 Q ausgegangen werden.
x
2)
In einem Werk werden Gliihlampen hergestellt, deren Lebensdauer X als eine normalverteilte Zufallsvariable mit dem Mittelwert /10 = 1500 h und der Standardabweichung (J = 80 h betrachtet werden kann. Durch eine geringfiigige Materialanderung erhofft sich der Hersteller eine VergrojJerung der mittleren Lebensdauer. Eine Stichprobenuntersuchung an 50 Gliihlampen der neuen .Serie scheint dies zu bestatigen: Fiir die mittlere Lebensdauer erhielt man den Wert = 1580 h. Konnen wir aus dieser Stichprobe den SchluB ziehen, daB sich die Lebensdauer signifikant erhoht hat? Testen Sie bei einer Irrtumswahrscheinlichkeit von a = 1°/0 die Nullhypothese H o : /1 = /10 = 1500 h gegen die Alternativhypothese H 1: /1 > /10 = 1500 h. Bei dem Test wird vorausgesetzt, daB sich die Standardabweichung (J durch die Materialanderung nicht veriindert hat.
x
3)
Die ReijJlast X eines Seiles ist laut Hersteller eine normalverteilte Zufallsgrolie mit dem Mittelwert /10 = 5,20 kN. Eine Stichprobe vom Umfang n = 20 fiihrte jedoch zu den folgenden Kennwerten: = 5,02 kN; s = 0,12 kN. Priifen Sie mit einer Irrtumswahrscheinlichkeit von a = 5°1o, ob die aufgrund dieser Stichprobe geaufierten Zweifel an der Richtigkeit der Herstellerangabe /10 = 5,20 kN berechtigt sind.
x
4)
In einem Werk werden Schrauben produziert, deren Lange X eine normalverteilte Zufallsgrobe mit dem Mittelwert /10 = 21 mm sei. Eine Zufallsstichprobe fiihrte zu dem folgenden Ergebnis:
n = 25;
x=
20,5 mm;
s = 1,5 mm
Priifen Sie mit der. Irrtumswahrscheinlichkeit a = 1 °/0, ob die Abweichung des beobachteten Stichprobenmittelwertes = 20,5 mm vom Sollwert /10 = 21 mm signifikant oder zufallsbedingt ist.
x
5)
Ein Automobilhersteller bringt ein neues PKW-Modell auf den Markt, dessen Benzinverbrauch X (in Liter pro 100 km Fahrleistung) eine normalverteilte Zufallsvariable mit dem Mittelwert /10= 8,21/100 km sein soIl. Die Redaktion einer Fachzeitschrift uberpriift diese Angabe an n = 36 zufallig ausgewahlten Testfahrzeugen und kommt dabei zu folgendem Ergebnis:
x=
9,1 1/100 km;
s = 2,3 1/100 km
III Grundlagen der mathematischen Statistik
640
Der Stichprobenmittelwert X ist also deutlich hoher als der vom Hersteller angegebene Wert /10' Testen Sie mit der Irrtumswahrscheinlichkeit a = 5%, ob die Angabe des Hersteller bezuglich des Mittelwertes /1 noch Hinger aufrecht erhalten werden kann. 6)
Zwei verschiedene MeBmethoden fur Widerstande sollen miteinander verglichen werden. Vergleichsmessungen an 5 Widerstanden ergaben dabei das folgende MeBprotokoll: i
1
2
3
4
5
100,5
102,4
104,3
101,5
98,4
98,2
99,1
102,4
101,1
96,2
1. Methode:
MeBwert (in Q)
Xi
2. Methode:
MeBwert (in Q)
Yi
Testen Sie mit der Irrtumswahrscheinlichkeit a = 1 %, ob beide MeBmethoden als gleichwertig angesehen werden konnen oder ob die beobachteten Abweichungen signifikant sind.
7)
In zwei Werken A und B wird ein bestimmtes elektronisches Bauelement nach dem gleichen Verfahren hergestellt. Es wird jedoch vermutet, daB die imWerk B produzierten Teile eine hohere Lebensdauer besitzen. Die folgende Stichprobenuntersuchung scheint dies zu bestatigen:
Werk
Anzahl der getesteten Elemente
mittlere Lebensdauer (in h)
Standardabweichung (in h)
A
n1
= 100
x = 1540
Sl
= 142
B
n2
= 120
Y = 1600
S2
= 150
Testen Sie mit einer Irrtumswahrscheinlichkeit von a = 1 % die Behauptung, daB die im Werk B hergestellten elektronischen Bauelemente eine hohere Lebensdauer besitzen. Wir setzen dabei voraus, daB die Werte aus normalverteilten Grundgesamtheiten mit gleicher (aber unbekannter) Varianz stammen.
Ubungsaufgaben ~)
641
Die folgenden Stichproben stammen aus zwei normalverteilten Grundgesamtheiten mit gleicher (aber unbekannter) Varianz: i
1
2
3
4
5
Xi
5,98
6,02
6,10
5,82
6,04
Yi
6,06
6,08
6,12
6,00
5,94
Es wird behauptet, daB auch ihre Mittelwerte iibereinstimmen. Prifen Sie mit der Irrtumswahrscheinlichkeit a == 1%, ob diese Behauptung tatsachlich zutrifft. 9)
Eine Maschine produziert Wellen von hoher Prazision, Ais Genauigkeitsmaj3wird dabei die Standardabweichung (Jo des Wellendurchmessers X betrachtet. Die Maschine wurde dabei so eingestellt, daB (Jo == 0,2 mm betragt, Zu Kontrollzwecken wurde eine Zufallsstichprobe vom Umfang n == 12 entnommen. Ihre Auswertung ergab jedoch eine empirische Standardabweichung von s == 0,4 mm. MuB die Maschine neu eingestellt werden? Testen Sie daher mit einer Irrtumswahrscheinlichkeit von a == 50/0 die Nullhypothese H o : (J2 ::::; (J6 gegen die Alternativhypothese H 1 : (J 2 > (J5 und treffen Sie eine Entscheidung. Andert sich diese, wenn dieser Test mit der Irrtumswahrscheinlichkeit a == 1% durchgefuhrt wird?
10)
Der Hersteller eines Massenartikels behauptet, seine Ware enthalte einen AusschuBanteil von hochstens 3%. Bei einer Qualitdtskontrolle werden in einer Stichprobe von n == 400 Teilen genau 20 unbrauchbare Teile gefunden. Steht diese Untersuchung im Einklang mit der Behauptung des Herstellers? Treffen Sie eine Entscheidung, in dem Sie bei einer Irrtumswahrscheinlichkeit von a == 5% die Nullhypothese H o : p ::::; Po ==0,03 gegen die Alternativhypothese H 1: p > Po == 0,03 testen.
11)
Bei 200 Wiirfen mit einem Wiirfel erhielt man 88-mal eine gerade Augenzahl. Prufen Sie auf dem Signifikanzniveau a == 5%, ob es sich dabei urn einen "unverfalschten" Wiirfel handeln kann. Hinweis: Bei einem "unverfalschten" Wiirfel tritt eine gerade Augenzahl mit der Wahrscheinlichkeit Po == 1/2 auf.
III Grundlagen der rnathernatischen Statistik
642
Zu Abschnitt 5 1)
Beim Wurf einer Miinze erhielt man bei 150 Wiirfen 65~mal "Zahl". Testen Sie mit einer Irrtumswahrscheinlichkeit von r:x = 5 %, ob die aufgrund dieser Zufallsstichprobe geauberten Zweifel an der .Echtheit'' der Miinze berechtigt sind.
2)
Ein Wiirfel wurde 300-mal geworfen. Dabei erhielt man die folgende Hdufigkeitsverteilung fur die 6 moglichen Augenzahlen: Augenzahl i absolute Haufigkeit n,
35
2
3
4
5
6
39
70
62
56
38
Testen Sie mit Hilfe des Chi-Quadrat- Tests auf dern Signifikanzniveau r:x = 1 %, ob diese Zufallsstichprobe gegen eine Gleichverteilung der Augenzahl spricht. 3)
Es wird vermutet, daB die Zufallsvariable X einer Poisson- Verteilung mit dem unbekannten Parameter (Mittelwert) J1 geniigt. Zu welchem Ergebnis fiihrt ein auf dem Signifikanzniveau r:x = 5% durchgefiihrter Chi-Quadrat- Test, dem die folgende Stichprobe zugrunde gelegt wird: Xi
0
1
2
3
4
5
absolute Haufigkeit n,
27
31
22
12
6
2
(Stichprobenumfang: n = 100) 4)
Urn den mittleren Benzinverbrauch eines neuentwickelten PKW's zu bestimmen, wurden 100 Testfahrzeuge ausgewahlt und an ihnen der Benzinverbrauch X in Liter pro 100 km festgestellt. Die Stichprobenuntersuchung fiihrte zu dem folgenden Ergebnis (aIle Werte in 1/100 km): Klassenintervall
x<8
absolute Haufigkeit
8
8
~ X
< 8,5
8,5 ~ x < 9
20
Testen Sie auf einem Signifikanzniveau von malverteilt ist.
36 r:x
9
~ x
< 9,5
24
9,5
~
x
12
= 1 %, ob die Zufallsvariable X nor-
Ubungsaufgaben
643
Zu Abschnitt 6 1) Bereehnen Sie die Kovarianz Sxy und den Korrelationskoeffizienten r der folgenden Stiehproben und skizzieren Sie die jeweilige Punktwolke: a)
2)
i
1
2
3
4
5
6
Xi
2
2
4
1
5
Yi
3
2
4
2
4
b)
i
1
2
3
4
5
4
Xi
2
4
6
8
10
2
Yi
20
17
13
10
6
Bei 10 Personen wurden gleiehzeitig die Merkmale
x = Kiirperldnge
(in em)
und
Y = Kiirpergewicht (in kg)
untersueht: i
1
2
3
4
5
6
7
8
9
10
Xi
165
175
167
175
180
166
169
180
176
168
Yi
56
70
62
71"
81
58
60
79
73
61
Zeiehnen Sie das Streuungsdiagramm und bereehnen Sie den (empirischen) Korrelationskoeffizienten r dieser Stiehprobe. 3) Die Untersuehung der Temperaturabhiingigkeit eines ohmsehen Widerstandes fiihrte zu der folgenden Stiehprobe (MeBwertepaare): i
t; °C
R
-
o
1
2
3
4
5
6
7
8
20
25
30
40
50
60
65
80
16,30
16,44
16,61
16,81
17,10
17,37
17,38
17,86
Bereehnen Sie die empirischen Varianzen sf" s]{ sowie die empirisehe Kovarianz STR und den empirischen Korrelationskoeffizienten r. 4)
Die Untersuehung der Losbarkeit L von NaN0 3 in Wasser in Abhangigkeit von der Temperatur T fiihrte zu den folgenden Stiehprobenpunkten(MeBpunkten): i
1
2
3
4
5
6
t;
0
.20
40
60
80
100
Li
70,7
88,3
104,9
124,7
148,0
176,0
(Loslichkeit L in Gramm pro 100 Gramm Wasser, Temperatur T in Grad Celsius).
644
III Grundlagen der mathematischen Statistik Berechnen Sie den KorrelationskoefJizienten r und zeichnen Sie die Punktwolke dieser Stichprobe. Wahlen Sie dann aufgrund dieser bildlichen Darstellung einen geeigneten Liisungsansatz fur die Regressions- oder Ausgleichskurve (T ist die unabhangige, L die abhangige Variable). Die Berechnung der Kurvenparameter kann erst im nachsten Kapitel erfolgen (Aufgabe 5 aus Kap. IV, Abschnitt 5).
5)
Gegeben ist jeweils die gemeinsame Verteilung der beiden diskreten Zufallsvariablen X und r: Berechnen Sie die Kovarianz (JXY und den KorrelationskoefJizienten Q: a)
6)
I0z
-1
1
I0z
0
1
-1
1/4
1/4
0
1/3
4/15
1
1/4
1/4
1
4/15
2/15
b)
Zeigen Sie: Die folgenden fiinf Stichprobenpunkte (MeBpunkte) liegen exakt auf einer Geraden (Beweis!): i
1
2
3
4
5
Xi
0
1,5
4
5
2,5
Yi
3
6
11
13
8
Bestimmen Sie auf elementarem Wege die Gleichung dieser Geraden!
645
IV Fehler- uod Ausgleichsrechouog
1 "Fehlerarten" (systematische und zufallige Me8abweichungen). Aufgaben der Fehler- und Ausgleichsrechnung In Naturwissenschaft und Technik stellt sich haufig die Aufgabe, den Wert einer physikalisch-technischen Grobe X durch Messungen zu ermitteln. Der MeBvorgang beruht dabei auf einer bestimmten M ejJmethode und erfolgt unter Verwendung bestimmter M ejJinstrumente. Die Erfahrung lehrt nun, daB jede Messung - selbst bei sorgfaltigster Vorbereitung und Durchfuhrung und Verwendung hochwertiger Mebgerate - stets mit .Fehlem" der verschiedensten Art behaftet ist, die in der modernen F ehlerrechnung als M ejJabweichungen oder kurz als Abweichungen bezeichnet werden 1). Bei einer wiederholten Messung der Grobe X erhalt man daher voneinander abweichende MeBwerte, die wir der Reihe nach mit (IV-1) bezeichnen. Sie bilden eine MejJreihe mit n MeB- oder Beobachtungswerten. Die Abweichung des i-ten MeBwertes Xi vom .wahren" Wert x., der Grofse X heiBt .wahrer Fehler" ~Xiw und ist durch die Gleichung (IV-2) definiert. In der Praxis jedoch bleiben x., und
~Xiw .meist
unbekannt.
Worauf beruhen nun eigentlich MejJabweichungen ("MejJfehler") und wie kommen sie zustande? Sicher ist, daB sie stets auf das gleichzeitige Einwirken einer meist sehr grojJen Anzahl verschiedenartiger aufserer Storeinfliisse auf MeBinstrumente, MeBverfahren und Beobachter zuruckzufuhren sind. Zu solchen Einfliissen zahlen beispielsweise: -
Unvollkommenheit des verwendeten MeBinstruments, der zugrunde liegenden MeBmethode und des Meliobjektes
-
Umwelteinflusse wie z.B. geringfugige Schwankungen der Temperatur, des Luftdrucks und der Luftfeuchtigkeit oder das Einwirken elektromagnetischer Felder
-
Einfliisse, die mit der Person des Beobachters verbunden sind, wie z.B. Unaufmerksamkeit bei der Messung oder mangelnde Sehscharfe usw.
1)
In der DIN-NORM 1319 (Teil 3) wird empfohlen, die Bezeichnung .Fehler" durch "MeBabweichung" (kurz .Abweichung" genannt) zu ersetzen (vgl. hierzu -auch die Anmerkungen am Ende dieses Abschnitts).
IV Fehler- und Ausgleichsrechnung
646
Ihrer Art nach unterscheiden wir dabei zwischen
-
groben Fehlern, systematischen Abweichungen ("systematischen Fehlern") und zufdlligen Abweichungen ("zufalligen" oder .statistischen Fehlern").
Grobe Fehler
Grobe Fehler sind Fehler im eigentlichen Sinne. Sie entstehen durch fehlerhaftes Verhalten des Beobachters, beispielsweise durch falsches Ablesen von MeBwerten oder durch Verwendung eines beschddigten und daher nicht mehr funktionsfahigen MeBinstrumentes. Grobe Fehler sind somit stets vermeidbar.
Systematische Abweichungen ("systematische Fehler") 2)
Systematische MeBabweichungen beruhen auf ungenauen MeBmethoden und fehlerhaften MeBinstrumenten. Bei einem falsch geeichten Amperemeter beispielsweise fallen alle MeBwerte entweder zu groB oder zu klein aus. Eine weitere haufig auftretende systematische MeBabweichung beruht aufdem sog. Parallaxenfehler beim Ablesen eines MeBwertes auf einer Skala: Alle Werte werden unter einem bestimmten Winkel und daher einseitig verfdlscht abgelesen. Eine systematische Abweichung erkennt man stets daran, daB alle MeBwerte einseitig, d. h. in gleicher Weise verfalscht sind. Sie ist somit durch ein bestimmtes Vorzeichen gekennzeichnet (entweder werden alle Werte zu groB oder aber zu klein gemessen). Wird eine systematische MeBabweichung als eine solche erkannt, so muB sie im MeBergebnis durch ein Korrekturglied beriicksichtigt werden. Man erhalt dann einen korrigierten oder berichtigten MeBwert. In vielen Fallen jedoch lassen sich systematische Abweichungen bei sorgfaltiger Vorbereitung und Durchfiihrung der Messung und Verwendung hochwertiger MeBinstrumente nahezu vermeiden oder zumindest auf ein vernachldssigbares MaB reduzieren. Zufallige Abweichungen ("zufiillige" oder "statistische Fehler") 3)
Zufallige MeBabweichungen entstehen durch Einwirkung einer Vielzahl von unkontrollierbaren Storeinfliissen ("Einzelfehlern") und sind stets regellos verteilt. Sie verfalschen das MeBergebnis in unkontrollierbarer Weise. Zufallsabweichungen sind beispielsweise auf gewisse Mangel an den MeBinstrumenten, die auch bei sorgfaltigster Fertigung auftreten, oder auf geringfugige Schwankungen der aulleren Versuchsbedingungen wie z.B. Temperatur-, Luftdruck- und Feuchtigkeitsanderungen zuriickzufiihren. Weitere Storeinfliisse sind mechanische Erschiitterungen, elektrische und magnetische Felder usw.. Die zufaIligen MeBabweichungen unterliegen als unkontrollierbare und stets regellos auftretende Abweichungen den Gesetzmalsigkeiten der mathematischen Statistik und werden daher auch als statistische MeBabweichungen bezeichnet.
2)
Systematische Abweichungen wurden friiher als "systematische Fehler" bezeichnet.
3)
Zufdllige Abweichungen wurden friiher als zufdllige oder statistische .Fehler" bezeichnet.
1 "Fehlerarten". Aufgaben der Fehler- und Ausgleichsrechnung
647
Die groben Fehler und diesyste~atischen MeBabweichungen ("systematischen Fehler") schlieBen wir von allen weiteren Betrachtungen aus, da. sie - im Gegensatz zu den zufalligen MeBabweichungen ("zufaJligen Fehlern") - vermeidbar und daher mit den Hilfsmitteln der mathematischen Statistik nicht erfaj3bar sind 4). 1m Sinne der Statistik ist daher ein MeBvorgang als eine Zufallsbeobachtung, das Auftreten eines bestimmten MeBwertes bzw. einer bestimmten MeBabweichung als ein zufdlliges Ereignis undeine aus n MeBwerten Xl' X 2, .•• , x; bestehende MeBreihe als eine Stichprobe aus der (als unendlich angenommenen) Grundgesamtheit aller moglichen MeBwerte aufzufassen. Es gibt daher keine Moglichkeit, den .wahren" Wert x., einer Meligrobe X zu bestimmen. Die Einzelwerte Xl' X 2, •.• , x, einer MeBreihe sind vielmehr Realisierungen einer Zufallsvariablen, namlich der Meligrobe X, die einer bestimmten Wahrscheinlichkeitsverteilung mit dem Erwartungs- oder Mittelwert E(X) = /lund der Varianz Var(X) = (J2 bzw. der Standardabweichung (J geniigt 5). Die Fehler- und Ausgleichsrechnung beschaftigt sich mit der Erfassung, Verarbeitung und Beurteilung von MeBwerten und ihren zufdlligen MeBabweichungen ("Zufallsfehlern") auf der Grundlage der Wahrscheinlichkeitsrechnung und mathematischen Statistik. Ihre wichtigsten Aufgaben sind: 1. Auswertung und Beurteilung einer MeBreihe durch Bildung eines geeigneten Mittelwertes und Angabe eines Genauigkeitsmaj3es.
2. Untersuchung der Fortpflanzung von (zufalligen) MeBabweichungen (Fehlerfortpflanzung).
3. Bestimmung einer sog. Ausgleichs- oder Regressionskurve, die den funktionalen Zusammenhang zwischen zwei Melsgrolsen "optimal" beschreibt. Die zuerst angeschnittene Aufgabe wird mit Hilfe der Begriffe arithmetischer M ittdwert, Standardabweichungbzw. Varianz, Vertrauensbereich fur den Mittelwert und Mefiunsicherheit gelost, Die zweite Aufgabe fiihrt uns zu dem Gauj3schen Fehlerfortpflanzungsgesetz (auch Varianzfortpflanzungsgesetz genannt). In diesem Zusammenhang solI auch an die bereits in Band 2 behandelte .lineare Fehlerfortpflanzung" erinnert werden (Abschnitt IV.2.5.5). 1m Rahmen der Ausgleichsrechnung beschaftigen wir uns schlieBlich mit dem in den technischen Anwendungen wichtigen Problem, eine Kurve so zu bestimmen, daB sie sich n vorgegebenen MeBpunkten Pi = (Xi; yJ (i = 1, 2, ... , n) .moglichst gut" anpaBt (Bestimmung einer Ausgleichskurve).
4)
5)
Diese Aussage trifft fur die systematischen Abweichungen nur bedingt zu. Grundsatzlich lassen sich systematische MeBabweichungen meist nicht vermeiden. Sie bleiben in vielen Fallen unerkannt. Wir gehen jedoch im Rahmen dieser einfiihrenden Darstellung stets davon aus, daB eventuell vorhandene systematische Abweichungen vernachldssigbar klein sind. Wir werden im nachsten Abschnitt zeigen, daB man eine Mefigrofse X als eine (in der Regel annahernd normalverteilte) Zufallsvariable auffassen kann. Daher verwenden wir - wie in der Wahrscheinlichkeitsrechnung und Statistik allgemein iiblich - lateinische Grofibuchstaben zur Kennzeichnung von MeBgrolsen. Der unbekannte .wahre" Wert X w einer MeBgraBe X entspricht dabei dem Mittel- oder Erwartungswert E (X) = J1 der unendlichen Grundgesamtheit, die aus allen moglichen MeBwerten besteht.
IV Fehler- undAusgleichsrechnung
648 Wir fassen die wichtigsten Aussagen zusarnrnen:
Anmerkungen (1)
Die in der technischen Literatur und in der Praxis noch haufig verwendeten Begriffe zufdlliger bzw. systematischer Fehler wurden in der DIN-NORM 1319 (TeiI3) durch die Bezeichnungen zufiillige bzw. systematische MefJabweichung (auch kurz "Abweichung" genannt) ersetzt: zufalliger Fehler
---+
zufallige Abweichung
systernatischer Fehler
---+
systernatische Abweichung
Die neuen Bezeichnungen scheinen sich jedoch nur langsarn durchzusetzen. Urn Miliverstandnisse zu verrneiden, werden wir hier der besseren "Dberbriickung" wegen rneist beide Bezeichnungen verwenden, wobei wir irn Regelfall die alte Bezeichnung in Klarnrnern setzen. Z.B.:
zufdllige Abweichung (2)
(zufiilliger Fehler)
Es wird grundsatzlich vorausgesetzt, daB keine groben Fehler vorliegen (denn diese sind vermeidbar) und eventuell vorhandene systematische MeBabweichungen ("systematische Fehler") vernachldssigbat sind. Unter den M efJabweichungen oder kurz Abweichungen verstehen wir daher irn folgenden stets die "zufiilligen" Abwei-
chungen.
2 Statistische Verteilung der MeBwerte und MeBabweichungen ("MeBfehler")
649
2 Statistische Verteilung der Me8werte und Me8abweichungen ("Me8fehler") 2.1 Hauflgkeitsverteilungen Eine physikalisch-technische Grolie X werde unter den folgenden Bedingungen n-mal gemessen ("Messungen gleicher Genauigkeit"): 1. Die MeBwerte unterliegen dem gleichen GenauigkeitsmaB igleiches MeBobjekt, gleiche MeBmethode, gleiches MeBinstrument, aIle Messungen werden von ein und derselben Person in kurzen Zeitabstanden am gleichen Ort durchgefuhrt) 6).
2. Die MeBwerte sind voneinander unabhdngig, d.h. keine Messung beeinfluBt in irgendeiner Weise eine nachfolgende Messung. 3. Die auftretenden MeBabweichungen sind ausschlieBlich zufdlliger Art.
Die MeBreihe Xl' X 2, ... , X n kann dann nach den Ausfiihrungen des letzten Abschnitts als eine Stichprobe aus der (unendlichen) Grundgesamtheit aller moglichen MeBwerte verstanden werden. Wir wollen uns nun mit der Hdufigkeiisverteilung einer solchen MeBreihe naher befassen. Dazu werden die MeBdaten (MeBwerte) Xi zunachst der Grobe nach geordnet und dann in der aus Kap. III, Abschnitt 1.3.3 bekannten Art und Weise in k Klassen gleicher Lange (Breite) dX aufgeteilt 7). Die absolute Klassenhaufigkeit n, gibt dann die Anzahl der MeBwerte in der i-ten Klasse an, wobei stets k
I
(IV-3)
ni=n
i= 1
gilt. Geht man zu den relativen Klassenhaufigkeiten hi ===
und
nfn tiber,
so ist
(IV-4)
Die Hdufigkeitsverteilung einer MeBreihe laBt sich dann sehr anschaulich in einem H istogramm darstellen. In Bild IV-1 haben wir die absolute Klassenhaufigkeit ni tiber der Klassenmitte Xi aufgetragen (i === 1, 2, ... , k). Statt der absoluten Klassenhaufigkeit n, kann man auch die relative Klassenhaufigkeit hi gegen die Klassenmitte Xi auftragen.
6) 7)
Man spricht in diesem Zusammenhang auch von Wiederholungsbedingungen. Eine Einteilung in Klassen ist allerdings nur bei umfangreichen MeBreihen sinnvoll (vgl. hierzu Kap. III. Abschnitt 1.3.3).
650
IV Fehler- und Ausgleichsrechnung
nj i-
-
-
Bild IV-l Histogramm
-
&.0-.
I.
'" Xj
•
Beispiel
In einem Versuch wurde der ohmsche Widerstand Reiner Spule insgesamt 80-mal gemessen, wobei sich Werte zwischen 200,6 n und 210,3 n ergaben. Eine Unterteilung in 10 Klassen der Breite i1R = 1 n fuhrte zu der folgenden H dufigkeitsverteilung:
200,5 ... 201,5
201
2
201,5 ... 202,5
202
3
3
202,5 ... 203,5
203
10
4
203,5 ... 204,5
204
14
5
204,5 ... 205,5
205
19
6
205,5 ... 206,5
206
15
7
206,5 ... 207,5
207
9
8
207,5 ... 208,5
208
6
9
208,5 ... 209,5
209
2
10
209,5 ... 210,5
210
Das zugehorige Histogramm ist in Bild IV-2 dargestellt (aufgetragen wurde die absolute Klassenhaufigkeit n, gegen die Klassenmitte).
2 Statistische Verteilung der MeBwerte und MeBabweichungen ("MeBfehler")
651
20 18 16 14 12 10 8
Bild IV-2
6 4
2
202
204
206
208
210
•
2.2 Normalverteilte Me8gro8en Die diskrete Haufigkeitsverteilung aus Bild IV-1 geht in eine kontinuierliche (stetige) Verteilung iiber, wenn die Anzahl n der Messungen beliebig erhoht (n ~ (0) und gleichzeitig die Klassenbreite Ax beliebig verkleinert wird (~x ~ 0). Die Verteilung der MeBdaten wird dann durch eine Verteilungsdichtefunktion f (x) beschrieben, von der wir aufgrund der Erfahrungen die folgenden Eigenschaften erwarten: 1. Die MeBwerte sind symmetrisch urn ein Maximum verteilt, d.h. betragsmdfiig gleich
groBe positive und negative Abweichungen treten mit gleicher Haufigkeit (Wahrscheinlichkeit) auf. 2. Je grojJer die Abweichung eines MeBwertes vom Maximum ist, umso geringer ist seine Haufigkeit (Wahrscheinlichkeit). f (x) ist somit eine vorn Maximum nach beiden Seiten hin monoton abfallende Funktion. Wir "erwarten" daher fur die Dichtefunktion f (x) der Grundgesamtheit, die als eine hypothetische MeBreihe mit unendlich vielen MeBwerten aufgefaBt werden kann, einen Kurvenverlauf wie in Bild IV-3 dargestellt. f(x) Dichtefunktion f(x)
Bild IV-3 Ubergang von einer diskreten Verteilung (Histogramm, grau unterlegt) zur stetigen Verteilung (Dichtefunktion f(x))
x
652
IV Fehler- und Ausgleichsrechnung
Die "erwartete" Verteilung erinnert dabei stark an die Dichtefunktion der GaufJschen N ormalverteilung, die wir bereits ausfuhrlich in Kap. II, Abschnitt 6.4 behandelt haben. In der Tat lehrt die Erfahrung, daB die MeBwerte einer physikalisch-technischen MeBgrofse X in den meisten Fallen anndhernd normalverteilt sind. Diese auBerordentlich bedeutsame Feststellung laBt sich auch wie folgt erklaren und begriinden: Jeder MeBvorgang unterliegt bekanntlich einer grofJen Anzahl vollig regelloser und unkontrollierbarer kleinerer Einflusse (z.B. Temperatur-, Luftdruck- und Luftfeuchtigkeitsschwankungen, Storeinfliisse durch mechanische Erschiitterungen und elektro-magnetische Felder usw.). Die beobachtete zufdliige MeBabweichung (d.h. der .zufallige Fehler") Z setzt sichsomit additiv aus einer groBen Anzahl von .Einzclfehlern" zusammen, die wir als unabhdngig voneinander betrachten diirfen und von denen keiner in irgendeiner Weise dominiert. Diese .Einzelfehler" konnen dann durch unabhangige Zufallsvariable Z1, Z2'···' Zm beschrieben werden. Der "Gesamtfehler", d.h. die beobachtete zufallige MeBabweichung laBt sich dann durch die Summe (IV-5) darstellen, die nach dem Zentralen Grenzwertsatz der Wahrscheinlichkeitsrechnung als eine anndhernd normalverteilte Zufallsvariable (Zufallsgrobe) betrachtet werden darf und zwar unabhangig von den (meist unbekannten) Verteilungen der einzelnen Summanden Z l' Z 2' ... , Zm· Die Mebgrolie X kann daher im Regelfall als eine (annahernd) normalverteiite Zufallsgrolse aufgefaBt werden. Bei allen weiteren Uberlegungen gehen wir daher von einer normalverteilten Meligrobe X mit der normierten Dichtefunktion f(x)=_l_. e -
J2;(J
1
2:
(x - Jl)2 (-oo<x
-(J-
(IV-6)
aus. Sie besitzt den in Bild IV-4 dargestellten typischen Verlauf einer Glockenkurve.
f(x) f(x) =
1 (X-P
_1_ .
~a
I I
e-2 (5)
2
---T--I I
I I
I I I
X3
=
J1 -
(J'
X1
=
J1
x
Bild IV-4 Dichtefunktion f(x) der Gau13schen Normalverteilung ("Gau13sche Glockenkurve")
.2 Statistische Verteilung derMe13werte undMe13abweiehungen ("M.eBfehler")
653
Die in der Normalverteilung (IV-6) enthaltenen Kennwerte (Parameter) f.l und haben dabei die folgende Bedeutung:
(J
>0
u: Mittel- oder Erwartungswert der Grundgesamtheit (haufig auch "wahrer" Wert X w der Mefrgrofie X genannt: E(X) == f.l == x w ) 8 ) (J:
Standardabweichung der Grundgesamtheit ((J 2 ist die Varianz der Grundgesamtheit)
Wir gehen jetzt noch etwas naher auf die beiden Verteilungsparameter f.l und
(J
ein:
Mittel- oder Erwartungswert E(X) = Jl Angenommen, wir waren in der Lage, unsere Messung beliebig oft zu wiederholen. Dann wurde in der aus unendlich vielen MeBwerten bestehenden (hypothetischen) Me13reihe (IV-7) der spezielle Me13wert u mit der grojJten Haufigkeit (Wahrscheinlichkeit) auftreten. Die Dichtefunktion f (x) besitzt somit an der Stelle Xl == f.l ihr absolutes Maximum (Bild IV-4). Der Mittel- oder Erwartungswert f.l ist somit der .wahrscheinlichste" Wert der Zufallsgrobe (Meligrofie] X und wird daher zu Recht als eine Art M ittelwert der unendlichen M ejJreihe (Grundgesamtheit) angesehen. Standardabweichung
(J'
Die Verteilungsfunktion f (x) der Normalverteilung besitzt an der Stelle Xl == u ihr absolutes Maximum und symmetrisch dazu Wendepunkte an den Stellen X 2/ 3 == f.l ± a (Bild IV-4). Urn die Bedeutung der Standardabweichung (J besser erkennen zu konnen, betrachten wir den Verlauf dieser Funktion fur den speziellen Mittelwert f.l == 0 und verschiedene Werte des Parameters (J. Bild IV-5 verdeutlicht, daB die Standardabweichung (J im wesentlichen "Rohe" und .Brcitc" der Dichtefunktion f (x) bestimmt. tix)
0,8
...........
:/ :' 04
. .i ":
-2
8)
-1
(5=0 5
'\
Bild IV-5
'
Die Standardabweichung (J bestimmt "Hohe" (Maximum) und "Breite" der Normalverteilungsdichtefunktion I(x)
".
\.. .
2
x
Die Aussage "Mittelwert J1 = wahrer Wert x.," gilt nur, wenn keine systematischen MeBabweichungen auftreten, was wir jedoch verabredungsgemaf stets voraussetzen.
IV Fehler- und Ausgleichsrechnung
654
Je kleiner (J ist, urn so starker ist das Maximum ausgepragt und urn so steiler fallt die GauBsche Glockenkurve nach beiden Seiten hin abo Die Standardabweichung (J kann somit alsein geeignetes MaB fur die Streuung der MeBwerte Xi urn den .wahren" (aber unbekannten) Wert x., == 11 angesehen werden. Die Prdzision einer Messung wird somit ganz wesentlich durch den .Breiteparameter" (J bestimmt. Offensichtlich gilt die folgende Regel: kleines
(J
~
schmale Kurve
~
hohe Genauigkeit
groBes
(J
~
breite Kurve
~
geringe Genauigkeit
Die Wahrscheinlichkeit P(a ~ X ~ b) dafiir, daB der MeBwert in das Intervall [a; b] fallt, ist bekanntlich durch das Integral b
p(a~X~b)==ff(X)
b
dx==_l_·fe-
1
(x - fl)2
2 --;;-
dx
(IV-8)
J2;c(J
a
a
gegeben (grau unterlegte Flache in Bild IV -6).
f(x) P(a
«x s b)
f(x)
a
b
x
Bild IV-6 Die grau unterlegte Flache ist ein MaB fur die Wahrscheinlichkeit, bei einer Messung einen im Intervall [a; b] gelegenen MeBwert zu erhalten
Die Bedeutung der Standardabweichung (J als GenauigkeitsmafJ fur un sere Messungen wird auch deutlich, wenn wir die urn den Mittelwert 11 symmetrisch angeordneten Intervalle [11 - (J; 11 + (J], Lu - 2 (J; 11 + 2 (J] lind [11 - 3 (J; J1 + 3 (J] naher betrachten (Bild IV-7).
2 Statistische Verteilung der MeBwerte und MeBabweichungen ("MeBfehler")
655
In Kap. II, Abschnitt 6.4.4 haben wir bereits gezeigt, daB sich in diesen Intervallen der Reihe nach 68,3%, 95,5% und 99,7% aller MeBwerte befinden. Wir erwarten daher bei 100 Einzelmessungen, daB rund 68 MeBwerte urn hochstens eine Standardabweichung vom Mittelwert p: abweichen. Bei kleinem (J liegen also rund 68 % der MeBwerte in der unmiitelbaren Nahe des Mittelwertes /l (Bild IV -7, a)).
f(x) :::::68,3 %
a) o-Bereich urn den Mittelwert f1
x
f.l-a f.l f.l+a a)
f(x)
b) 2 a- Bereich urn den Mittelwert f1
f.l- 2 a
f.l
f.l+ 2 a
x
b)
f(x)
c) 3 c-Bereich urn den Mittelwert f1
f.l- 3 a
f.l+3a
x
c)
Bild IV-7 Zur Deutung der Standardabweichung a als MaB fur die Streuung der einzelnen MeBwerte Xi urn den Mittelwert f1
656
IV Fehler- und Ausgleichsrechnung
Wir fassen die wichtigsten Aussagen wie folgt zusammen:
9)
Die unendliche Grundgesamtheit besteht aus allen moglichen MeBwerten der Grobe X.
657
3 Auswertung einer MeBreihe
Anmerkungen (1)
Wir weisen der groBen Bedeutung wegen nochmals darauf hin, daB diese Aussagen nur fur zufdllige Mellabweichungen ("zufallige Fehler") gelten. Eventuell auftretende systematische Abweichungen ("systematische Fehler") werden daher stets als vernachldssigbar betrachtet.
(2)
Im Normalfall (d.h. in der Regel) geniigen die MeBwerte und MeBabweichungen ("MeBfehler") ndherungsweise einer Gaufischen N ormalverteilung. Man sagt dann: MeBwerte und MeBabweichungen ("MeBfehler") sind nach Gauf normalverteilt. Wir wollen aber nicht verschweigen, daf es sich hierbei streng genommen nur urn eine M odellverteilung handelt, die jedoch der Wirklichkeit oft sehr nahe kommt.
(3)
Es gibt auch MeBreihen, die keiner Normalverteilung folgen. Im konkreten Fa111aBt sich z. B. mit Hilfe des Wahrscheinlichkeitspapiers oder mit dem Chi-Quadrat- Test prufen, ob eine Normalverteilung vorliegt oder .nicht.
3 Auswertung einer Me8reihe 3.1 Mittelwert
ODd
Standardabweichung
Gegeben sei eine aus n MeBwerten bestehende MeBreihe Xl' X 2' ..• , X n , von der wir voraussetzen, daB sie die in Abschnitt 2 dargelegten Eigenschaften besitzt (Messungen gleicher Genauigkeit, unabhdngige Beobachtung der MeBwerte, normalverteilt nach GauB). Die Melrgrobe X geniigt dabei einer Normalverteilung mit dem Mittelwert J1 und der Standardabweichung (J (Bild IV-8). Beide Parameter sind jedoch unbekannt. Die Aufgabe der Fehlerrechnung besteht nun darin, aus den vorgelegten MeBwerten Xl' X 2, ... , X n .moglichst gute" Schdtzwerte fur diese Parameter zu bestimmen.
f(x)
I I
---T--I I
I I
I I x
Bild IV-8 Dichtefunktion der Gauf3schen Normalverteilung mit dem Mittelwert und der Standardabweichung (J
{l
IV Fehler- und Ausgleichsrechnung
658 Mittelwert X einer Me8reihe
Da die vorliegende MeBreihe irn Sinne der Statistik eine Stichprobe darstellt, ist bekanntlich der arithmetische M ittelwert n
i
I
(IV -11)
Xi
=1
der "beste" Schdtzwert fur den unbekannten .wahren" Wert (Mittelwert) f.1 der Mebgrobe X (vgl. hierzu Kap. III, Abschnitt 3.2.3). Zu diesem Ergebnis gelangt man auch durch Ausgleichung der streuenden MeBwerte nach der von GaufJ stammenden "Methode der kleinsten Quadrate" 10). Wir fiihren zu diesern Zweck zunachst die Abweichungen Vi der MeBwerte Xi vom (noch zu bestimmenden) Mittelwert i ein: (i == 1, 2, ... , n)
(IV-12)
Diese auch als "scheinbare Fehlcr" bezeichneten GraBen werden nun quadriert und anschlieBend aufaddiert. Wir erhalten dann die noch vorn (unbekannten) Mittelwert i abhangige Summe aller Abweichungsquadrate: n
S(x) =
n
I
2
Vi =
i= 1
I
(Xi -
(IV~13)
X)2
i= 1
Der nach GauB giinstigste Wert fur i ist dabei derjenige, fur den diese Surnrne ein Minimum annimmt: n
S(x) =
I
(IV-14)
(Xi - X)2 ---> Minimum
i= 1
Wir bestimmen i nun so, daB die Funktion S (i) die fur ein Minimum hinreichenden Bedingungen S' (i) == 0 und S" (i) > 0 erfiillt. Die dabei benotigten Ableitungen lauten:
== -
2 [(Xl - i)
+ (x 2 -
== -
2 [(Xl + X2
+ ... + x n ) -
i)
+ ... + (x,
- i)]
==
i
ni] == - 2 ( .
Xi -
nx)
(IV-iS)
1=1
S"(x) = 10)
:x [-2 (itt ~ nx)J 2n 0 Xi
=
>
(IV-16)
Diese Bezeichnung ist ungliicklich gewahlt. Es miifite besser heiBen: "Methode der kleinsten Quadratsumme", Dieses fur die Fehler- und Ausgleichsrechnung typische Verfahren Hifit sich mit Hilfe der 1\1aximum-Likelihood-Methode leicht herleiten (vgl. hierzu Kap. III, Abschnitt 3.3).
.3 Auswertung einer MeBreihe
659
Aus der notwendigen Bedingung Sf (X) folgt zunachst n
I
Xi -
nx =
(IV-17)
0
i= 1
und damit _
1
x == - '
(IV-18)
n i
=1
Wegen S" (X) == 2 n > 0 handelt es sich dabei ·um das gesuchte Minimum. Das arithmetische Mittel ist demnach der "beste" Schdtzwert fur den meist unbekannt bleibenden "wahren" Wert der Mebgrolie X, d.h. X ist der "beste" Schdtzwert fur den Mittelwert J1 der (normalverteilten) Grundgesamtheit, die aus allen moglichen MeBwerten besteht. Standardabweichung seiner Mefireihe Die Streuung der einzelnen MeBwerte durch die Standardabweichung
s==
1 n 2 - - ' . \ ' V i == n-1
L
i= 1
J
Xi
urn den arithmetischen Mittelwert
1 n - - ' \ ' (Xi -
n-1
L
x HiBt sich
(IV-19)
x)2
i= 1
charakterisieren (vgl. hierzu auch Kap. III, Abschnitt 2.1). Sie ist ein MaB fur die Zuverliissigkeit und Genauigkeit der Einzelmessung 11). Zugleich ist die Standardabweichung s der "beste" Schdtzwert fur die unbekannte Standardabweichung (J der normalverteilten Grundgesamtheit. Wir konnen somit erwarten, daf z.B. von 100 weiteren Einzelmessungen rund 68 MeBwerte in das Intervall mit den Grenzen x - s und x + s fallen (Bild IV-9). f(x)
x Bild IV -9 Rund 68,3 % aller MeBwerte unterscheiden sich vom Mittelwert J1 urn hochstens eine Standardabweichung (J ~ s
11)
~
x
Die Standardabweichung s wurde friiher auch als mittlerer Fehler der Einzelmessung bezeichnet.
IV Fehler- und Ausgleichsrechnung
660
Standardabweichung
si
des Mittelwertes i
Bei der Berechnung des arithmetischen Mittelwertes .x nach Formel (IV-18) werden alle n Einzelmessungen in gleicher Weise berucksichtigt. Wir diirfen daher zu Recht erwarten, daB das arithmetische Mittel x einen zuverldssigeren Schatzwert fur den unbekannten Mittelwert u liefert als jeder einzelne MeBwert Xi fur sich alleine genommen. Der arithmetisehe Mittelwert x laBt sieh namlich als eine Realisierung der normalverteilten Zufallsgroj3e (IV-20) i= 1
auffassen, die wir bereits in Kap. III. Absehnitt 3.2.3 als Schiitzfunktion fiir den Mittelwert f1 kennengelernt haben 12). Wenn wir die aus verschiedenen MeBreihen vom gleichen
Urnfang (jeweils n Einzelmessungen!) mittels der Schatzfunktion X bereehneten Mittelwerte x miteinander vergleiehen, werden wir feststellen, daf diese ebenso wie die einzelnen MeBwerte urn den .wahren" Wert (Mittelwert) f1 streuen. Wir werden sparer zeigen, daf diese Streuung mit der Standardabweichung
s-
== -
11
s
x~
==
n (n - 1)
L
(IV-21)
(Xi - X)2
i= 1
erfolgt, die daher als Standardabweichung des M ittelwertes x bezeiehnet wird. Sie liefert einen Schdtzwert fur die unbekannte Standardabweiehung (J x = (J/~ der Schatzfunktion X. Die Standardabweiehung Sx des Mittelwertes x kennzeiehnet die Genauigkeit des Mittelwertes und ist kleiner als die Standardabweiehung s der Einzelmessungen (Bild IV-10). Dies bestatigt un sere Vermutung, daf der arithmetische Mittelwert x sieher ein zuverldssigerer Schatzwert fur den .wahren" Wert u darstellt als ein einzelner MeBwert.
x
Bild IV-tO Die Standardabweichung des Mittelwertes x ist kleiner als die Standardabweichung der Einzelmess ung J1~X
12)
x,x
Wir erinnern: Die normalverteilten ZufaIlsvariablen Xl' X 2' ... , XII geniigen aIle der gieichen Verteilung wie die Metigrolie X. Sie besitzen daher jeweils den Mittelwert tl und die Standardabweichung (J. Die Zufallsvariable X ist dann normalverteilt mit dem Mittelwert tl x = tl und der Standardabweichung
(Jx = (J/Jn.
661
3 Auswertung einer MeBreihe Wir fassen diese Ergebnisse wie folgt zusammen:
Anmerkungen (1) Eine Kontrolle der Mittelwertbildung nach Gleichung (IV-22) ermoglicht die Summe der Abweichungen, die stets verschwindet: n
I
n
Vi
=
I
n
(Xi -
x)
=
i= 1
i= 1
I
i= 1
Xi -
i= 1
n
=
I
nx
=
I
n
i= 1
Xi -
n
(1
I
~.
n
i
=
Xi
)
=
1
n
Xi -
I
i= 1
Xi =
0
(IV-25)
662
IV Fehler- und Ausgleichsrechnung
(2)
Man beachte, daB die Standardabweichung s mit der Summe der Abweichungsquadrate gebildet wird. Diese besitzt fur den arithmetischen Mittelwert x ihren kleinsten Wert ("M ethode der kleinsten Quadrate").
(3)
Die Standardabweichung seiner MeBreihe wird sich nur geringfugig andern, wenn man die Anzahl n der Einzelmessungen vergrofiert. Daher gilt fur die Standardabweichung Sx des Mittelwertes ndherungsweise:
x
1
(IV-26)
s-""'-
Xj;;
Die Genauigkeit des MeBergebnisses HiBt sich daher prinzipiell durch eine Erhiihung der Anzahl n der Einzelmessungen verbessern. Aus Zeit- und Kostengriinden ist dies jedoch in der Praxis meist nicht moglich, (4)
Bei unseren Uberlegungen sind wir von einer N ormalverteilung der MeBwerte x; mit der Dichtefunktion
Xl' X 2, ... ,
1
f(x) = _1_. e-2
(x - 11)2 -(5-
(IV-27)
j2;c(J
ausgegangen. Der Mittelwert x ist dann als Schatz- oder N dherungswert des Mitteloder Erwartungswertes f.1 der Grundgesamtheit aller moglichen MeBwerte aufzufassen. Die Standardabweichung s der Einzelmessung liefert einen Schatz- oder N dherungswert fur die Standardabweichung (J der Normalverteilung, ebenso ist S2 ein Schdtzwert fur dieVarianz (J 2. Es gilt somit: f.1~X,
(5)
(J ~
s,
(IV-28)
Die Standardabweichung s der Einzelmessung wurde friiher auch als .mittlerer Fehler der Einzelmessung", die Standardabweichung Sx des Mittelwertes auch als .mittlerer Fehler des Mittelwertes" bezeichnet.
3 Auswertung einer MeBreihe •
663
Beispiele
(1)
Wir bestimmen anhand des folgenden MeBprotokolls einer Widerstandsmessung den arithmetischen Mittelwert R sowie die Standardabweichungen SR und sji der Einzelmessung bzw. des Mittelwertes:
151,5
1,2
1,44
2
149,7
-0,6
0,36
3
149,1
-1,2
1,44
4
150,3
5
151,3
°
°
6
150,9
0,6
0,36
7
150,6
0;3
0,09
8
149,8
-0,5
0,25
9
149,4
-0,9
0,81
10
150,4
0,1
0,01
1,0
1,00
Arithmetischer Mittelwert: _
1
10
1
R == _. \ R· == _. 1503 00== 1503 0 10 L l 10 - , , i= 1
Standardabweichung der Einzelmessung:
1
10
- _ . \ (R. - R)2 == 10 - 1 L l i= 1
Standardabweichung des Mittelwertes: SR
0,8 0
°
°
- == 25 Q ~ 3 0 ;;; == jiO' ,
sji == -
)1
-.5760 2 == 08 Q 9' ,
IV Fehler- und Ausgleiehsreehnung
664
(2)
In einem Versueh wurde der Durchmesser d einer zylindrisehen Scheibe insgesamt 6-mal mit gleieher Genauigkeit gemessen. Es ergaben sieh dabei die folgenden Werte: 5,61 em,
5,59 em,
5,50 em,
5,68 em,
5,65 em,
5,52 em
Man bereehne den Mittelwert des Durehmessers sowie die Standardabweichung der Einzelmessung und des Mittelwertes.
Losung: Aus den MeBdaten bilden wir die folgende Tabelle:
5,61
0,018
3,24
2
5,59
- 0,002
0,04
3
5,50
- 0,092
84,64
4
5,68
0,088
77,44
5
5,65
0,058
33,64
6
5,52
- 0,072
51,84
M ittelwert des Durchmessers: 6
Ld
1 d == _. 6
i
=
1
6. 33,55 em =
5,592 em ~ 5,59 em
i= 1
Standardabweichung der Einzelmessung:
s = d
J_1_. L~ (d. 6-1
d)2 =
l
J~5 ·25084 . 10'
4
cm' = 007 em ,
i= 1
Standardabweichung des Mittelwertes: s(j
== -
Sd
0z
==
0,07 em
j6
== 0,03 em
•
3 Auswertung einer MeBreihe
665
3.2 Vertrauensbereich fur den Mittelwert Il, Mellunsicherheit, Me8ergebnis Der aus einer MeBreihe Xl' X 2, ... , X n ermittelte arithmetische Mittelwert Xist - wie wir inzwischen wissen - der "beste" Schatz- oder N dherungswert fur den (unbekannten) "wahren" Wert (Mittelwert) j1 der normalverteilten McligroheX. Wir konnen daher nicht erwarten, daf x und j1 iibereinstimmen, da der arithmetische Mittelwert x immer das Ergebnis einer Zufallsstichprobe ist und sich somit von Mebreihe zu MeBreihe (wenn i. a. auch nur geringfugig) verdndern wird. Die aus verschiedenen MeBreihen vom gleichen Umfang n bestimmten Mittelwerte streuen also urn den Mittelwert u, wie in Bild IV -11 verdeutlicht.
x
I I I
I I I I I
Bild IV-II
I I I
-
x
ttt ~tt Neheruriqswerte tiir J1 aus verschiedenen MeBreihen
Vertrauensbereich fur den Mittelwert
Die aus verschiedenen Mefireihen ermi ttelten Mi ttel werte -'~ streuen urn den (unbekannten) Mittelwert f.1 der normalverteilten MeBgr6I3e
}l
x
Wir sind jedoch in der Lage, ein urn den arithmetischen Mittelwert symmetrisches Intervall anzugeben, das den unbekannten Mittelwert J1 mit einer vorgegebenen (groBen) Wahrscheinlichkeit P = 1) itberdecki. Genau dieses Problem aber haben wir bereits in Kap. III, Abschnitt 3.4.2 und 3.4.3 ausfuhrlich erortert. Es handelt sich namlich urn die Konstruktion eines Vertrauensintervalles, in dem der unbekannte Mittelwert u mit einer vorgegebenen Wahrscheinlichkeit y vermutct wird 13). Bei unbekannter Standardabweichung (J der normalverteilten Gruhdgesamtheit (dies ist der N ormalfall) ergaben sich dabei die folgenden Vertrauensgrenzen (Bild IV -12): Untere Vertrauensgrenze:
_ X -
s t-
~
(IV-29)
_ s Obere Vertrauensgrenze: x + t -
.:
13)
Die vorgegebene Wahrscheinlichkeit wird in diesem Zusammemhang auch als Vertrauensniveau oder als st atistische Sicherheit bezeichnet.
666
IV Fehler- und Ausgleichsrechnung
j -
Vertrauensgrenzen
5
t
X
x-t-
vn
-
5
x+t-
X
vn
Bild IV-12
Vertrauensbereich fur den Mittelwert u
2t _5_
vn
s ist dabei die Standardabweichung der MeBreihe, n die Anzahl der Einzelmessungen und t ein Zahlenfaktor (Parameter), der noch von dem gewahlten Vertrauensniveau (hier haufig auch statistische Sicherheit genannt) P = y und der Anzahl n der Einzelmessungen abhangt 14). Die nachfolgende Tabelle 1 enthalt die benotigten Werte fur den Parameter tin Abhangigkeit von der Anzahl n der Einzelmessungen fur die statistischen Sicherheiten y
= 68,3%,
Y = 900/0,
y
=
95°~
und
y
= 99%.
Der Vertrauensbereich fur den unbekannten Mittelwert J1lautet damit:
_
s
_
s
x-t .J;t~f1~x+t.J;t
(IV-30)
Mit einem Vertrauen von y erwarten wir daher, daB der (unbekannte) .wahre" Wert J1 der Meligrobe X in diesem Intervallliegt. Me8unsicherheit und Me6ergebnis
In der Fehlerrechnung ist es iiblich, diesen Vertrauensbereich wie folgt anzugeben: _ s (MeBwert von X) = x ± t .J;t
14)
(IV-31)
t geniigt der Bedingung P( - t
~
T
~
t)
= y
Bild IV-13
f(t)
(grau unterlegte Flache in Bild IV-13). Dabei ist T eine Zufallsvariable, die der tVerteilung von Student mit f = n - 1 Freiheitsgraden folgt (siehe hierzu Kap. II, Abschnitt 8.2).
Dichtefunktion der t- Verteilung
r
-t
3 Auswertung einer MeBreihe
667
Verkiirzt schreiben wir dann fur das Mej3ergebnis: _
s
x==x+t-
(IV-32)
-0z
Tabelle 1: Werte fur den Zahlenfaktor (Parameter) t in Abhangigkeit von der Anzahl n
der MeBwerte und dem gewahlten Vertrauensniveau y
2
1,84
6,31
12,71
63,66
3
1,32
2,92
4,30
9,93
4
1,20
2,35
3,18
5,84
5
1,15
2,13
2,78
4,60
6
1,11
2,02
2,57
4,03
7
1,09
1,94
2,45
3,71
8
1,08
1,90
2,37
3,50
9
1,07
1,86
2,31
3,36
10
1,06
1,83
2,26
3,25
15
1,04
1,77
2,14
2,98
20
1,03
1,73
2,09
2,86
30
1,02
1,70
2,05
2,76
50
1,01
1,68
2,01
2,68
100
1,00
1,66
1,98
2,63
IV Fehler- und Ausgleichsrechnung
668
Die halbe Breite des Vertrauensbereiches, d.h. der Abstand zwischen der unteren bzw. oberen Vertrauensgrenze und dem arithmetischen Mittelwert wird als Mej3unsicherheit bezeichnet und durch das Symbol ~x gekennzeichnet (Bild IV-14) 15). Somit ist
x
s
~x==t-
oder auch
.:
~x
== t . s-x
(IV-33)
und das Mefiergebnis HiEt sich daher auch in der Form
x ==
x ± ~x
(IV-34)
angeben.
I ..MeBunsicherheit
,1: I ..
M eBunsicherheit
Lix_1 Bild IV-14
x
-
x
x-L1x
Zum Begriff der MeBunsicherheit
1st die Standardabweichung (J der normalverteilten Grundgesamtheit jedoch bekannt (z.B. aufgrund der Erfahrungen aus fruheren Messungen), so ist bei der Berechnung der Vertrauensgrenzen des Mittelwertes f1 statt der t- Verteilung von "Student" die Standardnormalverteilung zu nehmen. Der Faktor t in den Gleichungen (IV-32) und (IV -33) ist dann nur noch von dem gewahlten Vertrauensniveau P == y abhangig und entspricht daher dem "Grenzwert" too (d.h. dem t- Wert fur n ~ (0) in der letzten (grau unterlegten) Zeile von Tabelle 1. Das MejJergebnis lautet daher in diesem Sonderfall wie folgt (Bild IV-15):
x == X + ~x -
==
X+ t -
(J rn
(IV-35)
-
~~
Die M ej3unsicherheit betragt somit ~x
== t oo -
(J
(IV:'36)
~
MeBu nsicherheit L1x = too
MeBunsicherheit
(J
(J
{i1
L1x =
too {i1 Bild IV-IS Zur Angabe eines MeBergebnisses
x- L1x 15)
-
x
x
Die Me./Junsicherheit wird haufig auchdurch das Symbol u gekennzeichnet.
3 Auswertung einer MeBreihe Die wichtigsten Ergebnisse fassen wir jetzt wie folgt zusammen:
669
670
IV Fehler- und Ausgleichsrechnung
Anmerkungen (1) y ist die Wahrscheinlichkeit dafiir, daB der unbekannte Mittelwert
f1 innerhalb der angegebenen Vertrauensgrenzen X ± 8x liegt. In Naturwissenschaft und Technik verwendet man meist y == 950/0 oder y == 99%. Haufig setzt man auch y == 1 - a, wobei a die sog. Irrtumswahrscheinlichkeit bedeutet. Diese muft dabei in Kauf genommen werden, urn iiberhaupt ein Vertrauensintervall angeben zu konnen! Dabei gilt: Je kleiner die Irrtumswahrscheinlichkeit a ist, urn so breiter wird das Vertrauensintervall.
(2)
1st die Standardabweichung (J der Grundgesamtheit jedoch bekannt (z. B. aus friiheren Messungen), so ist der Zahlenfaktor t in Gleichung (IV-39) durch den "Grenzwert" too zu ersetzen (grau unterlegte letzte Zeile in der Tabelle 1).
(3)
Die Angabe des Mefiergebnisses in der Form x == X + 8x == -
s x -+ t -
(IV-42)
~
beruht auf der Voraussetzung, daB weder grobe Fehler noch systematische Abweichungen auftreten. In der Praxis jedoch lassen sich systematische MeBabweichungen nie ganz ausschlieBen. Werden diese aber als solche erkannt, so muB der arithmetische Mittelwert x durch ein Korrekturglied K berichtigt werden. Der sog. korrigierte oder berichtigte Mittelwert xK lautet damit:
x
K
==
X+ K
(IV-43)
Das endgidtige MeBergebnis wird dann in der Form x ==
xK ± 8x == (x + K) ± 8x
(IV-44)
angegeben, wobei 8x die M efiunsicherheit bedeutet, die sich aus einer ZuJallskompo-
' nente (Ax), == t - s un demer systematischen Komponente (zlx), zusammensetzt.
.;
Der .wahre" Wert f1 der Mebgrolie X wird dann mit der gewahlten Wahrscheinlichkeit P == Y in dem Vertrauensbereich mit den Grenzen K - 8x und K + 8x vermutet (Bild IV -16).
x
-------I
-------~-I-----..
I·
x
.1x
.1x
-
L
x
Xk
"wehrer" Wert J.1
Bild IV-16 Korrigiertes MeBergebnis
Der an naheren Einzelheiten interessierte Leser wird auf die DIN-NORM 1319 (Teil 3) verwiesen.
3 Auswertung einer MeBreihe (4)
671
Ist die Verteilung einer Melsgrobe jedoch unbekannt, so rst es nicht moglich, fur den Erwartungswert f1 einen Vertrauensbereich (verbunden mit einer Wahrscheinlichkeitsaussage) anzugeben. Man setzt dann meist fiir die M efJunsicherheit
Ax = (Ax}, =
s
.J;t
(IV-45)
und gibt das Mefiergebnis in der Form
_ _ _ s x = x + Ax = x + [Ax), = x + -
-
-
(IV-46)
-.J;t
an. (5)
In der Fehlerrechnung wird noch zwischen absoluten, relativen und prozentualen "Fehlern" (MeBabweichungen, MeBunsicherheiten) unterschieden. Absolute .Fehler" stimmen mit der Meligrolie X in Dimension und Einheit iiberein. Relative und prozentuale "Fehler" sind dagegen dimensionslose Grolsen. Sie werden wie foIgt berechnet: hI' Iabsoluter "Fehler" I . relativer "Fe er' = . I Mitte wert x
prozentualer "Fehler" = (relativer "Fehler") . 100%
•
Beispiele (1)
Fur die Schwingungsdauer T eines Fadenpendels ergaben sich folgende MeBwerte gleicher Genauigkeit: 1,254 s,
1,260 s,
1,250 s,
1,251 s,
1,245 s,
1,258 s
Wir berechnen zunachst den Mittelwert und die Standardabweichung dieser aus 6 Einzelmessungen bestehenden MeBreihe:
1,254
0,001
2
1,260
0,007
49
3
1,250
- 0,003
9
4
1,251
-0,002
4
5
1,245
- 0,008
64
6
1,258
0,005
25
IV Fehler- und Ausgleichsrechnung
672 Arithmetischer Mittelwert: 6
1 1 T == _. \' T == - . 7 518 s == 1 253 s , 6 L [ 6' i= 1
Standardabweichung der Einzelmessung:
== 5,51 .10- 3 s
~
6 .10- 3
S
== 0,006 s
Wir bestimmen jetzt ein Vertrauensintervall fur den (unbekannten) .wahren" Wert der Mellgrobe T auf dem Vertrauensniveau y == 95%. Fur die MefJunsicherheit L1 T erhalten wir nach Formel (IV-39) mit s == 0,006 s, n == 6 und dem aus der Tabelle 1 entnommenen Wert t == 2,57: L1T == t -
s
~
0,006 s
== 2,57 . - - == 0,006 s.
J6
Die Vertrauensgrenzen liegen daher bei: Untere Vertrauensgrenze: T - dT == (1,253 - 0,006) s Obere Vertrauensgrenze: T
==
1,247 s
+ L1T == (1,253 + 0,006) s ==
1,259 s
Das M efiergebnis lautet damit wie folgt: T == (1,253
± 0,006) s
Der "wahre" Wert von T liegt daher mit einem Vertrauen von 95% zwischen 1,247 s und 1,259 s (Bild IV-17).
L1T=O,006 S 4 1
1,247
.1
L1T=O,OO6s 4
1,253
4
1 (2)
Vertrauensbereich fur Y= 95 %
·1 1,259
-I
T
s Bild IV-17
Die Kapazitdt eines Kondensators wurde 20-mal gemessen. Die Auswertung der MeBreihe ergab dabei eine mittlere Kapazitat von C == 56,8 J.lF und eine Standardabweichung von s == 1,9 ~lF.
3 Auswertung einer MeBreihe a) b)
673
Wie lauten die Vertrauensgrenzen fur den .wahren" Wert (Mittelwert) bei einer Irrtumswahrscheinlichkeit von a l = 1O/o? Wie dndern sich diese Grenzen, wenn man die grojJere Irrtumswahrscheinlichkeit a2 = 50/0 in Kauf nehmen will?
Losung: a)
Wir berechnen zunachst die MejJunsicherheit nach Formel (IV-39). Mit n = 20, s = 1,9 JlF und dem t-Wert t l = 2,86 (aus der Tabelle 1 entnommen fur 'Yl = 1 - a l = 99% und n = 20) erhalten wir: s 1,9 JlF I1C=t -=286·--=121IF 1
~
,
J20
'
r
Die Vertrauensgrenzen liegen damit fur das gewahlte Vertrauensniveau von 990/0 bei:
Untere Vertrauensgrenze: C - I1C = (56,8 - 1,2) JlF = 55,6 JlF Obere Vertrauensgrenze: C
+ I1C =
(56,8
+ 1,2) JlF = 58,0 JlF
Das M ejJergebnis lautet daher wie folgt (Bild IV -18): C = (56,8 b)
± 1,2) JlF
Bei der grojJeren Irrtumswahrscheinlichkeit a2 = 5% liegen die Vertrauensgrenzen ndher zusammen. Jetzt ist t 2 = 2,09 (aus der Tabelle 1 entnommen fur 'Y2 = 1 - a 2 = 95% und n = 20). Wir erhalten diesmal eine M ejJunsicherheit von s
1,9 JlF
yn
y20
I1C = t 2
- = 09 r= '209 . -~ , r-IIF
und damit das folgende MejJergebnis: C = (56,8
± 0,9) JlF
Die Vertrauensgrenzen .liegen jetzt bei 55,9 JlF und 57,7 JlF (Bild IV -18).
bei r=99 %
I_
~
55,6
Bild IV-I8
I-
bei r=95 %
I
I 55,9
-I
56,8
57,7
-I I
C J.lF
58,0
•
IV Fehler- und Ausgleichsrechnung
674
4 "Fehlerfortpflanzung" nach Gau8 4.1 Ein einfiihrendes Beispiel Die Schwingungsdauer T eines (reibungsfrei schwingenden) Federpendels hangt bekanntlich wie folgt von der Federkonstanten (Richtkraft) D und der Schwingungsmasse m ab (Bild IV~19):
r= 2 n
n
(IV-47)
Durch Auflosen nach D erhalten wir hieraus die Funktion D ==f(m; T)
== 4n
2
m
(IV-48)
.T2
aus der sich die Federkonstante berechnen HiBt, wenn die Werte fur Masse und Schwingungsdauer bekannt sind. Wir stellen unsdaher die folgende Aufgabe: Die unbekannte Federkonstante D des Federpendels solI aus Messungen der Schwingungsmasse m und der Schwingungsdauer T bestimmt werden. Die Federkonstante D wird also nicht direkt gemessen, sondern auf indirektem Wege aus den MeBwerten von m und T berechnet. Man spricht daher in diesem Zusammenhang auch von indirekter oder vermittelnder Beobachtung.
elastische Feder (Federkonstante 0)
Bild IV-19 Schwingungsmasse
m
Federpendel
1m Sinne der Statistik konnen wir die Meligroben m und T als voneinander unabhdngige
und normalverteilte Zufailsgrolsen auffassen. Masse m und Schwingungsdauer T werden nun unabhdngig voneinander mehrmals gemessen.
4 "Fehlerfortpflanzung" nach GauB
675
Die Auswertung der dabei erhaltenen MeBreihen liefert uns die folgenden Kennwerte:
m, T:
Mittelwerte der Mebgrofien m und T
sm' ST: Standardabweichungen der Einzelmessungen beider Mebgrofien sm' sf: Standardabweichungen der beiden Mittelwerte m und T Unser Interesse gilt dann den folgenden Problemen: (1) Wie berechnet man den Mittelwert 15 der unbekannten Federkonstanten D, d.h. den
Mittelwert D der von den beiden Meligroben m und T abhangigen Zufallsgrofie = f(m; T)?
D
(2) Wie laBt sich die Standardabweichung SD der abhangigen GroBe D aus den Standardabweichungen Sm und ST der beiden unabhangigen Melsgrolsen m und T bestimmen? (3) Welcher Zusammenhang besteht zwischen den entsprechenden Standardabweichungen der M ittelwerte? (4) Wie laBt sich die Unsicherheit des indirekt bestimmten Mittelwertes Unsicherheiten der Messungen von m und T ermitteln?
D aus den
Mit den soeben an einem konkreten Beispiel angeschnittenen Fragestellungen werden wir uns in den nachsten beiden Abschnitten ausfuhrlich auseinandersetzen.
4.2 Mittelwert einer "indirekten" MeBgroBe In den Anwendungen stellt sich haufig das Problem, den Wert einer Grobe Z zu bestimmen, die noch von zwei weiteren voneinander unabhdngigen und normalverteilten Grofien X und Y abhangig ist. Der funktionale Zusammenhang zwischen den drei Zufallsvariablen X, Y und Z sei bekannt und in Form einer expliziten Funktionsgleichung
Z=f(X;Y)
(IV-49)
gegeben. Die dann ebenfalls normalverteilte abhdngige Grobe Z solI jedoch nicht direkt gemessen werden, sondern auf indirektem Wege aus den MeBwerten der beiden unabhangigen Groben X und Y unter Verwendung der Funktionsgleichung Z = f(X; Y) berechnet werden. In vielen Fallen sind namlich die Groben X und Y der Messung besser zugdnglicli als die von ihnen abhangige Grobe Z = f (X; Y). Man spricht daher in diesem Zusammenhang auch von einer indirekten oder vermittelnden Beobachtung. Dabei sind X und Y die beiden Eingangsgroflen und Z = f (X; Y) die Ausgangs- oder ErgebnisgrofJe.
•
Beispiel Die Oberflache A eines (geschlossenen) Zylinders la13t sich durch Messung von Zylinderradius r und Zylinderhohe h anhand der Formel
A = f(r; h) = Z n r?
+ 2nrh
leicht bestimmen. Diese .Jndirekre'' MeBmethode ist dabei wesentlich bequemer als eine direkte Messung der Zylinderoberflache A, da die beiden Eingangsgroben r und h der Messung besser zuganglich sind als die von ihnen abhangige Ausgangsgrofle A. •
IV Fehler- und Ausgleichsrechnung
676
Wir wollen jetzt zeigen, wie sich der gesuchte Mittelwert zder Ausgangsgrolse Z aus den Mittelwerten x und Y der beiden Eingangsgrolien X und Y bestimmen HiBt. Dabei gehen wir von den MeBreihen X 1,X Z " " , X n
und
(IV-50)
Y1,Yz,···,Yn
aus, die den gleichen Umfang n besitzen 16). Ihre Mittelwerte xund Ysind dann durch die Gleichungen x
n
1 =_. n
I
und
Xi
Y
1 n
=_.
i= 1
n
I
(IV-51)
Yi
i= 1
definiert. Die einzelnen MeBwerte besitzen vom jeweils zugehorigen Mittelwert die folgenden Abweichungen (auch "scheinbare" Fehler oder "Verbesserungen" genannt): (IV-52)
und Diese Beziehungen losen wir nach
Xi
bzw.
Yi
auf: (IV-53)
und Durch Einsetzen der MeBwerte Xi' Yi in die Funktionsgleichung fur die abhangige Grobe Z insgesamt n .indirekte" M ejJwerte z, =f(xi;yJ =f(x
Z
= f (x; y) erhalten wir
+ ui;Y + vJ
(IV-54)
Ihre Differenzen zum Wert j' (x; y) betragen dann Wi
=
f(x; y) = f(x i ; yJ - f(x; y) = f(x
Zi -
+ u.; Y + vJ -
und diirfen fur kleine Abweichungen ("Fehler") u, und totalen DifJerentiale
Vi
f(x; y)
(IV-55)
in guter Naherung durch die
d z, =fx(x;y)u i + fy(x;y)v i
(IV-56)
ersetzt werden. Somit gilt also ndherungsweise Wi = d z., d.h. (IV-57) und damit weiter (IV-58) Wir bilden nun aus diesen n .Jndirekten" MeBwerten nach der Definitionsvorschrift
1
n
'r ; I
Zi
(IV-59)
i= 1
den Mittelwert z der abhdngigen Grobe Z und erhalten unter Beriicksichtigung von Gleichung (IV-58): 16)
Die hergeleiteten Formeln bleiben auch dann giiltig, wenn die beiden Mellreihen von unterschiedlichem U mfang sind.
677
4 "Fehlerfortpflanzung" naeh GauB
Z
n
1 n
== -' i
I
Zi
=1
1( ~1 n
= -;;
i
n
1 n
== -' i
I
=1 n
n
f(x; y) + fx(x; y). i ~1 ». + fy(x; y) . i ~1
'-..--"
~
°
n·f(x;y)
) Vi
=
~
°
1
== - . n . f (x; y) == f (x; y)
(IV-60)
n
Denn die Summe der Abweiehungen ("seheinbaren Fehler") verschwindet jeweils. Somit gilt zusammenfassend:
Anmerkung Fur eine von n unabhangigen direkt gemessenen Groben Xl' X 2' Grobe (Funktion) Y == f(X 1 ; X 2 ; •.. ; X n ) gilt analog:
... ,
X n abhangige (IV-62)
(Xi: Mittelwert von Xi' i == 1,2, ... , n; y: indirekt bestimmter Mittelwert der abhangigen GroBe Y).
•
Beispiel Die Oberflache A eines Zylinders liiBt sieh aus dem Radius r und der Hohe h naeh der Formel
A == f (r; h) == 2 n r 2
+ 2 ti r h
berechnen (Zylinder mit Boden und Deckel; Bild IV-20). Fur einen speziellen Zylinder ergaben sieh dabei aus voneinander unabhangigen MeBreihen folgende Mittelwerte:
r ==
10,5 em,
Ii ==
15,0 em
Fur den M ittelwert der Z ylinderoberfldche erhalten wir damit den Wert
A == f
(r;
Ii) ==
2 n (10,5 em):' + 2 tc (10,5 em) . (15,0 em) ==
== 1682,32 cm'
~ 1682 cm'
IV Fehler- und Ausgleichsrechnung
678
h
Bild IV-20
• 4.3 Gau8sches Fehlerfortpflanzungsgesetz (Varianzfortpflanzungsgesetz) Wir wenden uns jetzt dem wichtigen Problem der sog. Fehlerfortpflanzung bei einer "indirekten" Mebgrobe Z == f (X; Y) zu. Die Standardabweichungen s, und Sy der beiden voneinander unabhangigen Mebgroben X und Y charakterisieren bekanntlich die Streuung der einzelnen MeBwerte urn ihre Mittelwerte und bewirken damit, daB auch die "indirekten" MeBwerte z, == f (Xi; yJ der Ausgangsgrolse Z == f (X; Y) urn ihren Mittelwert
z
Wie wirken sich die Standardabweichungen Sx und Sy der beiden voneinander unabhdngigen M ejJgrojJen X und Y auf die Standardabweichung Sz der abhdngigen .indirekten" M ejJgrojJe Z == f(X; Y) aus? Eine Antwort auf diese Frage erhalten wir wiederum mit Hilfe des totalen Differentials. Zunachst aber bilden wir die Abweichungen der .Jndirekten" MeBwerte Zi == f (Xi; yJ vom Mittelwert z == f(.x; jl), wobei wir die Beziehungen aus Gleichung (IV-58) verwenden: (IV-63) Da die Grolsen u, und Vi sehr klein sind, diirfen wir die Abweichung w, ndherungsweise durch das totale Differential dz, == fx(.x; y) u, + fy(.x;
y) Vi
(IV-64)
ersetzen (Wi == dz J:
w, ==
Zi -
Z == fx(.x; y) u, + fv(.x; y) Vi
(IV-65)
679
4 "Fehlerfortpflanzung" nach GauB
Mit den (vorubergehenden) Abkiirzungen a == fx(x;y) und b == h(x; y) wird daraus: (IV-66) Die Summe der Abweichungsquadrate betragt dann: n
n
I
wl
i=1
n
I
=
i=1
n
I
(z, - i)2 =
ta.u, + bvd
i=1 n
= a
2
•
I
I
2=
+ 2ab·
i=1
2ul
+ Tab u.», + b 2vl) =
i=1 n
ul
(a
n
I
u.»,
+b
2
i=1
I
•
(IV-67)
vl
i=1
Bei umfangreichen MeBreihen fallen dabei die sehr kleinen Abweichungen ("scheinbaren Fehler") u, und Vi gleich oft positiv und negativ aus, sodaB die mittlere Summe in Gleichung (VI-67) als vernachldssigbar klein angesehen werden kann: n
I i
u.», ~O
(IV-68)
=1
Fur die Summe der Abweichungsquadrate gilt dann ndherungsweise: n
n
I
I
wl =
i=1
n
(z, - i)2 = a 2 .
i=1
n
I
+
ul
b2 .
i=1
I
Fur die Standardabweichung Sz der .Einzelmessungen" Definitionsformel (IV-40) den folgenden Ausdruck:
S=J_l .~w~= n-1
z
L
n-1
l
erhalten wir damit aus der
I
(z, - i)2 =
i= 1
n
a 2 . _1_ . ~ u.2 n-1 L l
a2.
Zi
n
i= 1
== J
(IV-69)
vl
i=1
n
+ b? . _1_. ~ n-1
L
V2 i
==
s; + b 2 . s; == J(fx(x; y))2 . s; + (f(x; y))2 . s; ==
== J(fx(x; y) . sx)2 + (fy(x; y) . Sy)2
(IV-70)
IV Fehler- und Ausgleichsrechnung
680
Dies ist das sog. GaujJsche Fehlerfortpflanzungsgesetz fur die Standardabweichung der Einzelmessung. Durch Quadrieren erhalt man daraus eine entsprechende Beziehung fur die Varianzen: (IV-71) Es handelt sich dabei urn das sog. Varianzfortpflanzungsgesetz fur voneinander unabhdngige Zufallsvariable X und Y. Bei der Herleitung eines entsprechenden Fehlerfortpflanzungsgesetzes (Varianzfortpflanzungsgesetzes) fur die Standardabweichung des M ittelwertes berucksichtigen wir, daB zwischen den Standardabweichungen sx' Sy und Sz der Einzelmessungen und den Standardabweichungen sx' Sy und Sz der Mittelwerte die folgenden Beziehungen bestehen:
Sx s-=-'
Xj;;
Sy s-=-,
Yj;;
Sz s-=-
Zj;;
(IV-72)
Aus Gleichung (IV-71) folgt dann, wobei wir vorubergehend wieder die Abkiirzungen a = fx(x; y) und b = fy(x; y) verwenden:
= J(fx(x; y) . sx)2 + (h(x; y) . Sy)2
(IV-73)
Dies ist das GaujJsche Fehlerfortpflanzungsgesetz fur die Standardabweichung des M ittelwertes. Durch Quadrieren erhalt man hieraus eine entsprechende Beziehung zwischen den Varianzen, namlich das sog. Varianzfortpflanzungsgesetz fur die Varianz des M ittelwertes bei voneinander unabhdngigen Zufallsvariablen X und Y: (IV-74)
Wir fassen nun die wichtigsten Ergebnisse wie folgt zusammen:
681
4 "Fehlerfortpflanzung" naeh GauB
Anmerkung Das GaujJsche Fehlerfortpflanzungsgesetz (Varianzfortpflanzungsgesetz) HiBt sieh ohne Sehwierigkeiten aueh auf Funktionen von mehr als zwei Variablen ausdehnen. Sind Xl' X 2' ... , X n voneinander unabhdngige und normalverteilte Melsgrolsen mit den Mittelwerten Xl' X2 , ... , Xn und den Standardabweiehungen sX 1 ' SX2' , sX so gilt fur die Standardabweichung der .Jndirckten" Melsgrolie Y == f (X l; X 2; ; X n ) das folgende Gesetz: n
Sy ==
J (fx
1
. sx 1 )2 + (fx 2 . sx 2 )2 + . . . + (fx n . sx n )2
'
(IV-77)
In die partiellen Ableitungen L; fX2' ... , t.. sind dabei die M ittelwerte der direkt gemessenen Eingangsgrolien Xl' X 2' ... , X n einzusetzen. Ersetzt man in Gleiehung (IV-77) die Standardabweiehungen der Einzelmessungen dureh die entspreehenden Standardabweichungen der Mittelwerte, so erhalt man das GaujJsche Fehlerfortpflanzungsgesetz (Varianzfortpflanzungsgesetz) fur die Standardabweichung des Mittelwertes bei n voneinander unabhangigen Variablen.
•
Beispiel Wir kehren zu dem Beispiel des vorherigen Absehnitts zuruck iOberfldche eines Z ylinders). Fur Radius r und Hohe h des Zylinders liegen folgende MeBergebnisse vor: Radius r:
r == 10,5 em,
s., == 0,2 em
Hohe h:
h == 15,0 em,
sTz
== 0,3 em
IV Fehler- und Ausgleiehsreehnung
682
Fur den Mittelwert der Zylinderoberflache A erhielten wir bereits aus der Formel A
= f(r; h) = 2nr 2 + 2nrh
den Wert "It = 1682 em 2. Wir interessieren uns jetzt fur die Standardabweichung SA dieses Mittelwertes. Sie liiBt sieh aus dem Gauj3schen F ehlerfortpflanzungsgesetz (IV-76) bereehnen. Die dabei benotigten partiellen Ableitungen 1. Ordnung der Funktion A = f(r; h) lauten:
oA
-=4nr+2nh, or
oA
-=2nr oh
Fur r und h setzen wir noeh die Mittelwerte
oA
-
oA
-
- (r; h) or oh (r; h)
r = 10,5 em und h = 15,0 em ein:
= 4 n(10,5 em) + 2 n(15,0 em) = 226,19 em = 2n(10,5 em) = 65,97 em
Aus dem Gaufischen Fehlerfortpflanzungsgesetz (IV-76) folgt dann fur die Standardabweichung des Mittelwertes "It = 1682 cm' der folgende Wert:
s- = A
J(OAor .S_)2 + (OAoh .S_)2 = h
r
= J(226,19 em . 0,2 cmr'
= 49,38 cm '
+ (65,97 em . 0,3 em)2 =
~ 49 cm '
4.4 Me8ergebnis fur eine "indirekte" Me8gro8e Das Mefiergebnis fur eine .Jndirekte" Meligrofie Z = f (X; Y)
•
besteht dann aus der Angabe des Mittelwertes z = f (x; y)und der aus dem GauBsehen Fehlerfortpflanzungsgesetz (Varianzfortpflanzungsgesetz) bereehneten Standardabweichung Sz dieses Mittelwertes, die im Rahmen der .Fehlerrechnung" als ein geeignetes Genauigkeitsmafi fur den Mittelwert und somit aueh als Mafi fur die Unsicherheit Az des "MeBergebnisses" Z = f (x; y) betraehtetwird.
4 "Fehlerfortpflanzung" nach GauB
683
Daher gilt:
Anmerkungen (1) Fur eine von n unabhangigen Grolien Xl' X 2' ... , X n abhangige "indirekte" MeBgrolie Y ==! (X 1; X 2; ... ; X n ) lautet das MefJergebnis entsprechend: y
== y ± ~y
(IV-83)
Dabei ist
y = !(X 1 ; X2 ; · · · ; Xn )
(IV-84)
der Mittelwert und (IV-85)
die Standardabweichung und damit die Meflunsicherheii dieses Mittelwertes. Die MeBergebnisse fur die unabhangigen Meligroben sind dabei in der iiblichen Form (IV-86)
684
IV Fehler- und Ausgleichsrechnung vorgegeben (Xi ist der M ittelwert, ~Xi == SXi die Standardabweichung und damit die M efJunsicherheit fur die direkt gemessene Grobe Xi' i == 1, 2, ... , n). Die partiellen Ableitungen fX1' fX2' ... , L, sind dabei stets fiir die Mittelwerte zu bilden.
(2)
Unter sehr speziellen Voraussetzungen HiBt sich auch ein Vertrauensintervall fur den unbekannten "wahren" Wert (Mittelwert) /lzder "indirekten" Meligrobe Z == f (X; Y) angeben. Im Rahmen dieser einfiihrenden Darstellung konnen wir auf dieses Problem nicht naher eingehen (siehe hierzu auch DIN-NORM 1319, TeiI4).
Fur einige in den Anwendungen besonders haufig auftretende Funktionen lassen sich fertige Formeln fur die MeBunsicherheit (Standardabweichung) des Mittelwertes herleiten. Wir haben sie in der nachfolgenden Tabelle 2 zusammengestellt.
Tabelle 2: MeBunsicherheit (Standardabweichung) des Mittelwertes fiir einige besonders haufig auftretende Funktionen (C E lR)
Anmerkungen zur Tabelle 2 (1) Die angegebenen Formeln erhalt man unmittelbar aus dem GaufJschen Fehlerfortpflanzungsgesetz (IV-76). (2)
Man beachte: Die Groben Ax, (absolute "Fehler"), die Groben
~y
und L\z sind absolute MeBunsicherheiten
I~XI,
lA/I
und
IA:I
dagegen relative oder
prozentuale MeBunsicherheiten. (relative oder prozentuale .Fehler''). (3)
Analoge Formelnlassen sich herleiten fur Summen, Differenzen und Potenzprodukte mit mehr als zwei Summanden bzw. Faktoren.
4 "Fehlerfortpflanzung" nach GauB •
685
Beispiele
(1)
Bestimmung einer Federkonstanten (Federpendel)
Die Federkonstante D der elastischen Feder eines Federpendels HiBt sich nach der Formel m D = f(m; T) = 4n 2 . T 2 = 4n 2 . m· T- 2
aus der Schwingungsmasse m und der Schwingungsdauer T berechnen (vgl. hierzu Bild IV-19). In unabhangigen Versuchen wurden m und T zehnmal wie folgt gemessen:
i m
-
g T -
s
1
2
3
4
5
6
7
8
9
10
198
199
203
200
202
198
201
197
203
199
2,01
2,04
1,96
1,98
2,00
2,05
1,97
1,98
2,04
1,97
Anhand der folgenden Tabelle berechnen wir zunachst die benotigten Mittelwerte m und T und deren Standardabweichungen (Unsicherheiten) sm und sf:
198
-2
2
199
-1
3
203
3
4
200
5
202
°
6
198
7
201
8
197
-3
9
203
3
10
199
-1
2
-2
2,01
0,01
2,04
0,04
16
9
1,96
- 0,04
16
°
1,98
-0,02
4
4
2,00
0
4
2,05
°
4
0,05
25
1,97
-0,03
9
9
1,98
-0,02
4
9
2,04
0,04
16
1,97
-0,03
9
IV Fehler- und Ausgleichsrechnung
686 10
1 10
1 . 2000 g 10
m == - ' \' m, == -
c.
==
200 g
i= 1
~ ~ ·42 g2 =
1 . \' im, ~ m)2 = 10 . (10 - 1) . ~ 10
1=
90
1
0,68 g
~ 0,7 g
10 1 1 T==-· 1; = 10 . 20,00 s = 2,00 s
I
10
i= 1
1 I
10
.
Sy==
10 . (10 - 1).
-
(T - T)
)1
r------~'
2
==
-
90
l
1=1
==
0,0105 s
~
.
100 . 10- 4s2
==
0,01 s
Das MeBergebnis fur die beiden Mebgronen m und T lautet damit (in der ublichen Schreibweise): m
==
m ± Sm == m± sm == (200 ± 0,7) g
T == T
± ~T==
T
± Sy== (2,00 ± 0,01) s
Fur die Federkonstante D erhalten wir den folgenden M ittelwert:
-
-
D == f(m' T) == 4 n 2
,
.
200 g , == 19739 g/S2 ~ 1 974 kg/s' == (2,00 S)2 ' ,
== 1,974 Nzm
Die fur die .Fehlerfortpflanzung" benotigten partiellen Ableitungen der Funktion D == f(m; T) lauten:
aD ==
-
aT
aD, -
- 8 n 2 . m' T- 3 == - 8 n 2
4n 2
-(m'T)== ' ==98696s- 2 am' (2,00 S)2 '
aD(m.Y)= -8][2. 200g = -19739g/s3
aT '
(2,00 S)3
'
m
'3
T
687
4 "Fehlerfortpflanzung" naeh GauB
Damit erhalten wir .aus dem Gauflschen Fehlerfortpflanzungsgesetz (IV-76) die folgende M eflunsicherheit (Standardabweichung) fur den Mittelwert 15:
AD = sv=
J(~Amr + (~AT
= J(9,8696 s - 2 . 0,68 g)2
r
+ (- 1973,9 g . s - 3 . 0,0105 S)2 =
= 21,79 g/S2 = 0,0218 kg/s' ~ 0,022
Nzm
Das M efiergebnis fur die .Jndirekte'' Mefigrofie D lautet somit D
= 1,974 N/m,
Sf)
= 0,022 N/m
oder (in der im teehnisehenBereieh iiblichen Sehreibweise) D = D
± I1D =
D
± sf) =
(1,974
± 0,022) Nzm
Die prozentuale MeBunsieherheit der abhangigen Grobe D betragt
-~D I = 0,022 N/m '100% = 11%
I 15
1,974 N/m
'
Anmerkung Da D = 4 ti 2 . m . T - 2 ein Potenzprodukt der Melsgroben m und T ist, konnen wir fur die Bereehnung der MeBunsieherheit der abhangigen Grobe D aueh die in der Tabelle 2 angegebene fertige F ormel verwenden (mit C = 4 tt 2, = m, Y = T, a = 1 und f3 = - 2). Wir erhalten natiirlich das bereits bekannte Ergebnis:
X
2
1 . _0,6_8_g 1 1 200 g
2
+ 1_ 2 . _0,0_1_05_s 1 2,00s
= 0,0110 ~ 1,1%
(2)
Dichte einer Eisenkugel Masse m und Durchmesser d einer Eisenkugel wurden aus unabhangigen MeBreihen wie folgt bestimmt: Masse:
m=
560,7 g,
Durehmesser:
d ==
S/11
= 0,5 g
5,11 em,
Sd == 0,02 em
Die Dichte Q laBt sieh dann wie folgt aus den beiden Meligroben m und d bereehnen: Q=
j (m; d)
m
6 m
= - = - .- 3 V tc d
6
= - . m . dtc
(V = ~ d 3 ist das Volumen der Kugel).
3
IV Fehler- und Ausgleiehsreehnung
688
Somit erhalten wir fur die Diehte den folgenden Mittelwert:
o- == f
6 (m; d) == -
560,7 g 3 == 8,025 g/cm tt (5,11 ern}' 0
Fur die Bereehnung der Mej3unsicherheit (d.h. der Standardabweiehung des Mittelwertes g) benotigen wir noeh die partiellen Ableitungen 1. Ordnung der Funktion 0 == f (m; d). Sie lauten:
00 6 -4 == -n . m( - 3 d )== od
m d4
18
-_o-
n
Wir setzen die Mittelwerte mund
d ein
und erhalten:
00 6 1 -(m·d)==-· ==00143em- 3 om' tc (5,11 em}' '
oQ (m d) = _ 18 ° 560,7 g = _ 47116 g/cm" od' ti (5,11 em)" ' o
Das
GauBsehe
F ehlerfortpflanzungsgesetz (Varianzfortpflanzungsgesetz)
(IV -76) liefert uns dann den folgenden Wert fur die M ej3unsicherheit von 0:
!1Q = s- = Q
J(
(0
0 oQ !1m)2 + om od
== J(0,0143 em -3 ·0,5 g)2
J1d)2
+ (- 4,7116 g . em -4
0
0,02 ern)? ==
== 0,095 g/cm' Das M ej3ergebnis fur die Diehte der Eisenkugel lautet dann wie folgt:
g ==
8,025 g/cm',
sQ
== 0,095 g/cm'
oder
o == g ± J10 == g ± sQ == (8,025 ± 0,095) g/cm' (3)
Reihenschaltung von ohmschen Widerstanden Bild IV -21 zeigt eine Reihenschaltung aus drei ohmsehen Widerstanden, die wie folgt gemessen wurden: R 1 == (100
± 2) Q,
R 2 == (150
± 2) Q,
R 3 == (50
± 1)Q
Bild IV-21
Reihenschaltung aus drei ohmschen Widerstanden
689
5 Ausgleichs- oder Regressionskurven
Den Gesamtwiderstand R dieser Schaltung erhalt man nach den Kirchhoffschen Regeln als Summe der Einzelwiderstande: R = f(R 1 ; R z ; R 3 ) = R 1
+ R: + R 3
Der Mittelwert der .Jndirekten'' Mebgrolse R betragt somit: R = j'(R 1 ; «; R 3 ) = 100 Q + 150 Q + 50 Q = 300 Q Wir berechnen nun die Standardabweichung dieses Mittelwertes, d.h. die Mej3unsicherheit L1.R des Gesamtwiderstandes unter Verwendung von Tabelle 2 (Verallgemeinerung der Funktion Z = f (X; Y) = X + Y fur drei Summanden). Somit gilt: L1.R = J(L1.R1)Z + (L1.R z)Z + (L1.R 3)Z = J(2 Q)Z + (2 Q)Z + (1 Q)Z = 3 Q Damit erhalten wir fur den Gesamtwiderstand R das folgende Mej3ergebnis: R = R
± L1.R = (300 ± 3) Q
Die prozentuale MeBunsicherheit betragt 3Q % -L1.RI = --.100 = 10/0
I Ii
300Q
•
5 Ausgleichs- oder Regressionskurven In den naturwissenschaftlich-technischen Anwendungen stellt sich haufig das Problem festzustellen, ob zwischen zwei Variablen (Zufallsvariablen) X und Y irgendeine Beziehung oder Abhdngigkeit besteht und welcher Art diese gegebenenfalIs ist. In Kap. III, Abschnitt 6 haben wir dieses Problem bereits angeschnitten und dort die Begriffe Korrelation und Regression kennengelernt. In diesem Abschnitt werdenwir nun zeigen, wie man in der Praxis aus einer aus n MeBpunkten bestehenden Stichprobe eine Regressionsoder Ausgleichskurve ermitteln kann, die den Zusammenhang zwischen den beiden VariabIen in "optimaler" Weise beschreibt.
5.1 Ein einfiihrendes Beispiel Zwischen zwei physikalisch-technischen Grolsen X und Y solI auf experimentelIem Wege ein [unktionaler Zusammenhang hergestellt werden. Die aufgrund verschiedener Messungen erhaltenen n Wertepaare (Xi; yJ konnen dann als Punkte Pi = (Xi; yJ in einer X, yEbene bildlich dargestellt werden (i = 1, 2, ... , n). Die Aufgabe der Ausgleichsrechnung besteht nun darin, eine Kurve y = f (x) zu bestimmen, die sich diesen MeBpunkten .anoglichst gut" anpaBt. Aus dieser Regressions- oder Ausgleichskurve laBt sich dann zu einem vorgegebenen Wert X der unabhangigen Grobe X der zugehorige Wert y der von X abhangigenGrofie Y schdtzen.
IV Fehler- und Ausgleichsrechnung
690
Wir wollen dieses Problem zunachst an einem einfachen Beispiel naher erlautern, In einem Experiment solI die Temperaturabhdngigkeit eines ohmschen Widerstandes R in einem bestimmten Temperaturintervall untersucht werden. Dazu wurde der Widerstand bei acht verschiedenen Temperaturen jeweils genau einmal gemessen. Das MeBprotokoll hatte dabei das folgende Aussehen: i
1
2
3
4
5
6
7
8
~
20
25
30
40
50
60
65
80
16,30
16,44
16,61
16,81
17,10
17,37
17,38
17,86
°C
Ri
-
Q
Die acht Wertepaare (~; RJ fiihren dann zu acht MeBpunkten Pi == (i == 1, 2, ... , 8), die nach Bild IV-22 nahezu auf einer Geraden liegen.
(~;
RJ
R Q
18
17 Bild IV-22 Zur Temperaturabhangigkeit eines ohmschen Widerstandes: Die MeBpunkte liegen nahezu auf einer Geraden
16
15 --+----+------l---l----4---f---+-----+---f--
10
20
30
40
50
60
70
80
-
T
DC
Es gelingt nun ohne groBe Schwierigkeiten, .frei nach AugenmaB" eine Gerade einzuzeichnen, die sich diesen MeBpunkten "besonders gut" anpaBt (Bild IV-:-22). Die Streuung der MeBpunkte urn den geradlinigen Verlauf fuhren wir dabei auf die unvermeidlichen "Zufallsfehler" (zufalligen MeBabweichungen) zuruck. Aus dem MeBprotokollentnehmen wir z.B., daB bei einer Temperatur von 50°C ein Widerstandswert von 17,10 Q gemessen wurde. Wiirden wir jedoch bei dieser Temperatur die Widerstandsmessung mehrmals wiederholen, so erhielten wir infolge der unvermeidlichen zufiilligen MeBabwei-
5 Ausgleichs- oder Regressionskurven
691
chungen stets etwas voneinander abweichende Widerstandswerte 17). Die Gerade in Bild IV -22 wurde dabei so gelegt, daf sie die Streuung der Mefipunkte nach beiden Seiten hin .moglichst gut ausgleicht". Allerdings ist die Auswahl einer solchen Ausgleichs- oder Regressionsgeraden subjektiv bedingt. Verschiedene Personen werden namlich i.a. zu einem unterschiedlichen Urteil kommen und daher verschiedene Geraden als "besonders gut angepalit" ansehen. An dieser Stelle setzt nun die Ausgleichsrechnung ein. Sie liefert uns mit der von Gauj3 stammenden "Methode der kleinsten Quadrate" ein objektives Hilfsmittel zur Losung der gestellten Aufgabe. Wir erhalten nach dieser Methode eine eindeutig bestimmte Gerade, wie in Abschnitt 5.3 noch ausfiihrlich dargelegt wird.
5.2 Ausgleichung nach der "Gau8schen Methode der kleinsten Quadrate" Wir formulieren die Aufgabe wie folgt: Mitden Methoden der Ausgleichsrechnung soll aus n gemessenen Wertepaaren (Mej3punkten) (Xi; yJ (i = 1, 2, ... , n) ein miiglichst einfacher funktionaler Zusammenhang zwischen den Mej3groj3en X und Y hergeleitet werden. Als Ergebnis erwarten wir dabei eine Funktion y = f (x), die sich den MeBpunkten .moglichst gut" anpalst und daher in diesem Zusammenhang als Ausgleichs- oder auch Regressionskurve bezeichnet wird. 1m Bereich der Technik wird dabei meist unterstellt, daf die als unabhangige Variable betrachtete Mefrgrobe X .fehlerfrei" gemessen wird, d. h. die unvermeidlichen zufdlligen MeBabweichungen der x- Werte werden im Vergleich zu denen der y- Werte als vernachldssigbar klein angesehen. Dies aber bedeutet, daf wir die unabhangige Meflgrolie X als eine gewohnliche Variable auffassen diirfen, deren feste Werte auch bei Versuchswiederholungen unverdndert bleiben. Die von der (gewohnlichen) Variablen X abhangige Mebgrolse Y ist dagegen eine Zufallsvariable, da die bei festem X = x in Versuchswiederholungen erhaltenen Werte dieser Variablen infolge der unvermeidlichen zufdlligen Mebabweichungen ("Zufallsfehler") urn einen Mittelwert streuen. Als Maj3 fiir die (zufallsbedingte) Abweichung zwischen Mebpunkt und Ausgleichskurve fiihren wir den vertikalen Abstand, d.h. die Ordinatendifferenz ein (Bild IV-23). Der Abstand des Mefipunktes Pi = (Xi; yJ von der gesuchten (aber noch unbekannten) Ausgleichskurve y = f (x) betragt damit 18) (IV-87)
1 7)
18)
Streng genommen sind auch die Temperaturangaben .fehlerhaft". Wir unterstellen aber, daB die MeBungenauigkeiten der Temperaturwerte im Vergleich zu den entsprechenden MeBungenauigkeiten der Widerstandswerte vernachldssigbar klein sind. Die unabhangige Melsgrolse T wird somit wie eine gewohnliche Variable behandelt, deren Werte in kontrollierbarer Weise "exakt" eingestellt werden konnen. Dagegen wird die von. T abhangige MeBgroBe R als eine Zufallsvariable betrachtet. Wir konnen namlich aufgrund der unvermeidlichen zufalligen MeBabweichungen nicht exakt vorhersagen, welchen Wert der Widerstand R bei fest vorgegebener Temperatur T tatsachlich besitzt. Liegt der MeBpunkt Pi oberhalb (unterhalb) der Ausgleichskurve, so ist Vi > 0 (Vi < 0).
IV· Fehler- und Ausgleichsrechnung
692 y
• = (Xi; y;)
Pi
•
Ausgleichskurve Y= f(x)
Bild IV-23 MeBpunkte Pi = (Xi; yJ mit .Ausgleichskurve" X
Xi
Eine objektive Methode zur Bestimmung der "giinstigsten" Kurve, eben der Ausgleichskurve, liefert die Gaufische Methode der kleinsten Quadrate. Danach paBt sich diejenige Kurve den vorgegebenen MeBpunkten "am besten" an, fur die die Summe der Abstandsquadrate aller n MeBpunkte ein Minimum annimmt: n
S=
n
I
Vi2 =
I
(Yi -
f
(Xi))2
->
Minimum
(IV-88)
i= 1
i= 1
Wie man dieses Minimum mit den Hilfsmitteln der Differentialrechnung bestimmt, zeigen wir etwas sparer. Von groBer Bedeutung fur die Losung der gestellten Aufgabe ist dabei die Wahl eines geeigneten Funktionstyps, der der Ausgleichsrechnung zugrunde gelegt werden solI. Der Losungsansatz fur eine Ausgleichskurve ist naturgemaf von Fall zu Fall verschieden. Eine Entscheidung fur einen bestimmten Funktionstyp laBt sich daher stets nur am konkreten Einzelfall treffen, z.B. aufgrund theoretischer Ubcrlcgungen oder aber anhand der Punktwolke, die die n MeBpunkte im Streuungsdiagramm bilden. Liegen die MeBpunkte beispielsweise nahezu in einer Linie, so wird man einen Losungsansatz in Form einer linearen Funktion vom Typ y
== ax
+b
(IV-89)
wahlen (Ausgleichsgerade; Bild IV-24). Fur eine Punktwolke wie in Bild IV-25 ist eine solche lineare Ausgleichung dagegen wenig sinnvoll. Hier wird man sich zu Recht fiir einen quadratischen Losungsansatz in Form einer Ausgleichs- oder Regressionsparabel vorn Typ y == ax'
+ bx + c
(IV-90)
entscheiden. In beiden Fallen lassen sich dann die Kurvenparameter (a und b bzw. .a, b und c) so aus der vorgegebenen Stichprobe (Xi; Yi) bestimmen, daB die jeweils ausgewahlte Kurve sich den MeBpunkten "optimal" anpaBt.
5 Ausgleichs- oder Regressionskurven
693
y
Ausgleichsgerade
Bild IV-24 Ausgleichsgerade
x
y
• Ausgleichsparabel
•
Bild IV-25 Ausgleichsparabel
x
Lineare Funktionen treten dabei in den technischen Anwendungen besonders haufig auf. Man spricht daher in diesem Zusammenhang auch von linearer Ausgleichung oder linearer Regression. Aber auch Parabeln, Polynomfunktionen hoherer Ordnung, Potenz-, Exponential- und Logarithmusfunktionen sowie einfache gebrochen-rationale Funktionen spielen eine groBe Rolle bei der Festlegung des Funktionstyps einer Ausgleichskurve. Die in diesen Funktionen enthaltenen Parameter sind dann jeweils so zu bestimmen, daB das Gaufische M inimierungsprinzip (IV-88) erfiillt wird. In Tabelle 3 haben wir einige besonders einfache, aber haufig auftretende Losungsansatze fur Ausgleichskurven zusammengestellt. Die jeweiligen Kurvenparameter sind ebenfalls angegeben.
Im konkreten Fall geht man nun folgendermaBen vor: Zunachst muB man sich aufgrund der genannten Uberlcgungcn fur einen bestimmten Liisungsansatz y == f (x) fur die gesuchte Ausgleichs- oder Regressionskurve entscheiden, wobei das Streuungsdiagramm, d.h. die bildliche Darstellung der n MeBpunkte (Xl; Yl)' (x 2; Y2)' ... , (x n; Yn) als Punktwolke, eine wesentliche Entscheidungshilfe liefert.
694
IV Fehler- und Ausgleichsrechnung
Dann werden die im Losungsansatz enthaltenen Funktionsparameter a, b, ... so bestimmt, daB die von diesen Parametern abhangige Summe der Abstandsquadrate n
L (Yi - f(XJ)2
S(a; b; ...) = i
(IV-91)
=1
ein Minimum annimmt. Nach den Regeln der Differentialrechnung ist dies der Fall, wenn die partiellen Ableitungen 1. Ordnung von S (a; b; ...) verschwinden 19):
as
aa == 0,
as
(IV-92)
ab == 0, ...
Aus diesem Gleichungssystem lassen sich dann die Parameter a, b, ... und damit die Ausgleichskurve eindeutig bestimmen. Die Gleichungen (IV-92) heiBen N ormalgleichungen. Sie sind i.a. nicht-linear und daher meist nur numerisch unter erheblichem Rechenaufwand zu losen. Nur in einfachen Fallen erhalt man ein (quadratisches) lineares Gleichungssystem, daB mit Hilfe des Gauj3schen Algorithmus gelost werden kann. Tabelle 3: Einfache Losungsansatze fur Ausgleichs- oder Regressionskurven
y==ax 2 + b x + c
a,b,c
a,b
19)
y
== a . e bx
a,b
y
== a . In (bx)
a,b
ax + b b y==---==a+x x
a,b
a y==x+b
a,b
ax y==x+b
a,b
Die Gleichungen (IV-92) sind notwendig, jedoch keinesfalls hinreichend fur die Existenz eines Minimums. Man mull dann von Fall zu Fall entscheiden, ob tatsachlich ein Minimum vorliegt.
5 Ausgleichs- oder Regressionskurven
695
Wir fassen die Ergebnisse zusammen:
Anmerkungen (1)
Die MeBwertepaare (Xl; Yl)' (X2; Y2)' ... , (Xn; Yn) reprasentieren eine zweidimensionale Stichprobe, die man der (X; Y)-Grundgesamtheit entnommen hat. Die als unabhdngig angesehene Variable X ist dabei in den technischen Anwendungen meist eine gewohnliche Variable, wahrend die abhdngige Meligrolre eine Zufallsvariable darstellt (X ist eine .Jehlerfreie", Y dagegen eine mit zufdlligen M efJabweichungen versehene MeBgroBe).
(2)
Eine Ausgleichung ist nur moglich, wenn die Anzahl n der MeBpunkte grofJer ist als die Anzahl der Kurvenparameter. Die Anzahl der Normalgleichungen, aus denen die Parameter berechnet werden, entspricht dabei stets der Anzahl der Parameter.
Konkrete Beispiele fur Ausgleichsprobleme folgen in den nachsten Abschnitten.
696
IV Fehler- und Ausgleichsrechnung
5.3 Ausgleichs- oder Regressionsgerade Wir behandeln in diesem Abschnitt den in den Anwendungen besonders haufig auftretenden und zugleich einfachsten Fall einer linearen Ausgleichskurve Y == ax + b, die als Ausgleichs- oder Regressionsgerade bezeichnet wird.
5.3.1 Bestimmung der Parameter einer Ausgleichsgeraden Fur den vertikalen Abstand Vi zwischen dem MeBpunkt Pi == (Xi; der Ausgleichsgeraden
y
==
f
(x)
ax
==
yJ (i == 1,2, ... , n) und
+b
(IV-95)
gilt dann nach Bild IV-26:
Vi
==
Yi - j'(xJ
==
Yi - (ax i + b) == Yi - aX i - b
(IV-96)
y
•
Ausgleichsgerade
Bild IV-26
Zur Bestimmung der Ausgleichsoder Regressionsgeraden x
Die Parameter a und b werden dabei nach der Gauj3schen Methode der kleinstenQuadrate so bestimmt, daf die Summe der Abstandsquadrate 11
S(a; b) =
I
(Yi - ax, -
W
(IV-97)
i= 1
ihren kleinsten Wert annimmt. Dies ist nach (VI-94) der Fall, wenn die partiellen Ableitungen 1. Ordnung
as oa = 2·
I
11
i= 1
I (11
(Yi - ax, - b) . (- Xi) = 2·
XiYi
+ ax? + bx;)
(IV-98)
i= 1
(IV -99)
verschwinden.
697
5 Ausgleichs- oder Regressionskurven Wir erhalten daraus die N ormalgleichungen
(IV -100)
die ein lineares Gleichungssystem mit zwei Gleichungen und zwei Unbekannten reprasentieren 20). Das System besitzt genau eine Losung, da die Koeffizientendeterminante nicht verschwindet:
D=
=
IX
i
n.
I x? - (I x)
2
1
n
1
=
~ .I
I (Xi ~ xy > 0
(IV-l01)
J
Mit den beiden Hilfsdeterminanten
(IV-l02)
und
(IV-l03)
erhalten wir nach der Cramerschen Regel die folgende Losung:
I XiYi - (I x) (IYi)
n· D1 1 1 1 a = - = ----------D 2 n . Xi -
I 1
20)
(I xy
(IV -104)
1
Wir lassen im folgenden bei vielen Zwischenrechnungen die Summationsgrenzen weg. Der Summationsindex (meist i; manchmal auch j) lauft dabei stets von 1 bis n.
IV Fehler- und Ausgleichsrechnung
698
(IV-l05)
Auch das fur ein Minimum hinreichende Kriterium (Gleichung (IV-80) aus Band 2) ist erfiillt. Mit (IV-106)
und
folgt namlich
(IV-107)
Die Ausgleichsgerade y == ax
+ b ist
damit eindeutig bestimmt.
Unter Verwendung der aus den x- bzw. y-Komponenten der MeBpunkte gebildeten M ittelwerte
_ 1 x = ~.
IX
(IV-l08)
und
i
lassen sich die soeben hergeleiteten Berechnungsformeln fur die Steigung a, auch empirischer RegressionskoefJizient genannt, und den Achsenabschnitt b der Ausgleichsgeraden y == ax + b auch wie folgt umformen:
Steigung (RegressionskoefJizient) a: n: a
(Ix) (~Yi) I n . I xf - (I x)
~ XiYi l
n:
l
l
== - - - - - - - - - -
i
XiYi - (nx)(ny)
I XiYi - nxy i
2
l
l
(IV-109)
699
5 Ausglcichs- oder Regressionskurven
Achsenabschnitt b:
b
(I =
(Ix) (I n. I xl ~ ( I x)
l
Xi ) (IY) -
1
1
1
XiY)
1
1
1
(I
1
l) ny- (nx)
Xi
(I
1
XiY)
1
(I xl)Y - x(I 1
XiYi)
1
(Im Zahler wird der Term nx 2 y addiert und gleichzeitig wieder subtrahiert)
(L\ 2) Y-- x-(\L Yi) + nx-2 Y-- nx-2 YXi
Xi
1
1
(I xl - nXl) y - (I 1
XiYi -
nxy)x
I XiYi -
nxy
1
x=
-
=y-
x
= y- - ax-
(IV-110)
'-v-'
a Der Parameter b HiBt sich daher aus dem RegressionskoefJizient a nach der F ormel
b=
Y-
berechnen.
ax
(IV-111)
IV Fehler- und Ausgleichsrechnung
700
Mit Hilfe dieser Beziehung HiBt sich die Ausgleichs- oder Regressionsgerade auch auf die folgende symmetrische Form bringen: y -
y=
a(x - x)
Denn aus y = ax
+ b folgt
(IV-112) unter Verwendung der Formel (IV-111) unmittelbar:
y=ax+b=ax+y-ax=a(x-x)+y
=>
y-y=a(x-x)
(IV-113)
Die Ausgleichsgerade verlauft somit durch den "Schwerpunkt" S = (x; y) der Punktwolke (Xl; Yl), (x 2; Y2)'···' (x n; Yn) (Bild IV-27).
Wir fassen die bisherigen Ergebnisse wie folgt zusammen:
70J
5 Ausgleichs- oder Regressionskurven y
•
• •
Ausgleichsgerade
-
y
"Schwerpunkt" S
•
•
Bild IV-27 Die Ausgleichsgerade verlauft durch den "Schwerpunkt""
S = (x;y)
x
Anmerkungen (1)
Die Bestimmung einer Ausgleichsgeraden ist nur rnoglich, wenn mindestens drei MeBpunkte vorliegen (n ~ 3).
(2)
Die vorgegebenen n MeBpunkte sind im Sinne der Statistik als eine zweidimensionale Stichprobe (Xl; Yl)' (X2; Y2)' ... , (Xn; Yn) aufzufassen, die einer zweidimensionalen Grundgesamtheit (X; Y) entnommen wurde. Zwischen den Zufallsvariablen X und Y besteht dann die lineare Beziehung
Y - /ly = a*(X - /lx)
(IV-117)
Sie wird als Regressionsgerade der Grundgesamtheit bezeichnet, wo bei X als unabhiingige und Y als von X abhdngige Variable angesehen wird. /lx und /ly sind die Erwartungs- oder Mittelwerte der beiden Variablen: E(X) = /lx und E(Y) = /ly. Die Steigung a* ist der zugehorige Regressionskoeffizient. Der empirische Regressionskoeffizient a ist dabei euiSchdtz- oder N dherungswert fur den theoretischen Regressionskoeffizienten a*, d.h. a* ~ a.
•
Beispiel Wir kommen auf das zu Beginn behandelte einfuhrende Beispiel zuriick (Bestimmung der Temperaturabhdngigkeit eines ohmschen Widerstandes). Dort hatten wir bereits erkannt, daf die acht MeBpunkte nahezu auf einer Geraden liegen (vgl. hierzu Bild IV -22). Der lineare Ansatz R
=
R (T)
=
aT
+b
ist daher gerechtfertigt.
702
IV Fehler- und Ausgleichsrechnung Die Berechnung der noch unbekannten Koeffizienten (Parameter) a und b erfolgt dabei zweckmalsigerweise mit Hilfe der folgenden Tabelle:
20
16,30
400
326
2
25
16,44
625
411
3
30
16,61
900
498,3
4
40
16,81
1600
672,4
5
50
17,10
2500
855
6
60
17,37
3600
1042,2
7
65
17,38
4225
1129,7
8
80
17,86
6400
1428,8
Mittelwerte T und R:
I
8
-T = -1 . 8 i
T = -1 . 370°C = 46 25°C l 8 '
=1
I
8
-R = _. 1 8
R· = 1_. 135 87 Q = 1698375 Q l
8
'
.,
i= 1
Regressionskoeffizient a: 8
I
I;R; -
8TR
i= 1
a=-----8
I i
=
I;2_8T 2
=1
6363,4 °C Q - 8 (46,25 °C) (16,98375 Q) Q =002531120250 (OC)2 - 8 (46,25 °C)2 ' °C
5 Ausgleichs- oder Regressionskurven
703
Die Ausgleichsgerade lautet somit in der speziellen symmetrischen Form (IV-116) wie folgt: R-
Ii == a(T -
T)
,
Q
R - 16,98375 Q
== 0,025311 0C (T - 46,25 °C)
In der Hauptform erhalten wir
R
=
(0,o253
o~) .T + 15,8131 Q
(Bild IV-28). Die Kurvenparameter a und b besitzen somit die Werte Q
b == 15,8131 Q
und
a == 0,0253 0C
R Q
18
17
16 Bild IV-28 15-+--+----+--~--+----+--+-----+----f---I---
10
20
30
40
50
60
70
80
Mit Hilfe der Ausgleichs- oder Regressionsgeraden konnen wir jetzt im Temperaturbereich zwischen 20°C und 80°C vemiinftige Schiitzwerte fur den ohmschen Widerstand erhalten. Z.B. erwarten wir bei einer Temperatur von T == 45°C einen Widerstandswert von R (T
= 45°C) = (0,0253
o~)- 45°C + 15,8131 Q = 16,9516 Q ~ 16,95 Q
•
704
IV Fehler- und Ausgleichsrechnung
5.3.2 Streuungsma8e und Unsicherheiten bei der Parameterbestimmung Wir beschaftigen uns in diesem Abschnitt mit der Streuung der MeBpunkte (Xi; Yi) urn die Ausgleichsgerade Y == ax + b und den Unsicherheiten (Standardabweichungen bzw. Varianzen) der berechneten Parameter a und b.
Zusammenhang zwischen Regressionskoeffizient a und Korrelationskoeffizient r
Der RegressionskoeJfizient a der Ausgleichsgeraden Y
== ax + b
oder
y == a (x -
Y-
x)
(IV-118)
laBt sich auch durch den empirischen KorrelationskoeJfizienten r und die Standardabweichungen s, und Sy der x- bzw. y-Komponenten der MeBpunkte ausdriicken. Aus den Definitionsformeln 21)
Sxy
=
n~ 1 .
I
(Xi - x) (Yi -
y) = n ~ 1
1
[I
XiYi -
nxyJ
(IV-119)
1
und (IV-120)
folgen zunachst die Beziehungen (IV-121)
und (IV-122)
die wir dann in die Formel (IV-114) fur den Regressionskoeffizienten a einsetzen:
a==-----
21)
(n-1)sxy
(n - l)s;
(IV-123)
Es hande1t sich urn die Gleichungen (111-287) und (111-289) bzw. (111-19) und (111-20) aus Kap. III.
5 Ausgleichs- oder Regressionskurven
705
s s; . Sy fur den empirischen KorrelationskoefJizienten erhalten wir schlieBlich den gesuchten Zusammenhang:
Durch Erweiterung mit
Sy
und unter Berucksichtigung der Definitionsformel r =
~
(IV-124)
Regressionskoeffizient a und Korrelationskoeffizient r sind somit zueinander proportionale Grofien. Empirische Restvarianz
Die Parameter a und b im Losungsansatz y = ax + b fur eine Ausgleichsgerade haben wir gerade so bestimmt, daB die Summe der (vertikalen) Abstandsquadrate ihren kleinsten Wert annimmt. Diesen Minimalwert wollen wir jetzt berechnen. Unter Beriicksichtigung von b = Y- ax erhalten wir zunachst: Sea; b)min
=
I (Yi -
ax, -
W=
I (Yi - ax, -
y + ax)2 =
(IV-125)
Die in dieser Gleichung auftretenden Summen lassen sich mit Hilfe der DefinitionsforSy2 und SXy dabei noch wie folgt ausdriicken: meln fur
s;,
(IV-126)
I (Yi I
yf
= (n -
(Xi - x) (Yi -
(IV-127)
1)s;
y) = (n - 1)sxy
(IV-128)
Damit erhalten wir Sea; b)min =
I (Yi -
jl)2 - Z a-
I
(Xi - x) (Yi -
y) + a 2 .
I
(Xi - X)2 =
= (n - 1)s; - 2a(n - 1)sxy + a 2 . (n - 1)s; = (IV-129)
706
IV Fehler- und Ausgleichsrechnung
Setzen wir in diese Gleichung noch die aus (IV-123) gewonnene Beziehung ein, so folgt weiter: S(a; b)min == (n - 1) [s; - 2a(a· s;)
+ a2
.
Sxy
s;] == (n - 1) (s; - a 2 . s;)
==
a· s;
(IV-130)
Jetzt driicken wir noch den Regressionskoeffizienten a durch den Korrelationskoeffizienten r mit Hilfe der Beziehung (IV-124) aus und erhalten so schlieBlich:
Sea; b)min
= (n - 1)
(s; - a s;) = (n - 1) (s; - r :~ s;) = 2
2
•
•
•
(IV-131) Diese Summe der (vertikalen) Abweichungsquadrate verschwindet genau dann, wenn der empirische Korrelationskoeffizient den Wert r == - 1 oder r == + 1 annimmt. Alle n MeBpunkte (Xi; yJ liegen dann auf einer Geraden, namlich der Ausgleichsgeraden (Bild IV-29). Dieses Ergebnis aber ist uns bereits aus Kap. III, Abschnitt 6.1.1 bekannt. y
\
Ausgleichsgerade
Bild IV-29 Sonderfall: Samtliche MeBpunkte liegen auf der Ausgleichsgeraden
x
Varianz und Standardabweichung der berechneten Parameter 1m allgemeinen jedoch werden die MeBpunkte - wie in den Bildern IV-26 und IV-27 dargestellt - urn die Ausgleichsgerade streuen. Die durch die Gleichung 2 SRest
S(a; b)min == n - 2
(n-l)(1-r 2)s; n-2
(IV-132)
definierte empirische Restvarianz stellt dann ein geeignetes M ajJ fur die Streuung der MeBpunkte urn die Ausgleichsgerade dar. Die durch Wurzelziehen erhaltene Grobe SRest charakterisiert somit die Unsicherheit der MeBwerte Yl' Y2' ... , Yn- Die Restvarianz verschwindet dabei genau dann, wenn siimtliche MeBpunkte auf einer Geraden liegen und dies wiederum ist genau dann der Fall, wenn der empirische Korrelationskoeffizient den Wert r == - 1 oder r == + 1 annimmt.
5 Ausgleichs- oder Regressionskurven
707
Wahrend sich die Ordinatenwerte Yl' Y2' ... ,Yn der n MeBpunkte (Xi; Yi) von Stichprobe zu Stichprobe infolge der Zufallsstreuung veriindern, bleiben die Abszissenwerte Xl' X 2, •.. , x, unveriindert. Denn X ist eine gewohnliche Variable, Y dagegen eine Zufallsvariable! Daher veriindern sich auch die Parameter a und b der Ausgleichsgeraden Y == ax + b mit der Stichprobe. Regressionskoeffizient a und Achsenabschnitt b sind somit Funktionen der (streuenden) OrdinatenmeBwerte Yl' Y2' ... , Yn und folglich ebenfalls mit gewissen Unsicherheiten behaftet 22). Die Unsicherheiten bei der Bestimmung der Parameter a und b werden dabei durch die folgenden Varianzen bzw. deren QuadratwurzeIn beschrieben 23):
S2
==
n . siest
an'
I xl _ ( ~ x;y 1
sf
(1 - r
)
(n - 2)
s;
(IV-133)
s;
1
(I xl) . siest n.I xl _ ( ~ x) i
1
2
== 2
(n - 1) s;
n
+ ni 2
.s
2
(IV-134)
a
1
Wir fassen diese wichtigen Aussagen wie folgt zusammen:
22)
23)
Diese Unsicherheiten sind eine direkte Folge der Unsicherheit der y-MeBwerte. Es handelt sich hier also urn eine Fortpflanzung von "Fehlern" bzw. Varianzen. Sa und Sb sind die Standardabweichungen der beiden Parameter a und b.
708
IV Fehler- und Ausgleichsrechnung
709
5 Ausgleichs- oder Regressionskurven Anmerkung
Die empirische Restvarianz nach Gleichung (IV-137) erhalt man, indem man die minimierte Summe der Abstandsquadrate, also S (a; b)min, durch die Anzahl f der sog. Freiheitsgrade dividiert. Dabei gilt allgemein: (IV-140)
f=n-k
wobei n die Anzahl der MejJpunkte und k die Anzahl der zu bestimmenden Kurvenparameter im Losungsansatz bedeuten. Bei der Ausgleichsgeraden sind k = 2 Parameter (namlich a und b) zu bestimmen und somit gibt es in diesem Fall f = n - 2 Freiheitsgrade.
•
Beispiel 1m Beispiel des letzten Abschnitts hatten wir die Temperaturabhdngigkeit eines ohmschen Widerstandes aus acht MeBpunkten mit Hilfe einer Ausgleichsgeraden ermittelt. Wir erhielten dabei den folgenden Zusammenhang zwischen dem Widerstand R (in Q) und der Temperatur T (in °C):
R = (0,0253
o~) .T + 15,8131 0
(vgl. hierzu auch Bild IV-28). Wir fiihren dieses Beispiel nun zu Ende und wollen uns noch mit der Streuung der MeBpunkte urn die ermittelte Ausgleichsgerade und den Unsicherheiten der Parameter a und b beschaftigen. Die dabei benotigten Werte fur den empirischen Korrelationskoeffizienten r und die Varianzen s;. und s~ der Mellgrofien T und R sind aus Kap. III., Abschnitt 6 (Ubungsaufgabe 3) bereits bekannt:
s;. = 448,2149 (OC)2,
= 0,9974,
r
s~
= 0,2887 Q2
Damit erhalten wir nach Formel (IV-137) eine empirische Restvarianz von
_ (8 - 1) (1 - r 2 ) s~ _ 7 (1 - 0,9974 2) . 0,2887 Q2 _ 1""\2 - 0,0017 ~~ 8-2 6
2
SRest -
Der kleine Wert bestatigt dabei nochmals, daB die MeBpunkte in sehr guter Naherung auf einer Geraden liegen. Fur die Varianzen der Parameter a und b folgt unter Verwendung der Formeln (IV-138) und (IV-139) und unter Beriicksichtigung des Mittelwertes T = 46,25 °C: S2= a
(8 - 1)
2
Sb
Q2 (1 - r 2 ) S2 (1 - 09974 2) .02887 Q2 R= ' , =557.10- 8 - (8 - 2) s;. 6 . 448,2149 (OC)2 ' (OC)2
=
s;. + 8 y2 8
2
. Sa
=
7 . 448,2149 CC)2 + 8 . (46,25 °C)2 .
8
55,7
. 10- 8 ~ = 0001410 Q2 (0C)2'
IV Fehler- und Ausgleichsrechnung
710
Damit ergeben sich folgende Unsicherheiten fur Regressionskoeffizient a und Achsenabschnitt b: Sb
= 0,0375 Q
•
5.4 Ausgleichs- oder Regressionsparabel Liegen die in das Streuungsdiagramm eingetragenen n MeBpunkte Pi = (Xi;
yJ
(i = 1, 2, ... , n) nahezu auf einer Parabel, so wahlt man zweckmaliigerweise einen quadra-
tischen Losungsansatz in Form einer sag. Ausgleichs- oder Regressionsparabel Y =f(x) = ax? + bx + c
(IV-141)
(Bild IV-30). Der vertikale Abstand des i-ten MeBpunktes von dieser Parabel betragt dann Vi
= Yi -
f(xJ
= Yi -
+
(axf
b x,
+ c) = Yi -
ax? - b x, -
C
(IV-142)
y
Ausgleichsparabel =ax2 «bx +c
y
• f(x)
=ax j 2 + bx,
+c
Bild IV-30 Zur Bestimmung der Ausgleichsparabel
x
x,
Die zunachst unbekannten Kurvenparameter (Koeffizienten) a, b und c werden dabei nach der Gauj3schen Methode der kleinsten Quadrate wiederum so bestimmt, daB die Summe der vertikalen Abstandsquadrate alIer MeBpunkte von der Ausgleichsparabel ihren kleinsten Wert annimmt: n
S(a; b; c) =
I
(Yi - ax i2
-
bx, -
C)2
~ Minimum
(IV-143)
i= 1
Dazu miissen die drei partielIen Ableitungen 1. Ordnung von S(a; b; c) notwendigerweise verschwinden:
5 Ausgleichs- oder Regressionskurven n
as
oa =
711
2·
I
(Yi - axl- b x, - c)(-xl) == 0
i= 1
as ob = 2·
I
n
(Yi - ax? - b x, - c) (- x.) = 0
(IV-144)
i= 1
as oc = 2·
I
n
(Yi - ax? - b x, - c) (-1) = 0
i= 1
Wir erhalten damit drei lineare Gleichungen mit den drei Unbekannten a, b, c. Dieses quadratische lineare Gleichungssystem liiBt sich dann mit Hilfe der Cramerschen Regel oder durch Anwendung des Gaufischen Algorithmus Iosen.
Anmerkungen (1)
Eine Ausgleichskurve in Form einer Parabel ist nur moglich, wenn mindestens vier MeBpunkte vorliegen (n ~ 4).
(2)
Die drei Normalgleichungen (IV-146) erhalt man aus dem Gleichungssystem (IV-144) durch Auflosen der Summen und anschlieBendem Ordnen der Glieder.
712 •
IV Fehler- und Ausgleichsrechnung Beispiel
Bei einem bestimmten Autotyp soll der Zusammenhang zwischen dem Bremsweg s (in m) und der Geschwindigkeit v (in km/h) naher untersucht werden. Dazu wurde der Bremsweg bei fiinf verschiedenen Geschwindigkeiten gemessen. Man erhielt dabei die folgenden MeBwertepaare:
i
1
2
3
4
5
Vi
40
70
100
130
150
s,
14
39
78
120
153
Als Ausgleichskurve wahlen wir aufgrund des Streuungsdiagramms nach Bild IV-31 eine Parabel vom Typ s
== ao? + bv + c
Die Kurvenparameter a, b und c dieser Ausgleichsparabel bestimmen wir zweckmaliigerweise anhand der folgenden Tabelle (die Einheiten haben wir der besseren Ubersicht wegen weggelassen):
40
14
1600
64000
2560000
22400
560
2
70
39
4900
343000
24010000
191100
2730
3
100
78
10000
1000000
100000000
780000
7800
4
130
120
1690021970002856100002028000
15600
5
150
153
22500
22950
3375000
506250000
3442500
Die Normalgleichungen (IV-146) haben damit das folgende Aussehen: (I) (II) (III)
918430000· a + 6979000· b + 55900· c == 6464000
+ 55 900 . a +
6979000· a
55900· b +
490· c ==
49640
490 . b +
5 . c ==
404
5 Ausgleichs- oder Regressionskurven
713
s m 150
100 Ausgleichsparabel s=av 2+bv+c
• 50
Bild IV-31
Der Bremsweg s ist eine quadratische Funktion der Gesch windigkei t v ("Ausgleichsparabel")
100
50
150
v km/h
Wir losen dieses quadratische lineare Gleichungssystem z.B. mit Hilfe des Gaufsschen Algorithmus und erhalten die Parameterwerte
a = 0,004 399,
b = 0,437217,
c = -11,23
Die gesuchte Ausgleichsparabellautet somit 24):
s = 0,004399 . v 2
+ 0,437217 . v -
11,23
Ihr Verlauf ist in Bild IV-32 dargestellt. s m
150
100 Ausgleichsparabel
50
Bild IV-32 50
24)
100
150
v km/h
Die Geschwindigkeit v ist in der Einheit km/h, der Weg s in der Einheit m einzusetzen.
IV Fehler- und Ausgleichsrechnung
714
Mit Hilfe der Ausgleichsparabel konnen wir jetzt im Geschwindigkeitsbereich von 40 km/h bis hin zu 150 km/h den Bremsweg fiir eine vorgegebene Geschwindigkeit abschdtzen. So erwarten wir beispielsweise bei einer Geschwindigkeit von 90 km/h einen Bremsweg von s (v = 90) = 0,004399 . 90 2
+ 0,437217
. 90 - 11,23 = 63,75
Der Bremsweg betragt daher bei der Geschwindigkeit v
(in m)
= 90 km/h rund 64 m.
• 5.5 Nichtlineare Ausgleichsprobleme, die auf lineare Regression zuriickfiihrbar sind Viele nichtlineare Losungsansatze fur Ausgleichskurven lassen sich durch eine geeignete Transformation auf den rechnerisch erheblich einfacheren linearen Ansatz zuriickfiihren. Wir zeigen dies am Beispiel der Exponential- und Potenzfunktionen, die sich im halb- bzw. doppellogarithmischen Funktionspapier durch lineare Funktionen, d.h. durch Geraden darstellen lassen.
Exponentialfunktion y
= a · eb x
Durch Logarithmieren folgt zunachst: In y
= In (a . e bX) = In a + In (e bX) = In a + b x = b x + In a
(IV-147)
Wir fiihren jetzt die formale Transformation
u = x,
v
= In y
durch, setzen dabei noch c v = cu
(IV-148)
= b und d = In a und erhalten dann die Gerade
+d
(IV-149)
Durch diese Transformation wird also eine Exponentialfunktion in eine lineare Funktion iibergefiihrt : y
= a . e bx
u=x v
= In y
v
= cu + d
(IV-150)
(c = b, d = In a). Bildlich bedeutet dies: Wenn wir auf der vertikalen Koordinatenachse In y und auf der horizontalen Achse (wie bisher) x abtragen, erhalten wir eine Gerade (Bild IV-33). Die vertikale Achse wird also logarithmisch geteilt, wahrend die horizontale wie bisher linear geteilt bleibt. Ein entsprechendes Funktionspapier ist im Handel erhaltlich und heiBt halblogarithmisches Koordinatenpapier. Bei dieser Transformation gehen die Wertepaare (Xi; yJ in die neuen Wertepaare (ui; vJ = (Xi; In Yi) iiber, mit denen wir dann eine lineare Regression durchfiihren. Sie liefert uns die Werte der beiden .Hilfsparameter'' c und d, aus denen wir dann durch Riicktransformation die gesuchten Kurvenparameter a und b des Exponentialansatzes erhalten: In a
=d
=>
a = ed
und
b=c
(IV-151)
5 Ausgieichs- oder Regressionskurven
715
v
y
v = bu + Ina
=cu
+d
y=a. e b x
u
x b)
a)
Bild IV-33 Eine Exponentialfunktion (Bild a)) HiBt sich auf halb-Iogarithmischem Papier durch eine Gerade darstellen (Bild b))
Potenzfunktion y = a · x"
Durch Logarithmieren folgt zunachst: In y = In (a . x") = In a + In (x") = In a + b . In x = b . In x + In a
(IV-152)
Mit Hilfe der Transformation
u = In x,
v = In y
(IV -153)
erhalten wir hieraus die Gerade
v = cu
+d
(IV-154)
wohei wir noch c = b und d = In a gesetzt hahen. Mit anderen Worten: Wenn wir also auf beiden Koordinatenachsen die (natiirlichen) Logarithmen der Koordinaten x und y auftragen, erhalten wir eine Gerade (Bild IV -34). Beide Achsen werden also iogarithmisch geteilt, ein entsprechendes im Handel erhaltliches Funktionspapier heiBt daher doppellogarithmisch. Die heiden .Hilfsparameter" c und d erhalten wir wiederum durch lineare Ausgleichung, die mit den transformierten MeBwertpaaren (ui ; vJ = (In Xi; In yJ durchgefiihrt wird. Durch Ritcktransformation gewinnt man dann daraus die gesuchten Kurvenparameter a und b des Potenzansatzes: In a = d ~ a = e d
und
b=c
(IV-155)
IV Fehler- und Ausgleichsrechnung
716 v
y
v =bu + Ina
=cu
+d
y =a ·,xb
x
u
d=lna b)
a)
Bild IV-34 Eine Potenzfunktion (Bild a)) HiBt sich auf doppel-logarithmischem Papier durch eine Gerade darstellen (Bild b))
Nichtlineare Ausgleichsprobleme, die sich linearisieren lassen Zahlreiche nichtlineare Losungsansatze lassen sich mit Hilfe geeigneter (nichtlinearer) Transformationen auf ein lineares Ausgleichsproblem vom Typ v == cu + d zuriickfiihren. Tabelle 4 gibt einen Uberblick iiber die in den Anwendungen besonders haufig auftretenden Falle, Man beachte jedoch den Hinweis zu dieser Tabelle!
Tabelle 4: Transformationen, die einen nichtlinearen Ansatz fiir eine Ausgleichskurve auf ein lineares Ausgleichsproblem zuriickfiihren
v == cu + d
a == e",
-------
y
v==cu+d
a == c,
b==d
1/y
v==cu+d
1 a==- ,
d b==-
---1-i
1/x
I I I
b==c -----
1/y
---
v==cu+d
c
c
--------
1 a==d'
b=~
d
5 Ausgleichs- oder Regressionskurven
717
Wichtiger Hinweis zur Tabelle 4 Man beachte, daB nach der Linearisierung des vorgegebenen Ausgleichsproblems stets eine lineare Regression mit den transformierten MeBwertpaaren (ui ; Vi) durchgefuhrt wird, Diese Vorgehensweise ist zwar rechentechnisch gesehen elementar durchfiihrbar und daher in der Praxis sehr "beliebt", fiihrt jedoch nicht zu den tatsachlichen Werten der Kurvenparameter a, boo 0' sondern nur zu (meist jedoch vollig ausreichenden) N dherungswerten! Die exakte Bestimmung der Parameter kann nur iiber die Minimierung der eigentlichen Zielfunktion n
I
S(a; b; ...) =
(IV-156)
(Yi - f(XJ)2
i= 1
(Summe der vertikalen Abstandsquadrate) erfolgen, die mit dem gewahlten nichtlinearen Losungsansatz y == j (x) und den vorgegebenen MeBwertepaaren (Xi; yJ gebildet wird. Die exakten Parameterwerte sind dann allerdings nur mit erheblichem numerischen Rechenaufwand zu erhalten, so daB man in der Praxis oft den beschriebenen bequemeren Weg vorzieht.
Beispiele (1)
Die Entladung eines Kondensators mit der Kapazitat C tiber einen ohmschen Widerstand R erfolgt nach dem Exponentialgesetz t
u (t) == U o . e -
RC
(t
~
0)
(uo: Anfangsspannung zur Zeit t == 0). In einem Experiment wurden dabei folgende Werte gemessen (t i in s, u, in V): i
1
2
3
4
5
t,
1,0
4,0
7,0
10,0
15,0
u,
80,2
45,5
24,5
13,9
4,7
Wir berechnen aus diesen Daten die Anfangsspannung Uo und die Zeitkonstante RCo Das Exponentialgesetz fiihrt in der halblogarithmischen Darstellung zu der Geraden
t lnu==lnu - o
RC
1
oder
y
== at + b
und b == In Uo' Die MeBpunkte (t i ; yJ == (t i ; In uJ RC liegen daher in dieser Darstellung nahezu auf einer Geraden (Bild IV-35)o mit y
==
In u,
a == - -
IV Fehler- und Ausgleichsrechnung
718 u V 100
I!oo...
.........
<, <,
50
~~
40 30
r-, ~~
20
<,
10
<,
-,r-,
r-,
""-
'"
5 4 3
~
~
2
2
4
6
8
10
12
t
14
s
Bild IV-35 Bei halb-Iogarithmischer Darstellung liegen die MeBpunkte nahezu auf einer Geraden
Wir bestimmen nun Steigung und Achsenabschnitt der Ausgleichsgeraden + b oder y - y == a(t - t) unter Verwendung der folgenden Tabelle:
y == at
4,384524
4,384524
2
4
3,817712
16
15,270849
3
7
3,198673
49
22,390712
4
10
2,631 889
100
26,318888
5
15
1,547 563
225
23,213438
-t==_· 1
5
I t.==-·37==74 1 5 ' , l
i
Y-
1 \'y. 5 /: l
== - '
i
==
1 -·15580361 == 3 116072 5' ,
719
5 Ausgleichs- oder Regressionskurven
a=-----
91,578411 - 5 ·7,4 . 3,116072 391 - 5 . 7,42 = - 0,202357
Die Ausgleichsgerade lautet damit in der speziellen symmetrischen Form: y - 3,116072 = - 0,202357 (t - 7,4)
bzw. in der Hauptform: y
= - 0,202357 . t + 4,613514
Die Parameter a und b haben somit die folgenden Werte: a
= - 0,202357,
b = 4,613514
Fur Uo und RC erhalten wir hieraus durch Riicktransformation: In U o = b a
~
1 RC
= - -
u., = e b = e 4 ,6 1 3 5 1 4 = 100,84
~
(in V)
1 1 RC = - - = = 4 942 a - 0,202357 '
(in s)
Die Kondensatorspannung u (t) geniigt somit dem exponentiellen Zeitgesetz u (t) = 100,84 V . e
(t
4,942 s
~
0)
dessen Verlauf in Bild IV-36 dargestellt ist.
u V 100,84
_______ Ausgleichskurve
t
u(t) = 100,84 V· e - 4,942 s 50
5
10
15
1s
Bild IV-36 Exponentielle Ausgleichskurve fur die Entladung eines Kondensators
720
IV Fehler- und Ausgleiehsreehnung (2)
Bild IV-37 zeigt einen Plattenkondensator mit einem geschichteten Dielektrikum. Aus physikalisehen Uberlegungen weiB man, daB die Kapazitat C des Kondensators mit der Sehiehtdieke x des Dielektrikums zunimmt. Der Zusammenhang der beiden Groben ist dabei dureh eine einfaehe echt gebrochenrationale Funktion vom Typ
1 C=C(x)=-ax + b
(0 ~ x ~ d)
gegeben (d: Plattenabstand).
Luff (e= 1)
Bild IV-37 Plattenkondensator mit geschichtetem Dielektrikum x
d-x d
Auf experimentellem Wege wurden die folgenden fiinf MeBwertpaare ermittelt = 4 ern):
(x in ern, C in ~F; Plattenabstand: d
i
1
2
3
4
5
Xi
0
1,0
1,5
2,5
4,0
Ci
55
71
84
124
555
~
und erhalten anstelle der gebrochenrationalen Funktion C die lineare Funktion (Gerade)
Wir setzen y =
1
y=-=ax+b C
5 Ausgleiehs- oder Regressionskurven
721
Die Kurvenparameter a und b bestimmen wir dureh lineare Regression unter Verwendung der folgenden Tabelle:
°
0,018 182
1,0
0,014085
3
1,5
4
5
2
1
x = "5 .
I
°
°
0,011905
2,25
0,017857
2,5
0,008065
6,25
0,020161
4,0
0,001 802
16
0,014085
0,007207
1
Xi =
"5 . 9 = 1,8
i
_ 1 Y = -5 . \L' y.l
1 5
= - .
°
' 054039
=
°
,010808
i
Regressionskoeffizient a:
I a=
XiYi -
_i
5xy =
0,059310 - 5 . 1,8 ·0,010808 25,5 - 5 . 1,82
= _
0004082 '
Achsenabschnitt b:
b=
Y- ax =
0,010808 - (- 0,004082) . 1,8 = 0,018156
Die gesuehte gebrochenrationale Ausgleichskurve lautet somit im Intervall ~ x ~ 4:
°
1
C = C(x) = ---0-,0-04~0-82-.-x-+-O,-01-8-15-6 (x in em; C in JlF).
722
IV Fehler- und Ausgleiehsreehnung Bild IV-38 zeigt den Verlauf dieser Funktion. Bei einer Sehiehtdieke von 3,3 em erwarten wir somit eine Kondensatorkapazitat von 1 C (x = 3,3 em) = _ 0,004082 . 3,3
+ 0,018156
!!F = 213,4!!F
C J1F 600 500
400 300
Ausgleichskurve
200
100
2
4
3
x em
Bild IV-38 Die Ausgleichskurve beschreibt die Abhangigkeit der Kapazitat von der Schichtdicke des Dielektrikums
(3) Ein Thermistor oder Heif3leiter ist ein Halbleiter, dessen elektriseher Widerstand R mit zunehmender absoluter Temperatur T naeh der Gleiehung R
==
R (T)
==
B
A . eT
stark abnimmt (gute Leitfahigkeit im .Jieifien" Zustand, schlechte Lcitfahigkeit im .Jcalten" Zustand). Mit den Methoden der linearen Regression sollen die Kurvenparameter A und B aus der folgenden Messreihe ermittelt werden (if: Temperatur des HeiBleiters in °C) :
if
-
°C R
Q
20
40
60
80
100
510
290
178
120
80
Dabei ist noch zu beachten, dass die Temperaturwerte aus der Einheit °C in die Einheit Kelvin (K) der absoluten Temperatur umgerechnet werden miissen.
5 Ausgleichs- oder Regressionskurven
723
Die Umrechnungsformellautet: T
K
== {} 0C + 273,15 K
Wir linearisieren die Gleichung, indem wir zunachst beidseitig logarithmieren und anschlieBend geeignete Hilfsvariable einfiihren:
In R = In
(A . e~)
= In A
+ In e ~
= In A
+ ~ .~
=
1
== Mit Y gerade Y
InA
== In R,
x
B
+ - == T
1
== T'
1 B .-
T
a
==
+ InA
B und b
== In A erhalten wir die
Ausgleichs-
== ax + b
deren Koeffizienten a und b aus den Gleichungen (IV-114) und (IV-115) mit Hilfe des folgenden Rechenschemas berechnet werden (die Einheiten bleiben bei den Zwischenrechnungen unberucksichtigt):
293,15 313,15 333,15 353,15 373,15
1 2 3 4 5
3,4112 3,1934 3,0017 2,8317 2,6799
== 5 ·46,0447 . 10- 6 n· LXiYia
6,2344 5,6699 5,1818 4,7875 4,3820
-
11,6363 10,1978 9,0102 8,0185 7,1819
(15,1179 . 10- 3 ) 2
21,2668 18,1063 15,5542 13,5568 11,7433
== 1,6726 . 10- 6
(~Xi) . (~Yi)
== - -i- - - - - - - - - - L1
5 . 80,2274 . 10- 3 - 15,1179 . 10- 3 ·26,2556 1,6726 . 10- 6
== 2515,5
IV Fehler- und Ausgleichsrechnung
724
b==
(~xf) . (~Yi)
(~Xi). (~XiYi) L1
46,0447 .10- 6 ·26,2556 - 15,1179.10- 3 .80,2274.10- 3 1,6726.10- 6 - 2,3548 Fur die Parameter A und B ergeben sich somit folgende Werte:
==
b
==
a
== 2515,5 (in K)
B
=?
==
eb
InA
A
== e -2,3548 == 0,0949 (in Q)
Die Widerstandskennlinie des HeiBleiters wird damit durch die Gleichung 2515,5 K
TR (T) == 0,0949 Q . e -
oder R ({})
== 0,0949 Q
.
e
2515,5°C ) ( ~+273,15 °C
beschrieben. Bild IV-39 zeigt den Verlauf dieser Kennlinie im Temperaturbereich 10°C ::; {} ::; 110°C. Die MeBwerte sind dabei als Punkte eingezeichnet.
R Q 700 600 500 400 300 200 100 BUd IV-39
10 20 30 40 50 60 70 80 90100110
()
D[
Ubungsaufgaben
725
Ubungsaufgaben
Zu Abschnitt 3 1)
Die an einem Widerstand abfallende Spannung U wurde sechsmal mit gleicher Genauigkeit gemessen:
80,5
4
5
6
81,2
80,6
80,9
80,8
81,4
Werten Sie die folgenden MeBreihen in der iiblichen Weise aus (Angabe des Mittelwertes, der Standardabweichung der Einzelmessung und des Mittelwertes). Wie lauten die Vertrauensintervalle fur den M ittelwert bei einem Vertrauensniveau von Yl = 950/0 bzw. Y2 = 99 % ?
Widerstandsmessung:
a)
i
Ri
-
Q
1
2
3
4
5
6
7
8
115
118
111
112
116
111
114
115
Messung des Luftdrucks in Meereshohc:
b)
3)
3
Wie groB ist der Mittelwert U der Spannung? Bestimmen Sie die Standardabweichung der Einzelmessung und des Mittelwertes.
a) b)
2)
2
i
1
2/
3
4
5
6
7
8
Pi bar
1,008
1,015
1,012
1,011
1,010
1,015
1,013
1,015
Die Erdbeschleunigung g wurde achtmal gemessen:
i
1
2
3
4
5
6
7
8
o, m/s 2
9,82
9,79
9,79
9,80
9,85
9,81
9,82
9,80
Man berechne den Mittelwert sowie die Standardabweichung der Einzelmessung und des M ittelwertes.
726
IV Fehler- und Ausgleichsrechnung Bestimmen Sie ferner die Vertrauensgrenzen fur den M ittelwert bei einer Irrtumswahrscheinlichkeit von a l = 5% bzw. a 2 = 1%. Wie groB sind die entsprechenden Mej3unsicherheiten? Geben Sie schlieBlich die M ej3ergebnisse in der allgemein iiblichen Form an (Mittelwert ± Mehunsicherhcit).
4)
Die Messung eines elektrischen Widerstandes R erfolge mit einer Standardabweichung von SR = 1,4 Q. Wieviele Messungen sind mindestens notwendig, damit die Standardabweichung des Mittelwertes hochstens sii = 0,2 Q betragt?
5)
Die Auswertung einer umfangreichen MeBreihe, bestehend aus n = 100 Einzelmessungen, ergab fur die Ma~se m eines Korpers die folgenden Werte: Mittelwert: m= 105 g Standardabweichung der Einzelmessung: sm = 3 g a) b)
Wieviele der insgesamt 100 MeBwerte diirfen wir zwischen 103 g und 108 g erwarten? Wieviele MeBwerte liegen oberhalb von 110 g?
Hinweis: Wir setzen voraus, daB die MeBwerte normalverteilt sind. 6)
In einem Experiment wurde die Fallzeit T eines Steines beim freien Fall in einen Brunnen untersucht. Es ergaben sich die folgenden zwanzig MeBwerte: 4,1
4,2
4,0
4,1
3,9
4,0
4,2
3,8
3,9
3,8
4,0
4,2
4,0
4,0
3,9
4,1
4,1
4,0
4,2
3,8
(alle Angaben in Sekunden). Geben Sie das Mej3ergebnis fur eine Irrtumswahrscheinlichkeit von a = 50/0 an. 7)
Die Auswertung einer aus neun Einzelmessungen bestehenden MeBreihe ergab einen Mittelwert von x = 10,0 und eine Standardabweichung von s = 1,3 fur die Einzelmessungen. Bestimmen Sie die Vertrauensgrenzen fur den Mittelwert auf dem Vertrauensniveau y =950/0.
8)
Eine (normalverteilte) Grelle X wurde zehnmal wie folgt gemessen: i
1
2
3
4
5
6
7
8
9
10
Xi
21
22
21
20
21
23
21
21
20
20
Aufgrund der Erfahrungen aus fruheren Messungen kann die Standardabweichung (J der normalverteilten Grundgesamtheit dabei als bekannt vorausgesetzt werden. Sie betragt (J = 1,2. Wie groB ist die Mej3unsicherheit der Mebgrobe X bei einem Vertrauensniveau von y = 95 %?
727
Ubungsaufgaben
Zu Abschnitt 4 Hinweis: Wir verwenden hier die nach DIN 1319 empfohlenen Bezeichnungen. Die MeBergebnisse der direkt gemessenen Grofsen werden stets in der Form (MeBergebnis) == (Mittelwert)
± (MeBunsicherheit)
vorgegeben, wobei als MaB fur die MeBunsicherheit (kurz: Unsicherheit) die Standardabweichung des Mittelwertes verwendet wird. Das "MeBergebnis" fur die "indirekte MeBgrofie" (abhangige Grobe) wird dann in der gleichen Form dargestellt. 1)
Bei einem Federpendel besteht zwischen der Schwingungsdauer T, der Federkonstanten D und der Pendelmassern die folgende Beziehung:
T=2n~ Wie groB ist die absolute und die prozentuale M ej3unsicherheit der Schwingungsdauer, wenn die Grofsen m und D mit einer prozentualen Unsicherheit von jeweils 1% gemessen werden? 2)
Urn die Masse m eines homogenen Zylinders zu bestimmen, wurden folgende Messungen vorgenommen (jeweils von gleicher Genauigkeit):
± 3% Zylinderhohe: h == 24,0 ern Radius: r=17,5cm ±3% Dichte: (2 = 2,50 g/cm' ± 2% a) b) 3)
Welchen mittleren Wert erhalt man fur die Zylindermasse m? Wie groB ist die absolute bzw. relative Mej3unsicherheit von m?
Bestimmen Sie die Hohe h eines Turms, dessen Spitze aus der Entfernung = (75,2 ± 2,5) m unter dem Erhebungswinkel a = (30 ± 1)° erscheint (Bild IV-39). Wie groB ist die absolute bzw. prozentuale Mej3unsicherheit von h? e
Turmspitze
h
a
I'"
e
~I
Bild IV-39
728
IV Fehler- und Ausgleiehsreehnung
4)
Kapazitat C und Induktivitat Leines (ungedampften) elektromagnetischen Schwingkreises werden wie folgt gemessen: C = (5,0 ± 0,2) J.lF;
L = (0,20 ± 0,01) H
Bestimmen Sie die Schwingungsdauer T naeh der Formel T = 2n absolute und die prozentuale M ej3unsicherheit von T.
jLC sowie die
5) Die Kantenldngen a, b und c eines Quaders werden mit einer Genauigkeit von jeweils 3% gemessen (prozentuale MeBunsieherheiten). Bereehnen Sie die prozentuale M ej3unsicherheit des Quadervolumens l<" 6)
Der ohmsehe Widerstand Reiner Spule laBt sieh aus dem Spannungsabfall U und U der Stromstarke I naeh dem ohmschen Gesetz R = - bereehnen. In einem ExperiI
ment wurden dabei die folgenden Werte gemessen. U = (120,10 ± 1,43) V;
a) b)
I
= (3,45 ± 0,15) A
Wie lautet das M ej3ergebnis fur die abhdngige Grobe R? Wie groB ist die prozentuale M ej3unsicherheit des Widerstandes R?
7) Das Widerstandsmoment Weines Balkens mit reehteekigem Quersehnitt wird naeh der Formel W = W(b; h) =
1
6bh?
bereehnet (b: Breite des Balkens; h: Hohe (Dicke) des Balkens). In einem Experiment wurden dabei die folgenden MeBwerte ermittelt: i
1
2
3
4
5
6
7
8
9
10
bi em
18,0
17,6
17,9
18,2
18,2
18,1
18,3
17,7
18,4
18,6
hi em
10,3
10,1
10,1
10,0
10,2
10,3
9,8
9,8
10,1
10,3
-
Bestimmen Sie die M ittelwerte sowie die absoluten M ej3unsicherheiten der drei Groben b, h und W(b; h).
729
Ubungsaufgaben 8)
Der in Bild IV-40 dargestellte elektromagnetische Schwingkreis enthalt die beiden Kapazitaten C 1 = (10 ± 0,5) nF und C 2 = (50 ± 2,0) nF sowie die Induktivitat L = (5 ± 0,2) rnH in Parallelschaltung. Berechnen Sie den Mittelwert und die MejJunsicherheit der Schwingungsdauer
T = 2n JL(C 1
+ C2 )
(1 nF = 10- 9 F; 1 rnH = 10- 3 H).
Bild IV-40
L
9)
Das Massentrdgheitsmoment J einer Kugel beziiglich eines Durchrnessers wird aus dern Kugelradius R und der Masse m wie folgt errnittelt: 2
J = -mR 2 5 Mit welcher Genauigkeit laBt sich das Massentragheitsmoment bestirnrnen, wenn m und R urn 3% bzw. 2% ungenau gernessen werden (Angabe der prozentualen M ejJunsicherheit)? 10)
Das Volumen eines Wiirfels solI eine Genauigkeit von rnindestens 3 % aufweisen. Wie groB darf die prozentuale M ejJunsicherheit der Kantenlange a hochstens sein?
11)
Bestirnmen Sie aus den MeBwerten x = 50 ± 0,2 und y = 40 ± 0,2 den M ittelwert und die MejJunsicherheit der Differenz z = x - y. Was fallt bei einem Vergleich der relativen (prozentualen) MeBunsicherheiten der Groben x, y und z auf?
730
IV Fehler- und Ausgleichsrechnung
12)
Mit einer Bruckenschaltung wurden die Widerstande R 1 und R 2 jeweils sechsmal mit gleicher Genauigkeit gemessen:
a) b)
96,5
97,2
98,6
95,9
97,1
96,7
40,1
42,3
41,5
40,7
41,9
42,5
Wie lauten die Mefiergebnisse fur R 1 und R 2 ? Der Gesamtwiderstand R der Parallelschaltung aus R 1 und R 2 wird nach der Formel 1
1
1
R
R1
R2
-=-+-
oder
berechnet. Wie wirken sich die MeBunsicherheiten ~Rl und ~R2 auf die MeBunsicherheit ~R des Gesamtwiderstandes aus? Geben Sie das Mefiergebnis fur den Gesamtwiderstand R in der Form R = Ii ± ~R an.
Zu Abschnitt 5 1)
Bestimmen und zeichnen Sie die jeweilige Ausgleichsgerade: a)
i
1
2
3
4
5
Xi
°
1
2
3
4
0,85
-0,64
-2,20
-3,60
Yi
b)
2,10
i
1
2
3
4
5
6
7
8
Xi
1,5
1,7
2,5
3,1
3,5
4,0
4,6
5,9
Yi
1,9
2,2
2,7
3,4
4,1
4,2
5,3
6,1
Mit welchen Unsicherheiten werden die Kurvenparameter bestimmt? Wie grof ist die jeweilige Restvarianz bzw. die Unsicherheit der y-MeBwerte?
731
Ubungsautgaben 2)
Gegeben sind funf MeBpunkte 1
2
3
4
5
Xi
-2
0
2
4
6
Yi
5,8
2,6
-0,8
-3,9
-7,5
b) c)
Wie lautet die Gleichung derjenigen Geraden, die sich diesen Punkten im Sinne der Ausgleichsrechnung "am besten" anpaBt? Bestimmen Sie die Restvarianz und daraus die Unsicherheit der y-MeBwerte. Welchen y-Wert diirfen wir fur X = - 1 und X = 4,5 "erwarten"?
Bei einem Dieselmotor wurde die Abhangigkeit zwischen der Drehzahl X (in Umdrehungen pro Minute) und der Leistung Y (in PS) untersucht. Es ergab sich das folgende MeBprotokoll: i
1
2
3
4
5
6
7
Xi
500
1000
1500
2000
2500
3000
3500
Yi
5
8
12
17
24
31
36
a) b)
4)
= (Xi; yJ (i = 1,2, ... , 5):
i
a)
3)
Pi
Bestimmen Sie die zugehorige Ausgleichsgerade. Welche Motorleistung ist bei einer Drehzahl von 2150 Umdrehungen pro Minute zu "erwarten"?
Gegeben ist die die zweidimensionale Stichprobe i
1
Xi
Yi
2
3
4
5
6
0
1
2
3
4
5
-0,9
1,45
4,1
6,4
9,1
11,3
I
Wahlen Sie einen geeigneten Liisungsansatz fur eine Ausgleichskurve und bestimmen Sie die zugehorigen Kurvenparameter (Losungsansatz begriinden l). 5)
Die Untersuchung der Losbarkeit L von NaN0 3 in Wasser in Abhangigkeit von der Temperatur T fuhrte zu den folgenden MeBwertepaaren: i
1
2
3
4
5
6
t;
0
20
40
60
80
100
Li
70,7
88,3
104,9
124,7
148,0
176,0
(L in Gramm pro 100 Gramm Wasser, T in Grad Celsius).
732
IV FehIer- und Ausgieichsrechnung Begriinden Sie, warum hier eine lineare Regression angebracht ist und bestimmen Sie die Ausgleichsgerade. Weiche Loslichkeiten sind aufgrund der Ausgieichsgeraden fur die Temperaturen 30°C und 95°C zu "erwarten"?
a) b)
6)
Zeigen Sie anhand der PunktwoIke, daB fur die fiinf MeBpunkte i
1
2
3
4
5
Xi
0
2
3
5
7
Yi
2
0
0
1
4
eine parabelfiirmige Ausgieichskurve sinnvoll ist. Bestimmen Sie die Parameter dieser Ausgleichsparabel. 7)
Auf einer Teststrecke wurde der Bremsweg seines Autos bei fiinf verschiedenen Geschwindigkeiten v bestimmt: i
1
2
3
4
5
Vi --
32
50
80
100
125
16,2
31,0
63,5
95,0
146,5
km/h s,
-
m
Bestimmen Sie die Koeffizienten a, b und c der Ausgleichsparabel s = av 2 + bv + c. Weichen Schdtzwert fur den Bremsweg erhalt man hieraus fur eine Geschwindigkeit von v = 90 km/h? 8)
Bestimmen Sie nach der "Gauj3schen Methode der kleinsten Quadrate" diejenige Exponentialfunktion vom Typ Y = a . e bx , die sich den vier MeBpunkten
i
1
2
3
4
Xi
0
1
2
3
Yi
5,1
1,75
1,08
0,71
in "optimaler" Weise anpaBt! Anleitung: Die Exponentialfunktion wird in der halb-logarithmischen Darstellung durch die Gerade v = cu + d dargestellt (u = X, V = In Y, c = b und d = In a). Dabei geht der Punkt Pi = (Xi; yJ in den Punkt Qi = (ui; vJ iiber, Man bestimme daher zunachst die zu den Punkten Qi gehorende Ausgleichsgerade und daraus dann die Parameter a und b der Exponentialfunktion.
Ubungsautgaben
9)
733
Wie lautet die Gleichung derjenigen Potenzfunktion Y = a . x", die sich den fiinf MeBpunkten
i
1
2
3
4
5
Xi
1
2
3
4
5
Yi
1
3,1
5,6
9,1
12,9
"optimal" anpaBt? Anleitung: In der doppel-logarithmischen Darstellung erhalt man fur die Potenzfunktion das Bild einer Geraden v = cu + d mit u = In X, v = In Y, c = b und d = In a. Dabei geht der Punkt Pi = (Xi; yJ in den Punkt Qi = (ui; vJ iiber. Man bestimme daher zunachst die zu den Punkten Qi gehorende Ausgleichsgerade und daraus dann die Parameter a und b der Potenzfunktion. 10) Zwischen zwei MeBgr6Ben erwartet man aufgrund bestimmter Uberlegungen einen funktionalen Zusammenhang vom Typ
ax + b y=-X
a)
b) c)
Man bestimme die Koeffizienten a und b nach der "Gauj3schen Methode der kleinsten Quadrate" unter Verwendung folgender MeBpunkte:
i
1
2
3
4
5
Xi
-2
-1
1
2
4
Yi
1
-0,5
5,6
3,8
3,3
Welchen Ordinatenwert (Schatzwert) "erwartet" man fur X = 3? Zeichnen Sie die Ausgleichskurve mitsamt den vorgegebenen MeBpunkten.
Hinweis: Man fiihre dieses nichtlineare Ausgleichsproblem durch eine geeignete Variablentransformation auf das lineare Problem zuriick.
735
Anhang
Teil A: Tabellen zur Wahrscheinlichkeitsrechnung und Statistik Tabelle 1: Verteilungsfunktion 1> (u) der Standardnormalverteilung
736
Tabelle 2: Quantile der Standardnormalverteilung . . . . . . . . . . . . . . . . . ..
738
Tabelle 3: Quantile der Chi-Quadrat-Verteilung . . . . . . . . . . . . . . . . . . . ..
740
Tabelle 4: Quantile der t-Verteilung von "Student" . . . . . . . . . . . . . . . . ..
742
Teil B: Losungen der Ulnmgsaufgaben I
Vektoranalysis...........................................
II Wahrscheinlichkeitsrechnung
,...................
746 775
III Grundlagen der mathematischen Statistik
793
IV Fehler- und Ausgleichsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . ..
816
736
Anhang A: Tabellen
Tabelle 1: Verteilungsfunktion c/J (u) der Standardnormalverteilung Schrittweite: Au = 0,01 Fiir negative Argumente verwende man die Formel
4J (- u) = 1 - 4J (u) u
u
Fiir u ~ 4 ist 4J(u)
(u > 0)
~
1.
0,6950 0,7291 0,7612 0,7910 0,8186
0,6985 0,7324 0,7642 0,7939 0,8212
0,7019 0,7357 0,7673 0,7967 0,8238
0,7054 0,7389 0,7704 0,7996 0,8264
0,7088 0,7422 0,7734 0,8023 0,8289
0,7123 0,7454 0,7764 0,8051 0,8315
0,7157 0,7486 0,7794 0,8078 0,8340
0,7190 0,7518 0,7823 0,8106 0,8365
0,7224 0,7549 0,7852 0,8133 0,8398
0,8438 0,8665 0,8869 0,9049 0,9207
0,8461 0,8686 0,8888 0,9066 0,9222
0,8485 0,8708 0,8907 0,9082 0,9236
0,8508 0,8729 0,8925 0,9099 0,9251
0,8531 0,8749 0,8944 0,9115 0,9265
0,8554 0,8770 0,8962 0,9131 0,9279
0,8577 0,8790 0,8980 0,9147 0,9292
0,8599 0,8810 0,8997 0,9162 0.,9306
0,8621 0,8830 0,9015 0,9177 0,9319
0,9345 0,9463 0,9564 0,9649 0,9719
0,9357 0,9474 0,9573 0,9656 0,9726
0,9370 0,9484 0,9582 0,9664 0,9732
0,9382 0,9495 0,9591 0,9671 0,9738
0,9394 0,9505 0,9599 0,9678 0,9744
0,9406 0,9515 0,9608 0,9686 0,9750
0,9418 0,9525 0,9616 0,9693 0,9756
0,9429 0,9535 0,9625 0,9699 0,9761
0,9441 0,9545 0,9633 0,9706 0,9767
0,9778 0,9826 0,9864 0,9896 0,9920
0,9783 0,9830 0,9868 0,9898 0,9922
0,9788 0,9834 0,9871 0,9901 0,9925
0,9793 0,9838 0,9875 0,9904 0,9927
0,9798 0,9842 0,9878 0,9906 0,9929
0,9803 0,9846 0,9881 0,9909 0,9931
0,9808 0,9850 0,9884 0,9911 0,9932
0,9812 0,9854 0,9887 0,9913 0,9934
0,9817 0,9857 0,9890 0,9916 0,9936
0,9940 0,9955 0,9966 0,9975 0,9982
0,9941 0,9956 0,9967 0,9976 0,9982
0,9943 0,9957 0,9968 0,9977 0,9983
0,9945 0,9959 0,9969 0,9977 0,9984
0,9946 0,9960 0,9970 0,9978 0,9984
0,9948 0,9961 0,9971 0,9979 0,9985
0,9949 0,9962 0,9972 0,9979 0,9985
0,9951 0,9963 0,9973 0,9980 0.9986
0,9952 0,9964 0,9974 0,9981 0,9986
0,9987 0,9991 0,9993 0,9995 0,9997
0,9987 0,9991 0,9994 0,9995 0,9997
0,9988 0,9991 0,9994 0,9996 0,9997
0,9988 0,9992 0,9994 0,9996 0,9997
0,9989 0,9992 0,9994 0,9996 0,9997
0,9989 0,9992 0,9994 0,9996 0,9997
0,9989 0,9992 0,9995 0,9996 0,9997
0,9990 0,9993 0,9995 0,9996 0,9997
0,9990 0,9993 0,9995 0,9997 0,9998
0,9998 0,9998 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
0,9998 0,9999 0,9999 0,9999 1,0000
Tabelle 1
737
Zahlenbeispiele (1)
<j> (1,32) = 0,9066
(2)
<j> (1,855)
(3)
<j> ( - 2,36)
= 0,9682 (durch lineare Interpolation) = 1 - <j> (2,36) = 1 - 0,9909 = 0,0081
Formeln zur Berechnung von Wahrscheinlichkeiten
(1)
Einseitige Abgrenzung nach oben
c
(2)
P(U
~
c) = <j>(c)
P(U
~
c) = 1 - P(U
u
Einseitige Abgrenzung nach unten q>(u)
c
(3)
~
c) = 1 - <j>(c)
u
Zweiseitige (unsymmetrische) Abgrenzung q>(u)
~
U
~
b) = <j>(b) - <j>(a)
P(-c
~
U
~
P(a
a
(4)
b
u
Zweiseitige (symmetrische) Abgrenzung q>(u) P(-c 5: U 5: c)
c) = P(lUI
~
c) =
= 2 . <j> (c) - 1
-c
c
u
738
Anhang A: Tabellen
Tabelle 2: Quantile der Standardnormalverteilung qJ(U)
p:
Vorgegebene Wahrscheinlichkeit
Up:
Zur Wahrscheinlichkeit p gehoriges Quantil (obere Schranke)
(0 < p < 1)
Die Tabelle enthalt fur spezielle Werte von p das jeweils zugehorige Quantil up (einseitige Abgrenzung nach oben).
0,90
1,282
0,1
- 1,282
0,95
1,645
0,05
- 1,645
0,975
1,960
0,025
- 1,960
0,99
2,326
0,01
- 2,326
0,995
2,576
0,005
- 2,576
0,999
3,090
0,001
- 3,090
739
Tabelle 2 Formeln zur Berechnung von Quantilen
(1)
Einseitige Abgrenzung nach oben qJ(U) P(U~c)
=p
P(U ~ c) = ¢(c) = p
¢ (c) = c
p -+ c
= up
U
Zahlenbeispiel: P(U ~ c) = ¢(c) = 0,90 -+ c =
(2)
U O,90
=
1,282
Einseitige Abgrenzung nach unten qJ(U)
P(U ~ c) = 1 - P(U ~ c) = = 1 - ¢(c)
=P
P(U~c)=p
¢(c)=l-p c
-+
c=u 1 -
p
U
Zahlenbeispiel: P(U ~ c) = 1 - P(U ~ c) = 1 - ¢(c) = 0,90
¢(c)
(3)
=
1 - 0,90 = 0,10
-+
c=
UO,l
= -1,282
Zweiseitige (symmetrische) Abgrenzung qJ(U) P(-c s U ~ c)
=p
P (- c ¢(c)
-c
c
U
Zahlenbeispiel: ~
¢ (c) =
2(1 + 0,90) =
1
U
~
c) = 2 . ¢ (c) - 1 = 0,90
P (- c
0,95
-+
c=
U O,95
=
1,645
~
U
~
c) = 2 . ¢ (c) - 1 = P
1
= 2(1 + p)
-+
c=
U(1+p)/2
740
Anhang A: Tabellen
Tabelle 3: Quantile der Chi-Quadrat-Verteilung p:
f(z)
Vorgegebene Wahrscheinlichkeit (0 < p < 1)
Anzahl der Freiheitsgrade
f: Z(p;f):
z
Zur Wahrscheinlichkeit p gehoriges Quantil bei f Freiheitsgraden (obere Schranke)
Die Tabelle enthalt fur spezielle Werte von p das jeweils zugehorige Quantil Abhangigkeit VOID Freiheitsgrad f (einseitige Abgrenzung nach oben).
z(p;f)
0,68 0,99 1,34 1,73 2,16
0,872 1,24 1,65 2,09 2,56
1,2'4 1,69 2,18 2,70 3,25
1,64 2,17 2,73 3,33 3,94
2,20 2,83 3,49 . 4,17 4,87
10,64 12,02 13,36 14,68 15,99
12,59 14,06 15,51 16,92 18,31
14,45 16,01 17,53 19,02 20,48
16,81 18,48 20,09 21,67 23,21
18,55 20,28 21,96 23,59 25,19
2,60 3,07 3,57 4,07 4,60
3,05 3,57 4,11 4,66 5,23
3,82 4,40 5,01 5,63 6,26
4,57 5,23 5,89 6,57 7,26
5,58 6,30 7,04 7,79 8,55
17,28 18,55 19,81 21,06 22,31
19,67 21,03 22,36 23,68 25,00
21,92 23,34 24,74 26,12 27,49
24,73 26,22 27,69 29,14 30,58
26,76 28,30 29,82 31,32 32,80
5,14 5,70 6,26 6,84 7,43
5,81 6,41 7,01 7,63 8,26
6,91 7,56 8,23 8,91 9,59
7,96 8,67 9,39 10,12 10,85
9,31 10,09 10,86 11,65 12,44
23,54 24,77 25,99 27,20 28,41
26,30 27,59 28,87 30,14 31,41
28,85 30,19 31,53 32,85 34,17
32,00 33,41 34,81 36,19 37,57
34,27 35,72 37,16 38,58 40,00
36,8 39,4 41,9 44,5 47,0
40,3 43,0 45,6 48,3 50,9
42,8 45,6 48,3 51,0 53,7
59,3
66,8 79,5 92,0 104,2 116,3 128,3 140,2
8,6 9,9 11,2 12,5 13,8
9,5 10,9 12,2 13,6 15,0
11,0 12,4 13,8 15,3 16,8
12,3 13,8 15,4 16,9 18,5
14,0 15,7 17,3 18,9 20,6
30,8 33,2 35,6 37,9 40,3
33,9 36,4 38,9 41,3 43,8
20,7 28,0 35,5 43,3 51,2
22,2 29,7 37,5 45,4 53,5
24,4 32,4 40,5 48,8 57,2
26,5 34,8 43,2 51,7 60,4
29,1 37,7 46,5 55,3 64,3
51,8 63,2 74,4 85,5 96,6
55,8 67,5 79,1 90,5 101,9
83,3 95,0 106,6
63,7 76,2 88,4 100,4 112,3
59,2 67,3
61,8 70,1
65,6 74,2
69,1 77,9
73,3 82,4
107,6 118,5
113,1 124,3
118,1 129,6
124,1 135,8
7~,4
in
Tabelle 3
741
Formeln zur Berechnung von Quantilen
(1)
Einseitige Abgrenzung nach oben fez)
P(Z5:C) = P
P(Z ~ c) = F(c) = P
F(c) = p
f
z(p;f)
= 10 Freiheitsgraden):
P(Z ~ c) = F(c) = 0,90
(2)
c=
z
C
Zahlenbeispiel (bei
-+
f=10
--~)
C
=
Z(0,9;10)
= 15,99
Zweiseitige (symmetrische) Abgrenzung fez)
1
"2 (1-p)
P(c 1
~
Z
~
z
1
P(Z ~ c 1 ) = F(c 1 ) = 2(1 - p)
F (c 1 )
P (Z
1
= 2(1 - p)
~
F (c2 )
-+
c 2 ) = 1 - P (Z
c1 ~
1
= 2(1 + p)
-+ C 2
=
Z«l- p)/2;f)
1 c 2 ) = 1 - F (c2 ) = 2 (1 - p)
=
Z«l
+ p)/2;f)
Zahlenbeispiel (bei f = 10 Freiheitsgraden):
P(c 1 ~Z
~
P(Z ~ c 1 )
c2 ) = 0,90
F(c 1 ) = 0,05
1
1
= F(c 1 ) = 2(1 - 0,90) = 0,05
F(c 2 ) = 2 (1
f=10
--~)
+ 0,90) =
c1 =
0,95
Z(0,05;10)
f=10
--~)
= 3,94
c2
=
Z(0,95;10)
= 18,31
c2 ) = p
Anhang A: Tabellen
742
Tabelle 4: Quantile der t- Verteilung von "Student" p:
Vorgegebene Wahrscheinlichkeit (0 < p < 1)
f:
Anzahl der Freiheitsgrade
t(p;f):
Zur Wahrscheinlichkeit p gehoriges Quanti! bei f Freiheitsgraden (obere Schranke)
t(p;f)
Die Tabelle enthalt fur spezielle Werte von p das jeweils zugehorige Quantil Abhangigkeit VOID Freiheitsgrad f (einseitige Abgrenzung nach oben).
1,440 1,415 1,397 1,383 1,372
1,943 1,895 1,860 1,833 1,812
2,447 2,365 2,306 2,262 2,228
3,143 2,998 2,896 2,821 2,764
3,707 3,499 3,355 3,250 3,169
1,363 1,356 1,350 1,345 1,341
1,796 1,782 1,771 1,761 1,753
2,201 2,179 2,160 2,145 2,131
2,718 2,681 2,650 2,624 2,602
3,106 3,055 3,012 2,977 2,947
1,337 1,333 1,330 1,328 1,325
1,746 1,740 1,734 1,729 1,725
2,120 2,110 2,101 2,093 2,086
2,583 2,567 2,552 2,539 2,528
2,921 2,898 2,878 2,861 2,845
1,321 1,318 1,315 1,313 1,310
1,717 1,711 1,706 1,701 1,697
2,074 2,064 2,056 2,048 2,042
2,508 2,492 2,479 2,467 2,457
2,819 2,797 2,779 2,763 2,750
1,303 1,299 1,296
1,684 1,676 1,671
2,021 2,009 2,000
2,423 2,403 2,390
2,704 2,678 2,660
1,290 1,286 1,283
1,660 1,653 1,648
1,984 1,972 1,965
2,364 2,345 2,334
2,626 2,601 2,586
1,282
1,645
1,960
2,326
2,576
t(p; f)
in
743
Tabelle 4 Formeln zur Berechnung von Quantilen
(1)
Einseitige Abgrenzung nach oben ((t)
P(T5: c) = P
P(T ~ c) = F(c) = P F(c) = p ---+- c
=
t(p;f)
c
Zahlenbeispiel (bei P(T ~ c)
(2)
=
F(c)
f
= 10 Freiheitsgraden): f=10
= 0,90
--~)
C
=
t(0,90; 10)
= 1,372
Einseitige Abgrenzung nach unten ttt)
P(T ~ c) = 1 - P(T ~ c) = P(T~c)=p
=l-F(c)=p
F (c) = 1 - p
---+-
c = t (1
- p; f)
c
Zahlenbeispiel (bei f = 10 Freiheitsgraden): P(T ~ c) = 1 - P(T ~ c) = 1 - F(c) = 0,90 F(c) = 1 - 0,90 = 0,10
(3)
f= 10
--~)
C
=
t(0,10; 10)
= -
t(0,90; 10)
= - 1,372
Zweiseitige (symmetrische) Abgrenzung tit)
P( - c ~ T ~ c) = 2 . F(c) - 1
=P
1
F(c) =
-c
c
Zahlenbeispiel (bei ~
F (c) =
:2 (1 + 0,90) =
1
~
f
P (- c
T
:2 (1 + p)
= 10 Freiheitsgraden):
c) = 2 . F (c) - 1 = 0,90 0,95
f=10
--~) C
=
t(0,95;10)
= 1,812
---+-
c=
t«1
+ p)J2;f)
745
Anhang
Teil B: Losungen der Ubungsaufgaben I
Vektoranalysis
,.........................
746
1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 8 '. . . . . . . . . . . . . . .. 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
746 747 750 754 756 760 764 768 772
II Wahrscheinlichkeitsrechnung..............................
775
1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
775 776 776 779 782 785 789
Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt
Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt
III Grundlagen der mathematischen Statistik Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt Abschnitt
793
1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 4 . . . . . . . . . . . . . ~ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
793 799 800 803 809 813
IV Fehler- und Ausgleichsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . ..
816
Abschnitt 3 . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Abschnitt 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
816 817 819
Anhang B: Losungen der Ubungsaufgaben
746
I Vektoranalysis Abschnitt 1 1)
--.r (t) = ( 1vot )
(t
~
0)
- qt? 2
2)
a)
b)
c) 3)
a)
-r(t)= . (t) 4t
~r(t)=
;
2
t) ;
--.r (t) = R (cos . SIn t
-r(t)= . (t) 2t ;
(1)
~r (t) = R
~r(t) =
(t
8t
~
0)
(- sin t)
(1) "2
COS t
(0~t<2n)
(-oo
Die Bahnkurve ist eine Ellipse mit den Halbachsen a und b und dem "Startpunkt" A = (a; 0) (Bild A-1). wist die Winkelgeschwindigkeit.
y
m
----
?(t)
b b)
c)
4)
a)
b)
v(t) =
( - a to . sin (w t) ) b co . cos (wt)
--.
( - aco? . cos (wt))
--.
A
a
a(t)
=
--.
a (t)
= - w
--.
= (-wR.sin(wt)) . --.a (t) =
V (t)
- b w 2 . sin (co t)
2
(a .cos. (w t)) = b . sm (w t)
wR . cos (wt) ,
Bild A-I
w
2 --.
r (t)
(-W 2R . COS(w t)) = - w 2 R . sin (wt)
-v. (t) (R (1 - cos t)) -a. (t) = (R .sin t) =
.
R . SIn t
;
x
R . cos t
2--' O)
r (t)
I Vektoranalysis
6)
747
a)
d ~ · ~ d t (if . b) = if . b
b)
d ~ ~ - (b . c) dt
c)
d ~ . ~ d t (if x b) = if x b
~
+ if . b
5t4
=
= b~ . c~ + b~ . c~ =
3t
2
+ 2t
x b =
(
-
+ 2 (1 +
t 2) . cos t
-t·
- 4 .e
~
+ if
. sin t
. SIn t
4 t 3 - 6 t 2 . sin t - 2 t 3 . COS t) 3 t 3 - 2 t 3 . sin t + 6 t 2 . COS t 2 (1 + t 2) . sin t - 2 t . cos t
d)
7)
T(t) =
~h
N(t)=-cos(5t)ex-sin(5t)ey;
~;
K(t) =
a)
K(t)
a)
x
=
=
t, Y
=
t2
s, + h
ez)
~) =~h(ex+ey)
N(t=
(Integral Nr. 116)
s =
JVI +
y = x2
JJ~ +t 2 dt = 4,6468
(Integral Nr. 116)
0
2
+ 4t 2 ) 3/2;
d)
v(t) = ex + 2 t e
e)
VT
(t) = (1
y;
V
K
(t
= 1) = 0,1789
if (t) = 2
= J1+4(2;
VN
= 1, i = 0, Y = y', ji =
(- sin (2 u) ) 4
co~ (2 u)
v",
ar ;
e
y
= 0;
Abschnitt 2
a:a~ =
r:
27
2
4t 2 dt = 2·
K
=
r:
2
::::} Normalparabel
c)
1) a)
-
= 1) = 27 V2; Q(t = 1) = 4 v2
K(t
o
i
~ (ex
0
2V2 (8t 2 + 1)3/2;
2
11)
=
1
b)
b)
=~)
J V8t 2 + 1 dt = 2 h . JVt 2 + ~ dt = 1,8116 o
9)
T(t
~
K (t = ;) =
1
8)
e, + e z ) ;
+ cos (5t)
(-sin (5t) ex
a v
at
K=
=
.
V
=
4t . J1+4(2'
iji - iy
(i2
+ y2) 3/2
aN
=
KV
y" [1 + (y ') 2] 3/2
2
2
748
Anhang B: Losungen der Ubungsaufgaben
b)
2)
or
or
ou
ov
(-D
c)
or
ol ==
(A) ~ ;
or
ou
Flachenparameter: Winkel tp, Hohenkoordinate z (Bild A-2) z
x
== 2 . cos tp :
r(f/!; z) = (0 ~
cp <
y
== 2 . sin tp ; z == z
2 . cos cp) ( 2· ~n tp 2n;
0 ~ z ~ 5)
Bild A-2
2 x
3)
Y
2
Nach Bild A-3 (u, v: reelle Parameter):
r(P) == r(u; v) ==
== r1 + u d + vb == ==
l +U+ZV) (
1 - u 1 + u
+ 2v + Zv
o 4)
a)
x2
+ Y2 +
Z2
== cos 2 U . sin 2 v + sin 2 u . sin 2 v + cos 2 V == == sin 2 v . (cos 2 U + sin 2 u)· + cos 2 V ~
== sin 2 v
+ cos 2 V
== 1
~
1
1
Diese Gleichung beschreibt die Oberflache einer Kugel urn den Nullpunkt mit dem Radius r == 1. b)
t u' tv =
(~J .(~8 = (-~:sUu·.S:nV~) . (~~:: ~ ~::~) o
==
- SIn v
== - sin u . cos u . sin v . cos v + sin u . cos u . sin v . cos v == 0
I Vektoranalysis
a)
749
8 = 0; v(t)
cP = 1
= 0 t 8 + 1 t«' = 2 (
v (t) = 2 . sin 9 0 ; b)
- sin t . sin 9 0 ) cos t ~sin 8 0
v (t = n) = 2 . sin 9 0
8=1; cP=o
v(t) = 1 t, + 0 i, = 2 (:~: : : : ::: ~ ) -
v (t) = 2; c)
SIn
t
v (t = n) = 2
8=1; cP=2t
V(t) = 1 tfj + 2 t tq> = 2
(
-2t· sin t· sin (t 2) + cos t· cos (t 2)) 2 t . sin t . cos (t,2) + cos t . sin (t 2) -SIn
t
(-D
tu(u =v =~) =R( _~} tv(u = =~) =R V
N(u; v)
=(:~::o~~::}
= R 2 • sin u du dv
b)
dA
c)
u = v ==
~4
=>
~ 12)
P = (0 S· 0 S· y L " "2
Tangentialebene in P: z =
7)
= =~) =(r)
N(U v
~ J2(- x 2
y + 2)
~
Ortsvektor der Rotationsflache: r(u; v) = ( JU
2
) 2
+v +4
Anhang B: Losungen der Ubungsaufgaben
750 a)
Tangentenvektoren:
b)
Fldchennormale:
c)
u = 1, v = 2
~
P = (1; 2; 3)
1 Tangentialebene in P: z = - (x + 2 y + 4) 3
8)
Ortsvektor der FHiche:
rex; y) = (
~
)
x2 _ y2
Tangentialebene in P: z = 4 x - 2 y - 3
9)
Ortsvektor der Fliiche: r(x; y) =
(:y)
Tangentialebene in P: z = 5 x + 2 y - 10
Abschnitt 3 1)
a)
X2
+ Y 2 = canst. = c (c > 0):
y
Konzentrische Kreise (Bild A-4)
x 2 + y2 =canst. = c
x
Bild A-4
I Vektoranalysis b)
751 Y = const. = e
X2 -
oder
y=
X2 -
e
y
(e E lR): Parabelsehar (Normalparabeln mit Scheitelpunkt auf der y-Achse; Bild A-5).
Bild A-S
-c
2)
a)
z-
X2 -
z=x
2
Y 2 = const. = e
+ y2 + e
z
oder
(e E lR):
Schar von Rotationsparaboloiden, durch Drehung der Parabel z = x 2 + e urn die z-Achse entstanden (Tiefpunkt auf der zAchse; Bild A-6). b)
x2 +
y2
+
Z2 =
const.
=
Z
=x 2 + y2 +c
e (e > 0):
Konzentrisehe Kugelsehalen (Mittelpunkt =
Nullpunkt; Radius: r
=
~).
y
Bild A-6
3)
2x 2
+ 2 y 2 = const. = e
oder
x2
x
+ y2 = e*
z
(e* = e/2 > 0): Koaxiale
Zylindermiintel
(Zylinderachse =
z-Achse, Bild A-7). x 2 + y2 = c*
y
Bild A-7 x
752 4)
Anhang B: Losungen der Ubungsaufgaben Aus U = canst. folgt x 2 + y2 + Z2 = canst. Die AquipatentialfHichen sind daher konzentrische Kugelschalen (Kugelmittelpunkt = Nullpunkt; Bild A-8).
Aquipotentialflache (ebener Schnitt)
BiId A-8
5)
Aus U = canst. folgt x = canst. = c (0 ~ c ~ d). Die AquipatentialfUichen sind daher Ebenen parallel zu den Plattenflachen (Bild A-9).
BiId A-9
6)
Das Geschwindigkeitsfeld wachst linear mit der x-Koordinate, Langs einer Parallelen zur y-Achse bleibt v konstant (Bild A-10).
Aquipotentialfliiche (Ebene)
x=o
y
x=d
~
v
x
BiId A-tO
7)
F-+ (x; y)
(x) = -r r = e,
1. =-
1
-+
-+
r y
Das Feld ist radial nach aufien gerichtet, der Feldvektor besitzt iiberall den konstanten Betrag Eins: (x; y) = I"er l = 1 (Bild A-11).
IF
I
Bild x-u
I Vektoranalysis 8)
753
F(x; y) steht senkrecht auf dem Ortsvektor Vektoren verschwindet (Bild A-12):
r = x ex + y e
y,
da das Skalarprodukt dieser
F.r=~( -~)-(;)=~ (-xy+xy)=O Die Feldlinien sind konzentrische Kreise urn den Nullpunkt und werden vom Feldvektor in der aus Bild A-13 ersichtlichen Weise tangiert. Der Feldvektor hat ferner die konstante Lange IF(x; Y)I = 1.
y y
x
Bild A-I3
Bild A-I2 9)
10)
x
Die Feldlinien geniigen der Gleichung vx dr = O. Daraus erhalt man die Differentialgleichung dy = y dx, die sich durch "Trennung der Varia blen" losen laBt. Man erhalt so Feldlinien vorn Exponentialtyp y = C . e", Unser Teilchen "startet" aus der Anfangslage P = (0; 2) und bewegt sich dann auf der Bahnkurve y = 2 . e ", a)
Es ist
Iii '"-;.. Daher nimmt der Betrag der elektrischen Feldstarke auf einer Kugelr
schale r = const. jeweils einen festen Wert an. Die gesuchten Flachen sind somit die Obcrflachen konzentrischer Kugeln (Bild A-14). b)
Wegen
Iif I'" ~ nimmt der Betrag der magnetischen Feldstarke auf jedem Z ylinderQ
mantel mit der Leiterachse als Symmetrieachse einen festen Wert an. Die gesuchten Flachen sind somit die Mantelflachen koaxialer Zylinder (Bild A-1S)
lEI = canst.
IHI= canst.
Leiterquerschnitt
Bild A-I4
Bild A-IS
754
Anhang B: Losungen der Ubungsautgaben
Abschnitt 4 1)
a)
Niveaulinien: y = canst. = c (Parallelen zur x-Achse, c E JR.; Bild A-16)
y
y
= canst. = c
. . . . (0)
/
grad ¢ = 0 ex + 1 ey =
x
b)
1
Bild A-16
Niveaulinien: x 2 + y2 = canst. = c (konzentrische Kreise urn den Nullpunkt mit den Radien r = ~, c > 0; Bild A-1?) y
x 2 + y2 = canst.
=c
grad ¢ = 2 x x
ex + 2 ye = y
..
Bild A-17
2)
o¢ -=x oy
~ -+
¢=xy+C 2(x)
..
. . (x)
= 2(x ex + y ey) = 2r = 2 y
¢=¢(x;y)=xy+C (CEJR.)
I Vektoranalysis
755
4)
5)
1. Liisungsweg: ¢. X
x
o¢
r2'
oy
t/J =
o¢
y r2 '
oz
x 2 y2 Z • e" + xy . e X + Y
y 2 z(x
grad (¢ . t/J) =
+ 2)· e" + (x + l)y· e x + y ) 2 x 2 Y z . eX + x (y + 1) . e" + Y
(
x 2 y2 . e "
2. Losungsweg (nach Rechenregel (5) fur Gradienten):
grad (
t/J (grad ¢)
=
x y X y 2 z(x + 2)· eX + (x + l)y· e + ) 2yz·e x+x(y+l)·e x y 2x +
= (
X2
y2· e x
3
6)
grad¢=( YZ: z3Z ) xy+9xz 2
;
o¢) =(grad¢)p·ea= ( ( -::; oa p 7)
a)
2
5) 1( -21) 25
1·11 3
=-
2
=~(grad¢) .r=~( Irl p 5 -
Richtungsvektor: r =
( 8)
~); ea=~(-~)
11
3
Richtungsvektor: -+r = -+r (P) = (3)-+ 4 ; Ir I = 5
) ( o¢ or p b)
(grad¢)p=(
or
r
(P) = (
6).(3)= _14 8
4
~); Irl =
5
1
Irl
1 (8) o¢ ) p = 1 (grad 4»p . -+r = 1 0 . (1) 0 = 8
Flache: F(x; y; z) = x 2 + (y - 1)2 Normalenvektor in P: (grad F)p = (
10 = 0
Z2 -
~) = 2 (
-10
:) -5
Anhang B: Losungen der Ubungsaufgaben
756
Durch Normierung erhalten wir hieraus die Fldchennormale in P:
Tangentialebene: 2 x + y - 5 = 0 b)
(gradF)p·
Cr - '0) = (
(z: beliebig)
~~). (;
-46
z
=:)
=0
+1
Tangentialebene: 23 x - 4 y - 46 z = 88 10)
Die grofJte Zunahme des Potentials erfolgt in Richtung des Gradienten, d.h. hier also wegen der Kugelsymmetrie des Feldes in radialer Richtung nach aufJen.
U = - _Q- = - ~ (x 2 4 n 80 r 4n Co
+ y2 + Z2)-1 /2
au ay
z
au
Q
-=-_.-
gra d U
1 (-+ = -Q- . 3" x ex + y -+ey + z -+e, ) =
4n 8 0 r
Q-+r
---3 4 n 80 r
Q Maximalwert: Igrad UI =-,- - 2 4n8 0r
Abschnitt 5 1)
a)
div
F= 0
c) 2)
div
F= 3 x div F = 0
b)
div
d)
F = x 2 + y2 -
x 2 + y2 - 4 = 0
2
+ 2 xY
y
4= 0 ~ oder
x 2 + y2
=4
2
Die Divergenz des Vektorfeldes verschwindet somit langs des Mittelpunktkreises mit dem Radius R = 2 (Bild A-18).
x
....... div F=O
Bild A-I8
757
I Vektoranalysis 3)
divF=6x 2 Z 2 + x y
a)
b)
div
f
2(-xz
=
+ Y + Z2)
4)
=2
(X-i) y~5
5)
grad 4>
6)
1. Liisungsweg:
=6
div (grad 4»
;
x
2y
A= ¢ F = ( -
.e
yZ )
x 3 . e YZ
x 2 z · e Yz
div A = div (¢
F) = (2 X Y -
+ X 2 + X 2 Y z) . e
X3Z
yz
2. Liisungsweg (nach Rechenregel (2) fur Divergenzen):
2x· e
grad ¢ = div
A=
div (¢
= eYZ
7)
YZ )
x 2 Z • e Yz ( 2 x y · e Yz
;
div
F=
F) = (grad ¢). F +
(:r~) .(-:) +
Die Divergenz des Zentralfeldes verschwinden:
-..
1
x
¢(div F) = 2
YZ
.
e ·1 = (2 xy
f =f
(r)
r=
- x
3 Z
(j i~~ :~)
+ x 2 yz + x 2 ) . e Yz
muB bei einem quellenfreien Feld
f (r) . z
a a a ax [f(r)· x] + -ay [f(r)· y] + -az [f(r)· z] = 0
div F = -
Es ist (unter Beachtung von r = (x 2
+ y2 + Z2)1 /2):
a [f(r)· x] = _. W x + 1 . f(r) = _. W x + f(r) ax ax ax
-
af df ar f ar - = - · - = f (r)·ax dr ax ax
(Kettenregel !)
a . 2 + y2 + Z2)1 /2 = _ar = -(x
ax ax
x (x 2
_
+ y2 + Z2)1 /2
x r
Somit gilt:
a [f (r) . x] = ff (r) . -x + f (r) ax r 2
-
Analoge Ausdriicke erhalt man fur die beiden iibrigen partiellen Ableitungen. Daher folgt:
-.. x2 y2 Z2 div F = t" (r) . - + ff (r) . - + ff (r) . - + 3 . f (r) = r r r
= F (r)
x2 +
y2
r
+
Z2
+ 3 .f
(r) = ff (r) . r + 3 . f (r) = 0
758
Anhang B: Losungen der Ubungsaufgaben Diese Differentialgleichung 1. Ordnung lost man durch "Trennung der Variablen". Die Losung lautet: canst. C f(r)=--=3 3
r
(C ER; r > 0)
r
grad ¢ = - b
3 vIr' ) = - rb (X) y = x/r
(
z/r
3
3
b
r3
r
z
canst. Das Gradientenfeld ist somit ein Zentralfeld vom Typ - 3- r und daher nach Aufgabe 7 r quellenfrei, d.h. div (grad ¢) = o. -+
9)
a)
rotF=-
-+
ez=-~ez
x 2 + y2 + X + 2 y (x 2 + y2)3/2 ez -+
rot F
c)
rot F = (y2 - 3x 2 y2) e z = y2 (1 - 3x 2) e z
rot v =
11)
a)
=
0 ~ v ist wirbelfrei.
rot
F= (
- 2 Y (X + Z))
- 2 z (1 + x)
b)
rotF=O
(F ist wirbelfrei)
2yz - x
rotF=(3(~=~~;()=o ~ {3~=~:~} ~ a=3, (a - 3) y2 Z
14)
(r=Jx 2+y2)
r
b)
10)
12)
1 Jx2 + y2
x-Komponente von rot
a- 3
b=1
=0
F:
y (rot F)x = aFz - aF = ~ [f(r)· z] az ay ay Mit
~ [f(r)· y] = z· ~ [fer)] - r ~ [fer)] az ay az
a df(r) ar a - [fer)] = - - ' - = f'(r)· -(x 2 + y2 + Z2)1 /2 = ay dr ay ay = f' (r) . (x 2 + Y 2 + z 2) -1/2 . y = f' (r) . ~ r
I Vektoranalysis
759
und analog
a
az [f(r)]
z f' (r) .;
=
folgt dann: Y
-+
z
(rot F)x = z . ff (r) . - - y . I" (r) . - = r r
r
°
=
°
F)y = (rot F)z = rot F = rot [f (r) r] = 0 => Fist wirbelfrei
Analog: (rot Somit:
15)
yz . f' (r) - yz . ff (r)
1. Liisungsweg:
A=
¢
F=
(::~:~:) x 2 yz "
2. Liisungsweg (nach Regel (2) fur Rotationen):
grad ¢ = rot
rot
(
x
Y
°0)
2
Z ) 2Z2
rot
;
2x 2yz
F= (
-x
A= rot (¢ F) = (grad ¢) x F + ¢ (rot F) = =
16)
2X
2 Y 2 X2 Z2 ) X Z ( 2x 2yz
F = (2~
X
-x
Z2
.. ~x)
2y - 2y
°0)
(XY) ( Y +X 2 y z2
=
(~) = 0
°
=>
=
2 2 2 ( X Z4 - 2x y Z ) 2x3y2z-2xyz4 2xy2z2_2x3yz2
Fist wirbelfrei
Die Vektorkomponenten von F sind demnach die partiellen Ableitungen 1. Ordnung eines (noch unbekannten) Skalarfeldes ¢ = ¢ (x; y; z): acjJ
-
= 2xz + y2
ax a¢ -=2xy
=>
¢ = x 2z + xy2 + C 1 ( y ; z)
ay
a¢ az
-=x
2
Liisung: ¢ = xy2
+ x 2Z + C
(C E JR.)
760
Anhang B: Losungen der Ubungsaufgaben
02 ¢
-r- 3+3 y2· r -
-=
Oy2
5.
'
02 ¢
-=
-r- 3+3z 2'r- 5
OZ2
f1¢ = (- r - 3 + 3 x 2 . r - 5) + (- r - 3 + 3 y 2 . r - 5) + (- r - 3 + 3 z 2 . r - 5) =
= -3r- 3+3r- 5(x 2+y2+ z2)= -3r- 3+3r- 3=0 '-v-"
r2
1 In der Ebene: ¢ = - = (x 2 + y2)-1 /2 r 1 2 -o¢ = _ -(x + y2)-3 /2. 2x = _ x(x 2 + y2)-3 /2
ox
2
02¢
02¢
-= - r - 3+3x 2·r- 5 . - = _ r - 3+3 y2· r ' ox 2 oy2 f1¢ = (- r - 3 = -
5
+ 3 x 2 . r - 5) + (- r - 3 + 3 y 2 . r - 5) =
2r- 3 + 3r- 5 (x 2 + y2) = - 2r- 3 + 3r- 3 = r- 3 #- 0 ~
r2
18)
Analog:
02 ¢ = 4(x 2 + 3 y2 oy2
02 ¢
+ Z2); -
=
OZ2
4(x 2 + y2
+ 3z 2)
+ Z2) + 4(x 2 + 3 y2 + Z2) + 4(x 2 + y2 + 3z 2) = + 5 y2 + 5 Z2) = 20(x 2 + y2 + Z2) = 20 r 2
f1¢ = 4(3x 2 + y2 =
4(5 x 2
Man erhalt die radialsymmetrische Funktion
f (r) = 20 r 2.
Abschnitt 6 1
-+
-+
F (r; cp) = - - eqJ r
F(r; cp) =
1)
a)
2)
H(r;cp)
3)
a)
divF(r;cp)=~;
rotF(r; cp) =
0
b)
div F (r; cp) = 3 r; rot F (r; cp) =
0
-+
I
=-
2nr
b)
-+
e qJ
r
r 2 • sin tp
e r
761
I Vektoranalysis 4)
rot
F(r; cp) = 0 => Fist wirbelfrei. Daher gilt F = grad ¢, d.h.
1 +.-. o¢.-. 1 o¢ .-. .-. e r +
und somit und
o¢ - = er+
Durch Integration folgt: ¢ = ¢ (r; cp) = er+
v= Vr
x ex + y e
y
~ v
= o, e r + v
= X . cos cp + Y. sin cp, v
x. sin cp + Y. cos cp
Mit
x = r . cos cp -
r . sin cp . ip,
y = r . sin cp + r . cos qJ • ip
folgt schlieBlich: vr=r,
v
Liisung: v = v(r; cp) =
6)
re
r
+ (rip) e
Die Laplace-Gleichung (1-245) reduziert sich auf wohnliche Differentialgleichung 02 ~
d2
Ocp2
dcp2
~
_0/ =_0/ =
~¢
1 02 ¢ = 2: . - 2 = 0 und somit auf die ge-
r
ocp
¢"(cp) = 0
Losung durch zweimalige Integration:
7)
a) b)
F((1; cp; z) = (1 ee + z ez F ((1; cp; z) = ((1 . sin tp . cos cp -
2 . sin cp) e g
-
((1 . sin' cp + 2 . cos cp) e
8) 9)
Nach Gleichung (1-296) lautet der Geschwindigkeitsvektor in Zylinderkoordinaten wie folgt: v = Q ee + ((1 ip) e
ze
z
Die (ebenfalls zeitabhangigen) Zylinderkoordinaten lauten hier: (1 = J x 2 + y2 = J(e- t . cos t)2 + (e- t . sin t)2 = e"
tan cp
y = - =
x
e- t . sin t e- t • cos t
=
tan t => cp
=
t
z = 2t
Somit gilt: Q= - e- t ,
ip = 1 und
z = 2.
762
Anhang B: Losungen der Ubungsaufgaben Geschwindigkeitsvektor in Zylinderkoordinaten:
v=
e- t eQ + e- t eqJ + 2 ez
-
Geschwindigkeitsbetrag:
Iv(t =
v = )2 e -2t + 4; °
10)
11)
1)1 = 2,0666
e + e" eqJ + ez
a)
grad ¢ = e"
b)
1 ..... 1 + ..... + ..... grad ¢ = - -Q2 eQ + -Q eqJ z eqJ + e" e
a)
div
Q
Z
Z
F(e; cp; z) = -~;
rot
Q
.....
.....
.....
z .....
rot F = - eQ + - ez
div F = 0;
b)
F(e; cp; z) = 0
(wirbelfreies Feld)
(quellenfreies Feld)
Q
12)
1 0 ( QO_ O¢) =0 11¢(Q)=_oQ oQ oQ
a)
~
const.
O¢
C
QO_=Qo¢'(Q)=const.=C 1 ~ ¢'(Q)=~ oQ Q
cjJ(e) = C l
.
f~de = C
1 02 ¢ 11¢(cp)=_o_=O Q2 Ocp2
b)
'lne + Cz
l
~
(C l , Cz ElR)
02 ¢ -=¢"(cp)=O Ocp2
Nach zweimaliger Integration: ¢(cp) = C 1 cp + C 2
(C 1 ,
c, E lR)
02¢
c)
11¢(z) =
fuT =
¢"(z) = 0
Nach zweimaliger Integration: ¢(z) = C 1 z + C 2 13)
F (r; 9; cp) =
a)
r sin 29 cos" cp °
°
°
15)
°
eqJ
..... 1 ..... F (r; 9; cp) = - e, r
b)
v(r; 9; cp) = rosin 9 eqJ Gesuchte Darstellungsform: v(r; 9; cp) = v,
er + Vf) ef) + vqJ eqJ
Aus den Transformationsgleichungen (1-320) folgt mit
x,
y
Vx
=
Vr
= X sin 9 cos cp +
"» = °
°
und
Vz
z:
=
Y. sin 9
°
sin
E
lR)
er + r(sin 3 cos 9 cos? cp - sin cp) ef) -
- r ° cos tp (sin 3 ° sin cp + cos 9)
14)
(C 1 , C 2
ip
+ z. cos 9
763
I Vektoranalysis
+ Y. cos 9 . sin tp -
vS = X. cos 9 . cos cp vq>
= -
z. sin 9
x. sin cp + Y. cos cp
Zwischen den kartesischen Koordinaten x, y, z und den Kugelkoordinaten r, 9, tp bestehen die Beziehungen x = r . sin 9 . cos cp, y = 'r . sin 8 . sin cp, z = r . cos 9. r, 9 und tp sind dabei Funktionen der Zeit t. Dann gilt:
x = r . sin 8 . cos cp + r . cos 9 . 9. . cos cp - r . sin 9 . sin cp . ip y = r . sin 9 . sin cp + r . cos 9 . 9. . sin cp + r . sin 9 . cos cp . ip i = r . cos 8 - r . sin 9 .9. Durch Einsetzen dieser Ausdrucke in die obigen Transformationsgleichungen erhalt man dann: Vs
vq> = r . sin 9 . ip
= r8,
Der Geschwindigkeitsvektor lautet somit in Kugelkoordinaten:
v(r; 9; cp) = r e
+ (r8) e s + (r . sin 9 . ip) eq>
r
16)
Aus r = const. = R und 9 = const. = 8 0 folgt dr = 0 und d9 = 0 und somit nach Gleichung (I-308) fur das Linienelement ds = R . sin 9 0 dip.
17)
rot ff (r; 9; cp) = e
S+
0 => ff ist wirbelfrei. Daher gilt ff = grad >, d.h.
1 o> -. -. q> (-.e +e-. + -1- e-. ) =o> - e-. +-·-e + -1- - ·o> -e r S sin 9 q> or r r 09 s r · sin 9 ocp q>
Daraus erhalt man die folgenden Beziehungen, die durch elementare Integration losbar sind: o>= e s+ q> or o> = r . eS+q> 09 o> ocp
=
r . eS+q>
=>
> = r . eS+q> + C 2 (r; cp)
=>
> = r . eS+q>
+ C 3 (r; 9)
Liisung: >=>(r;9;cp)=r·e s+q>+C 18)
a)
div ff = (n
+ 2) r n -
(CElR)
1
Fur ein quellenfreies Feld ist div ff = O. Somit: div 1
-+
Losung: F = r - 2 e r = 2" e r r
ff =
(n + 2) r"- 1
=
0
=>
n=
-
2
ist quellenfrei
b)
Es gilt rot ff = 0 und zwar unabhangig vom Exponent n, d.h. jedes Vektorfeld vom Typ ff = r" e r ist wirbelfrei.
c)
div ff = 0 und rot F = 0 => n = - 2 (siehe Losung a)). Nur das spezielle Feld -. 1 F = r -2 e r = 2" e r ist daher quellen- und wirbelfrei. r
764
19)
Anhang B: Losungen der Ubungsautgaben
a)
114> (r)
=
(2
-e r . -84»
~
0
or
=
or
0
'-.,--!
const.
=
C1 4>' (r) =
oder
b)
= a~ (Sin 9 . : :)
tlcP (9) = 0
C
---+ r
=0
'--.-'"
const. = C 1 sin 9 . 04> = sin 9 . 4>' (9) = C 1 09 4>(9) = C 1
·
f
d9
- .-
SIn
9
~ SIn 9
4>' (9) =
oder
= C 1 ·In (tan (9!2)) + C 2
(C l' C 2
E
JR.; Integral Nr. 214)
c) Nach zweimaliger elementarer Integration folgt:
Abschnitt 7 1)
f
2
[ydx + (x 2 + xy) dy] =
C1
f
(2x + 6x 2) dx = 20
0 2
f
[ydx + (x 2 + xy) dy] =
C2
2)
a)
f
(x 2 + 2x 3 + 2x 4 ) dx =
352
15
0
~(2xy+4x)=~(X2_1)=2x; oy
4> (x; y) =
ox
X2
Y+ 2 x 2
-
Y+K
(K
04>=2xy+4x' ox ' E
04>=x 2_1 oy
JR.)
b)
o 0 04> 04> -(eY)=-(x'eY)=e Y' -=e Y' -=x'e Y' 4>(x;y)=x'e Y+K ' o x ' oy , oy ox
c)
o 0 04> -(3x 2 y + y3) = -(x 3 + 3 x y2) = 3x 2 + 3 y2; _ = 3x2 Y + y3 oy ox ox
~~=X3+3xy2;
cP(x;y)=X 3y+ x y3+K
(KElR)
(KEJR.)
765
I Vektoranalysis
3)
a
a
ay
ax
-(x) = -(y) = 0
a)
a¢
b)
a¢
ay=y;
ax=x;
c)
1 2+ y 2)+K ¢(x;Y)=2(X
(KElR)
Das Arbeitsintegral ist wegunabhdngig, hangt also nur vom Anfangs- und Endpunkt ab:
[J
r,
f- f P'dr=
(xdx+ydy)= ¢(x;y)
Pz
Pi
1 = [ _(X 2 + y 2) + K ]
2
(3;5)
=16,5
(1;0)
Pi
C
f
ist das Kraftfeld ji nicht-konservativ. Das Arbeitsintegral ji. dr hangt daher noch vom Verbindungsweg C der Punkte A und B ab: c
Oberer Halbkreis C 1 : x = cos t, Y = sin t
(0 ~ t
~ n)
tt
V nterer Halbkreis C 2: x = cos t, Y = sin t
f
-n
ji. dr = -
~.
Cz
5)
(t durchlauft alle Werte von 0 bis - n)
f
dt
=~
0
Weg C (Einheitskreis): x = cos t, Y = sin t
f
ji . dr =
f
(0 ~ t
~
2 n)
2n
(x + 2 y) dx = -
f
(sin t . cos t + 2 . sin 2 t) dt = - 2 n
c e o 6)
Die Integrabilitatsbedingung ist erfidlt:
o~C;)=OoT(~)=O Daher ist S (T; V)
as c,
as
R
sr = -T' -av = -v
-
und somit
= C v . In T + R . In V + K
(K
E
lR)
(K wird meist gleich Null gesetzt).
7)
f
(x Y2 dx -
C
2
X2
Yz d y + x Z 2 dz) =
f
(t 5
1
-
2 t 8 + 3 t 9) dt = 203,84
766
Anhang B: Losungen der Ubungsaufgaben 2n
8)
f . dr = (x y dx + dy + yz dz) = c e o
J
J
9)
F; = x,
Fy = y,
aF x ay
J(- sin? t . cos t + cos t + t . sin t) dt = - 2 n
F; = z
= aF x = aF y = aF y = aF z = aF z = 0 az
ax
az
ax
ay
Die Integrabilitatsbedingungen (1-374) sind somit erfidlt. Es ist
a¢ =
a¢ a¢ ax = x, ay = y
und
z und
az
J(x dx + y dy + z dz) = ~ (x 2 + y2 + Z2) + K
cf> (x; y; z) =
(K
E
JR.)
c
a
-
aF x ay
= - (x + x y + x z ) = 2 x y
aF
a = - (x 2 Y + y3
-y
ax
3
2
2
ay
ax
=>
+ yz2) = 2xy
or;
aF y -=-=2xy
ay
ax
Ebenso zeigt man, daB die beiden restlichen Integrabilitatsbedingungen (1-374) erfidlt sind: aF x aF z -=-=2xz·
az
ax
aF y aF z -=-=2yz ay
'az
Somit gilt:
a¢ ay
= Fy = x 2 Y + y3 + yz2
=>
a¢=F =X 2Z+y2 Z+ Z3 =>
az
z
¢=
1
1
1
2x 2 y2 + 4: r" + 2y2 Z2 + K 2 (x; z)
.rf...=~X2Z2+~y2Z2+~Z4+K (x·y) 2 2· 4 3'
~
Die Potentialfunktion lautet daher:
1
1
4
2
= _ (x" + v" + Z4) + _(x 2 y2 + x 2 Z2 + y2 Z2) + K = 1 = - (x 2 + y2 4
1 4 r +K 4
+ Z2)2 + K = -
(K
E
lR)
767
I Vektoranalysis 11)
Die Integrabilitatsbedingung (1-373) ist in der gesamten x, y-Ebene erfiillt:
sr, a
nt:
a
- = - (2 x + y 2) = - y = - (2 x y + Y 2) = 2 y ay ay ax ax Somit verschwindet das Linienintegral des Vektorfeldes Kurve: f[(2X 12)
a)
F langs
einer jeden geschlossenen
+ y2)dx + (2xy + y2) dy] = 0
aFx
aF
ay
aFx aF
y
y
- = y => - i = -
-=1'
'ax
ay
ax
Die Integrabilitatsbedingung (1-373) ist nicht erfiillt, das Vektorfeld daher nicht konservativ.
b)
aFx aF
•
y
-=-=2y'slnx ay ax Das Vektorfeld ist konservativ und es gilt:
a¢ ax =
Fx = y2 . sin x - 2x
=>
¢ = - y2 . cos
X -
x 2 + K 1 (y)
a
- = F = -2Y'cosx+4y => ¢= -y2'cosx+2y2+K2(X)
oy
y
Das Potentialfeld lautet daher: ¢= _y2'COSX-X2+2y2+K c)
(KElR)
Bereits die erste der drei Integrabilitatsbedingungen (1-374) ist nicht erfiillt:
oFx oy
-=2x
,
Das Vektorfeld ist daher nicht konservativ. d)
Auch hier ist bereits die erste der drei Imegrabilitatsbedingungen (1-374) nicht erfiillt:
Das Vektorfeld ist daher nicht konservativ.
13)
a)
ff=5(COS~~C~~;int); r=(~·.~~:;); -;=5(-~:ostt) 2
3 . SIn t · ·
ff .-; = 25 (- sin t . cos t W=
f F· f (F dr =
2 . sin? t
+ 2 . cos? t) = 25 (- sin t . cos t -
4 . sin? t
2n
·;)dt = 25·
f(-
ceo
sin t· cos t - 4 . sin? t + 2)dt = 0
+ 2)
768
Anhang B: Losungen clef Ubungsaufgaben b)
Wir priifen die Integrabilitatsbedingungen (1-374):
oPx oz
oP ax
z -=y, - = 0
oPx oz
oPz ax
=> - = j : ; -
Das Feld ist nicht konservativ. 14)
a)
Die Integrabilitatsbedingungen (1-374) sind samtlich erfiillt:
oP oy
b)
oPy ax
x -=-=cosy;
oPx _ oPz _ O: oPy oPz -=-=cosz oz - ax - , oz oy
04> = Px = siny ax
4> = x· siny + K i(y;z)
=>
0<{J = Fy = x cosy
+ sinz = <{J = x· siny + y sinz + Kz(x;z)
04> oz = F; = y . cos z
=>
oy
0
. 4> = y . SIn z + K 3 (x; y)
Die Potentialfunktion lautet somit: 4> = x . sin y + Y . sin z + K c)
(K
E
lR)
Da das Vektorfeld konservativ ist, gilt fur einen beliebigen Verbindungsweg C der beiden Punkte:
r,
fP f 0
dr =
d<{J = <{J(Pz) - <{J(P1 )
PI
C
Mit
4> (P2 ) = 4> (x = 5; y = n; z = 3 n) = K,
cP (Pi) = 4> (x = 0; y = 0; z = 0) = K
folgt dann:
r.
f
p odr =
C
f
P·dr=K-K=O
PI
Abschnitt 8 1)
N=
~G} -+
-+
dA (N . e z ) =
If (P .N) (A)
poN=
~(4Y+XZ+XZ)=~(X-XY+4Y) r:.
dA J3 = dy dx; 1
dA =
-x+
f f
x=0 y=0
dA = v' 3 dy dx 1
19 (x - xy + 4 y) dy dx = 24
769
I Vektoranalysis Integrationsbereich A* (in Bild A-19 grau unterlegt):
z
Ebene x+y+z=1
y-Integration: von y = 0 bis y = - x + 1 x-Integration: von x = 0 bis x = 1
y Bild A-19 x +y= 1
x
2)
F-N = F-ez =
~
Z2
F-N =
4 auf der Ebene z = 2
Fldchenelement: dA = dy dx
If (F . N)
dA
=
(A)
3)
10
10
f
f
x=o
y=o
4dy dx = 400
Wir betrachten zunachst den Fluf in z-Richtung durch die beiden Wiirfelflachen Au und A o (in Bild A-20 grau unterlegt).
FlujJ durch Au:
z
F-N=F-(-e z)= -F-ez= -xyz=O (da Au in der x, y-Ebene z = 0 liegt)
If (F . N) (Au)
y
Bild A-20
x
FlujJ durch A o :
F-N = F-ez = xyz = xy (da A o in der zur x, y-Ebene parallelen Ebene z = 1 liegt)
ff (F . N) (A o)
dA
=
1
1
x=0
y=0
f f
GesamtflujJ in z-Richtung:
xy dy dx
If (Au + A o)
--+
=
~
--+
1
(F - N) dA = 4
dA
=0
770
Anhang B: Losungen der Ubungsaufgaben Ebenso erhalt man fur den GesamtfluB in der x- bzw. y-Richtung jeweils den Wert 1. Der Gesamtflufi durch die Wiirfeloberflache A betragt damit:
#
-+
-+
(F . N) dA
19
= 1+ 1+- =4
4
(A)
ff(F . N)
rc/2
dA
f f
= 16·
(A)
5)
cP
=0
sin (2 cp) dz dsp
= 80
z=0
VektorfluB durch denZylindermantel M (in Zylinderkoordinaten):
N = (~} F· N = x 2 Y + xy = cos" cp' sin cp + sin cp' cos cp;
dA
= dz dtp
2rc
f f
If (F· N) dA = (M)
tp
=0
z
(cos'
tp .
sin tp + sin
tp .
cos cp)dz dip = 0
=0
Fluft in der z-Richtung durch den "Boden" Au:
F. N = F.(-
e
= -
z)
(F . ez ) = -
sin z = 0
(da der Boden in der x, y-Ebene z = 0 liegt)
If (F .N) dA = 0 (Au)
Fluft in der z-Richtung durch den .Deckel' A o:
F . N = F. ez = sin z = sin 3 (da A o in der Ebene z = 3 parallel zur x, y-Ebene liegt)
If (F· N) (A o)
dA
=
If
sin 3 dA
= sin 3 .
(A o)
If
dA = (sin 3) . A o = (sin 3) . tc = 0,4433
(A o)
Gesamtflufi durch die geschlossene Zylinderoberflache A:
#(F .N)
dA = 0
+ 0 + 0,4433 = 0,4433
(A)
6)
A 1 : Mantelflache der Halbkugel (= Oberflache ohne Boden)
A 2 : Bodenflache; A
=
A1 + A2
771
I Vektoranalysis Flu./3 durch Al (in Kugelkoordinaten):
N = (~} F' N = x 2 y = sin" [). 2n
II (F·N)
dA
=
sin f{!' cos? tp; dA = sin [) d[) dsp
nl2
I I q>=0
sin" [) . sin tp . cos? f{! d[) dip = 0
9=0
Flu./3 durch A 2 (in Polarkoordinaten):
F' N = F.(- ez ) =
If (F·N)
-
(F· ez ) =
2n
dA
=
dA = r dr dcp
1
I I q>=0
(A 2 )
y = r . sin cp;
r 2 . sin
ip
dr dip = 0
r=O
Gesamtflufi durch die geschlossene Oberflache der Halbkugel:
#(F . N)
dA
=
(A)
7)
If (F.N) + If (F' N) dA
(Ad
dA
=0+0= 0
(A 2 )
.. ty= (=;;)
tx= (2~X} ty= (2~Y}
x
Itxxtyl = J4(x 2 + y 2) + 1;
M=
If Itx tyl x
dydx
(A)
=
II
J4(x 2 + y2) + 1dydx
(A)
Integrationsbereich A ist die Kreisflache x + y2 ~ 2. Ubergang zu Polarkoordinaten: x 2 + y2 = r 2" dy dx = r dr dip 2
2n
j2
M= I I J4;2+1. q>=0
8)
-. 1 N=S
r dr df{!
=
1:
n
r=O
(X) -. -. 1 ~ ; F'N=S(2x
2-x
Y+
Z
2)=
= 5 (2 . sirr' 9 . cos? cp - sin? 9 . sin cp . cos cp + cos? 9) dA
=
25 . sin 9 d9 dip
If (F .N) ~)
2n
dA
= 125·
n
I I
q>=0
(2' sin ' [) . cos? tp -
9=0
- sin:' 1) . sin cpo cos tp + sin 9 . cos? 9) d9 dcp = 500 tt
772
9)
Anhang B: Losungen der Ubungsaufgaben
Das Vektorfeld besitzt Zylindersymmetrie. Daher folgt nach Formel (1-439) mit
f
a (Q) = -: Q
J( ... ...
Jf (F· N)
dA =f(R)' 2nRH
a
= R' 2nRH = 2naH
(A)
10)
Wegen der Kugelsymmetrie des Vektorfeldes konnen wir Formel (1-445) benutzen. Mit dann fur den VektorfluB durch die Kugelschale:
f (r) = r" folgt
#(F· N)
4~R2 = 4nR
dA = f(R)' 4nR 2 = R".
n
+2
(A)
Abschnitt 9
f f (A)
2)
x=O
(V)
(x + 3 y) dz dy dx
=2
z=O
Unter Verwendung von Zylinderkoordinaten gilt:
#(F .N) fff dA =
(A)
div
F dV
fff
= 2.
(V)
(x + z) dV
=
(V)
2n
2
q>=0
z=O
f f f
= 2· 3)
y=o
(e 2
. COS tp
+ ez) de dz dip = 36 n
Q=O
Berechnung des Volumenintegrals (in Kugelkoordinaten):
fff
div
F dV = 3 .
(V)
fff
2 (x + y2 + Z2) dV =
(V)
2n
R
f f f
=3'
q>=0
r 4 . sin 9 dr d90 dip =
12
-
5
nR 5
r=O
9=0
Berechnung des Oberfldchenintegrals (in Kugelkoordinaten):
(X) ; F·......N = R(x" +
... 1 N =R ~
J( ... ...
J1 (F . N)
1
dA
=
1 J(
y4
+ Z4)
R. Jf (x" + v" + Z4) dA
(A)
=
(A)
2n
=R
5
•
tt
f f
cp=O 9=0
(sin 5 9 ' cos" tp + sin" 9· sin" cp + sin 9· cos 4 9) d9 dip = 1; nR 5
I Vektoranalysis
773
Somit gilt:
fff div
--.
j{ --. --. 12 F dV = 'jf(F' N) dA = SnR 5
(V)
4)
(A)
Der Gauj3sche I ntegralsatz liefert fur
#(F .N) #
[(rot E)
dA =
(A)
5)
.N]
F = rot E:
dA =
IfI~)
(A)
dV = 0
0
(V)
Berechnung des Fldchenintegrals (in Polarkoordinaten):
II
div F dA =
(A)
If
2n
I I
3 x dA = 3·
(A)
2
qJ
=0
r
r
2.
cos
tp
dr dip = 0
=0
Berechnung des Kurvenintegrals (in Polarkoordinaten):
f(F .N)
2n
I
ds = 8·
c Somit gilt:
II
cos
tp
dip = 0
0
div
F dA = f(F. N)
(A)
6)
ds = 0
C
1. Liisungsweg (direkte Berechnung uber ein Oberfldchenintegral unter Verwendung von
K ugelkoordinateni:
--. --. (rot F) . N
3
= -
y2 Z
2
=
12 . sin? 9- . cos 9- . sin? cp
dA = 4 . sin 9- d9- dcp
If
[(rot F)
.N]
dA =
~.
(A)
If
2n
I I
Y 2 z dA = 48·
(A)
nl2
qJ
=0
8
sin 3 9 . cos 9 . sin 2
tp
d9 dip = 12 n
=0
2. Losungsweg (Verwendung des Integralsatzes von Stokes):
If
[(rot F)·N] dA =
fF' f(dr =
c
~)
y3 dx + yz2 dy + y2 Z dz)
C
Randkurve C (Kreis urn den Nullpunkt mit dem Radius r x = 2 . cos t, Y = 2 . sin t,
Z
I
C
0
2):
= 0, dx = - 2 . sin t dt, dy = 2 . cos t dt, dz = 0
2n
f F' dr = 16 '
=
sin4 t dt = 12 n
Anhang B: Losungen der Ubungsaufgaben
774
-+
dA dA (N· e z ) = - = dy dx -+
-+
J3
-x
1 = -
J3
(-
2 x - y + 3)
+2
I I x=0
(A)
(-2x-y+3)dydx=2
y=0
a)
Das Vektorfeld besitzt keine Radialkomponente. Daher ist der VektorfluB durch die Kugeloberflache gleich Null.
b)
Zum gleichen Ergebnis fiihrt der Integralsatz von Gauj3:
F = r . cot 9- . cos cp
div
#
(F'
N)
dA
I
= If
div F dV
I
= If
(V)
(A)
r : cot j} cos 0
tp
dV =
(V)
2n
n
R
I I I 9=0
9)
J3
(1 - x + z)
r:.
f F odr = If[(rotF)oN] dA= 8)
= -
dA = V 3 dy dx
~
2
C
1
-+
(rot F) . N
7)
r 3 cos 9 cos 0
0
tp
dr d9 dcp = 0
r=O
a)
Unter Verwendung von Kugelkoordinaten folgt dann: 2n
I I
If [(V x F) N] dA = If z dA = 27· 0
(A)
b)
(A)
nl2
cos 9 sin 9 d9 dip = 27 n 0
= 0. 9 = 0
Randkurve C (Kreis urn den Nullpunkt mit dem Radius r x = 3 . cos t,
y = 3 . sin t,
Z
=
Aus dem Stokes'schen Integralsatz folgt dann:
If [(V x F) . N] dA
=
f
F dr 0
=
f(-
y dx
+ 2 x dy + z dz) =
Wee 2n
= 9·
I o
3):
= 0, dx = - 3 . sin t dt, dy = 3 . cos t dt, dz =
(sin? t + 2 . cos? t) dt = 27 n
°
775
II Wahrscheinlichkeitsrechnung
II Wahrscheinlichkeitsrechnung Abschnitt 1 1)
= S! = 120
a)
P(5)
b)
Eine Person nimmt einen beliebigen, dann aber festen Platz ein. Fur die iibrigen vier Personen gibt es dann P(4) = 4! = 24 verschiedene Anordnungsmoglichkeiten. Somit sind 24 verschiedene Plazierungen moglich.
G) = G)
2)
C(6; 3) =
3)
a)
5)
Aus den restlichen 7 Aufgaben (Aufgabe 4 bis 10) miisen 4 richtig gelost werden. Dafur gibt
20
C(5; 2) =
es C (7; 4) = (:)
6)
= 10
= 35 verschiedene
b)
Moglichkeiten.
a)
Mogliche Stichprobenanzahl: C(20; 4) = (2
b)
Die Stichprobe enthalt ein fehlerhaftes und 3 einwandfreie Gerate. Daher gibt es C(3; 1)· C(17; 3) = 3 . 680 = 2040 verschiedene Stichproben .mit genau einem fehlerhaften Gera 1.
40)
= 4845
2040
Anteil: - - = 0,42 = 42% 4845
7)
Fur Position a gibt es 5 Moglichkeitcn, denn jede der 5 Federn Fl' F2' ... , F5 kann diesen Platz einnehmen. 1st a belegt, so stehen fur die Positionen b und c noch 4 verschiedene Federn zur Verfiigung. Somit gibt es C (4; 2) =
(~) = 6 verschiedene Belegungsmoglichkeiten fur die
Platze b und c. Insgesamt gibt es also 5 . 6 = 30 verschiedene Federsysteme. 6! V(6; 3) = (6 _ 3)! = 120
8)
a)
9)
Vw(2; 4) = 24 = 16
b)
10! V(10; 3) = (10 _ 3)! = 720
10)
a)
11)
2 Buchstaben aus 26
--+
Vw (6;.3) = 6 3 = 216
b)
Vw(26; 2) = 26 2 = 676 Moglichkeiten
1. Ziffer: 9 Moglichkeiten (Ziffern 1 bis 9)
2. bis 4. Ziffer: 3 Ziffern aus 10 --+ Vw(10; 3) = 10 3 = 1000 Moglichkeiten Somit gibt es 676 ·9·1000 = 6084000 verschiedene Kennzeichen.
776
Anhang B: Losungen der Ubungsaufgaben
Abschnitt 2 1)
a)
n = {ZZZ, zzJt; zwz, wzz, wwz, wzvv: zwvv: WWW}
b)
A = {ZZJt; zwz, WZZ} B = {WWZ, WZ~ ZWW} C = {ZWVV: WZw: WWZ} D = {ZZZ} E = {WWW}
c)
Au B = {ZZW: ZWZ, WZZ, WWZ, WZw: ZWW} ~ mindestens einmal "Zahl" und "Wappen"
AnD = { }
~
unmogliches Ereignis
B u E = {WWZ, WZJt; zww: www} DuE
~ mindestens zweimal .Wappen"
~ dreimal .Zahl" oder "Wappen"
= {ZZZ, WWW}
A n B = { } ~ unmogliches Ereignis (C u D) n B = B = C d)
A=
~
zweimal "Wappen" (oder einmal .Zahl")
{ZZZ, WWZ, WZw: ZWw: WWW}
~
aIle Elementarereignisse mit Ausnahme derjenigen, bei denen einmal "Wappen" eintritt
15 = {ZZVV: ZWZ, WZZ, WWZ, WZw: ZWw: WWW} ~
2)
a) b)
mindestens einmal .Wappen"
n=
{(1; 1), (1; 2), (1; 3), (1; 4), (1; 5), (1; 6), (2; 2), (2; 3), (2; 4), (2; 5), (2; 6), (3; 3), (3; 4), (3; 5), (3; 6), (4; 4), (4; 5), (4; 6), (5; 5), (5; 6), (6; 6)}
A = {(1; 3), (2; 2)} = {(1; 1), (1; 2), (1; 3), (1; 4), (2; 2), (2; 3)}
B
C = {(1; 1), (1; 3), (1; 5), (3; 3), (3; 5), (5; 5)}
D = {(1; 2), (1; 4), (1; 6), (2; 3), (2; 5), (3; 4), (3; 6), (4; 5), (5; 6)} E
= {(1; 2), (1; 4), (1; 6), (2; 2), (2; 3), (2; 4), (2; 5), (2; 6), (3; 4), (3; 6), (4; 4), (4; 5), (4; 6), (5; 6), (6; 6)}
3)
a)
Reihenschaltung: B = A 1 U A z U A 3 (mindenstens eine Gliihlampe brennt durch)
b)
Ai u A z: a i oder a z oder beide brennen durch A z n A 3 : a z und a 3 brennen gleichzeitig durch
Parallelschaltung: B = A 1 n A z n A 3 (aIle drei Gliihlampen brennen gleichzeitig durch) ~
Unterbrechung bei Reihenschaltung
~
Unterbrechung bei Reihenschaltung
Abschnitt 3 16 1 P=-=-
4 1 P=-=32 8
8 1 P=-=32 4
1)
a)
2)
= 1140 Moglichkeiten, aus 20 Gliihbirnen 3 auszuwahlen, Es gibt (2 30)
32
2
b)
c)
d)
2 1 P=-=32 16
777
II Wahrscheinlichkeitsrechnung
a)
Es gibt
C3
6
= 560 Moglichkeiten, aus 16 einwandfreien Gliihbirnen
)
3 auszuwahlen b)
3)
~
560
Po = - - = 0,4912 1140
Pi = 1 - Po = 0,5088
Es gibt insgesamt 36 verschiedene Augenpaare. 3
1
A = {(1; 3), (2; 2), (3; 1)} ~ P(A) = 36 = 12
6
B = {(1; 1), (2; 2), ... , (6; 6)} ~ P(B) = 36 =
C
1
6
4
= {(3; 3), (3; 6), (6; 3), (6; 6)} ~ P(C) = 36 =
1
9 1
2'
3
g
4)
a)
5)
a)
p(g)=S'
b)
P(A)=-,
6)
a)
P(C) = -
7)
Von 8 moglichen Elementarereignissen sind vier "giinstig", namlich:
b)
4
2
5
P(A) =
P(B) =
1 5
p(u)=1
P(B)=-,
3
1
4
P(D) =-,
5
5
P(A u B) = P(A)
b)
9
1
P(C) =-,
4
13
P(E) = - ,
+ P(B) =
15
4
P(F) = -
15
538
-
+-
=-
999
1
WWZ, WZ~ZW~ WWW ~ P=g=2
18 17 16
= - . - . - = 0 72
8)
P
9)
P=_·_=-
10)
20 19 18
'
828
10 9
45
Es gibt 6 Elementarereignisse mit einer ,,2" beim ersten Wurf, darunter 3 "giinstige", namlich: ((2; 1), (2; 2) und (2; 3) ~ P
11)
P (A n B)
=
P (A) . P (B)
3
1
=6
A u B : A oder B oder beide treffen P(A u B) = P(A)
1
= 6= 2
+ P(B) -
~
2
P(A n B) = -
3
778 12)
Anhang B: Losungen der Ubungsaufgaben B
=
Ai n A 2 n A 3 : Keines der drei Gliihlampchen brennt durch
P(B) = P(il i n A2 n A3) = (1 - p) (1 - p) (1 - p) = (1 - p)3 (mit p
= Pi = P2 = P3 = 0,2)
Der Stromkreis wird unterbrochen, wenn auch nur eines derdrei Gliihlampchen durchbrennt. Daher: P (B)
13)
= 1-
P (B)
= 1 - (1 - p)3 = 1 - (1 - 0,2)3 = 0,488
T: Treffer; T: kein Treffer
a)
b)
A: genau zwei Treffer ~ A = {TTT, TTY, TTT} P (A) = 3 . (0,6 . 0,6 . 0,4) = 0,432 B: kein Treffer ~ B = {TTT}
B: mindestens ein Treffer P(B)
14)
= 1-
~
= 1 - 0,4'0,4'0,4 = 0,936
P(B)
Aus dem unvollstdndigen Ereignisbaum in Bild A-21 folgt:
a)
b)
122
P(ab) =
2 2
P(cc) =
2/5
5' 5 = 25
a
.
b
1/5
4
5' 5 = 25
b
2/5 BUd A-21
15)
c
Aus dem Ereignisbaum in Bild A-22 folgt: a)
P(W) = P(WW) 4
+ P(SW) =
3
6
5
= 10 . 10 + 10 . 10 = 0,42 b)
P(WWuSS)=P(WW)+P(SS) = 4
3
6
5
4/10
= 10 . 10 + 10 . 10 = 0,42 c)
P = _P_(W_W_)_ P(WWu SS)
12/100
2
42/100
7
6/10
BUd A-22
~ c 2/5
779
II Wahrscheinlichkeitsrechnung 16)
Aus dem Ereignisbaum in Bild A-23 folgt (d: defekt;
d:
einwandfrei):
2313111 p=_._._+_._._=543 523 5 2/5
Bild A-23
17)
3/5
Aus dem unvollstdndigen Ereignisbaum in Bild A-24 folgt (d: defekter Kondensator): a)
p = 0,32 . 0,025
+ 0,2 . 0,02 +
+ 0,48 . 0,025 = 0,024 b)
p=
0,48 '0,025 =05 0,024 '
A
B
C
Bild A-24
0,025
.
d
0,02
.
d
0,025
.
d
Abschnitt 4 1)
a)
Stabdiagramm und Verteilungskurve: Bild A-25 f(x)
F(x)
3/8 - r 2/8
4/8
-r-
If -2
-1
Bild A-25
2
x
-2
-1
2
x
780
Anhang B: Losungen der Ubungsautgaben b)
Stabdiagramm und Verteilungskurve: Bild A-26 F(x)
f(x)
1 --
I
Bild A-26
I
2/4 2/4
I I I I
-~
1/4
I
I I
-3 c)
-3
x
4
1
4
x
Stabdiagramm und Verteilungskurve: Bild A-27 F(x)
f(x)
1
Bild A-27
1/4
1/8
2)
0
x
-2
-2
-1
a)
p (4) = 0,05
b)
Stabdiagramm und Verteilungskurve: Bild A-28
2
f(x)
-1
x
0
2
0
234
F(x)
0,3
Bild A-28
0,1
-2
-1
0
2
3
4
x
-2
-1
x
II Wahrscheinlichkeitsrechnung 3)
781
Es gibt 8 gleichwahrscheinliche Elementarereignisse (Z: Zahl; W: Wappen): ZZZ, WZZ, ZWZ, zz«; WWZ, WZVV: ZW~ WWW
°
Verteilung:
f(xJ a)
1/8
3/8
2
3
3/8
1/8
Stabdiagramm und Verteilungsfunktion: Bild A-29 f(x)
F(x)
Bild A-29
3/8 4/8
2/8 1/8
1/8------
o b)
4)
P(1
2
2
3
4
2
a)
7/15
7/15 1
7
P(X = 1) =f(1) = -
b)
15
1/15
a)
f(x) = 0,2 x -
b)
P = f(l) + f(2) + f(3) = 0,992
a)
1 F(x) = _.
(x = 1,2,3, ...)
·0,8
x
6)
f u du = -1 x
2
2
(0 ~ x
4
o
~
2)
x
b)
F(x) = A
·fe-
AU
du = 1 - e- AX
(x ~ 0)
o x
c)
F(x)
=
f
du u2
-
1
= 1 --
(x
~
1)
X
1
7)
a)
3
~X~2)=f(1)+f(2)=
f(xJ
5)
o
x
3
15
b= - 4
b)
1
c=--
(b - a)
c)
1 a=2
x
782 8)
Anhang B: Losungen der Ubungsaufgaben
a)
1 k=-
b)
1 Verteilungsfunktion: F(x) = _.
50
x
50
P(X P(X P(3 9)
a)
~ ~ ~
f u du = - 1
100
o
X
Z
- 2) = 0, P(1 ~ X ~ 2) = F(2) - F(1) = 0,03, = 1 - P(X ~ 5) = 1 - F(5) = 0,75,
5)
~
X
8)
= F(8) - F(3) = 0,55
Durch N ormierung der Dichtefunktion folgt a
= 3/4.
x
b)
10)
3 F(x)=-·
4
~
f
u Z ( 2 - u ) d u =1- (8x 3 - 3 x 4 ) 16
o
5 1) = 16
c)
P(X
a)
Durch N ormierung der Dichtefunktion f (x)
f
1
(x)
1
= ;. 1 + xZ 2Jc
11)
l+x
= 1 folgt dann weiter b = 1/2.
Aus F( (0) b)
1
= F' (x) = a . - - Z erhalt man a = 1/n.
P(O
= A'
1
f
e-.l' dt = 0,8647
o 12)
a)
f(t) = F'(t) = 0,04t·
b)
P(l
~
~
T
5)
e-O,Zt
(t
~ 0)
= F(5) - F(1) = 0,2467
Abschnitt 5 1)
a)
E(X) = 0,75
b)
11 E(X) = 6
1
2)
E(X)
= 0,5'
f
x(1
+ x) dx = ~
-1
3)
a)
1 E(X) = -
4)
a)
Gewinnerwartung ("mittlerer" Gewinn): E(Z)
b)
Nein, denn der Einsatz (4 DM) ist grofter als die Gewinnerwartung (3 DM).
8
b)
= 3 DM
783
II Wahrscheinlichkeitsrechnung 5)
6)
(J
=
3,317
=_0
575 256'
(J
=
1,4987
= 2,41;
(J
=
1,552
a)
/l
=
3;
(J2=11;
b)
=
23 16;
(J
/l
c)
u
= 0,7;
a)
/l
= -
b)
/lz
=
2
(J2
0,05;
=
(J2
=
Var(X)
2,7475;
(J
=
(Ji
=
f(x i ) a)
7/15
7/15
1,6576
9,5725;
2
7)
8)
2,7474;
(Jz
=
3,0939
3
E(X) =5
1/15
Aus dem unvollstdndigen Ereignisbaum in Bild A-30 erhalt man die folgende Verteilungstabelle:
z
3
2
1/2 1/2
f(xJ
b)
1/4
1/4
Z
1/2
7 E(X) = 4
1/2
Z
W
1/2 1/2 W b
9)
a)
Normierung:
f
c dx
=1
1/2
1
~
c=--
W
(b - a)
a
b /l
=
Bild A-30
fx
1 0
1
- -
b- a
dx = - (a + b) 2
a
b
E(X 2 )
b3
1
a3
1
3 (b - a)
3
-
= f x 2 - - d x = - - - = - (a2 + ab + b 2 ) °
b- a
a
(J
= 0,2887
(b - a)
10
b)
Normierung:
f
mx dx = 1
~
1 m=50
o 10 II
r:
=
10
fx ~ x dx 50 0
= 20
°
3'
E(X 2) = fX 2o~xdx = 50
o
o (J
= 2,3570
50
784
Anhang B: Losungen der Ubungsaufgaben CfJ
10)
2
11 = A
•
f
CfJ
x 2 • e- AX dx =
~;
o
J2
(J=-
A 1
11)
N ormierung: a'
f
x 2 (1 - x) dx = 1
a = 12
--->
o 1
1
11 = 12 .
f
(x:' - x") dx =
~;
E(X
2
)
= 12· f(X 4
o
-
xS)dx =
~
o 1 (J=-
5 12)
Dichtefunktion: f(t) = F'(t) = 0,04 t· CfJ
e-O,2t
CfJ
E(T) = ft. f(t) dt = 0,04' f t 2 • e- O,2 t dt = 10
o
0 CfJ
13)
a)
b)
c)
/lz= fZ'f(x)dx=A' fe-(l+A)Xdx=_A1+A
u«>
o
0
CfJ
CfJ
f z' f(x) dx = A' f (2x + 1)· e- AX dx = 2 : A
o
0
CfJ
CfJ
Ilz = f z· f(x) dx = A' f x 0
14)
CfJ
2.e-
AX
dx =
;2
0
a)
E(Z)
= 1;
Var(Z) = 2
b)
E(Z)
= 1;
1 Var(Z) = - = 0,125 8
c)
E(Z)
= 20;
Var(Z) = 50
d)
E(Z)
= 2;
Var(Z) =
°
II Wahrscheinlichkeitsrechnung
785
Abschnitt 6 1)
Stabdiagramm: Bild A-31
a)
x
f(x)
°
0,1678 0,3355 0,2936 0,1468 0,0459 0,0092 0,0011 0,0001
1 2 3 4 5 6 7 8
f(x)
0,4
0,3
0,2 Bild A-31
° 0, 1
~
P(X
~
P(l 2)
5) = f(5) X
~
234567
ax
+ f(6) + f(7) + f(8) = 0,0104
3) = f(l) + f(2) + f(3) = 0,7759
Die Zufallsvariable X ( = Anzahl .Zahl" bei 10 Wiirfen) ist binomialverteilt mit n = 10, p = 0,5 und q = 0,5: P(X = x) = f(x) =
3)
°
P(X = 0) =f(O) = 0,1678
b)
(~O) 0,5
a)
P(X = 0) = 0,0010
c)
P(X
~
4) = 1 - P(X
10
~
3) = 0,8281
b)
P(X = 2) = 0,0439
d)
P(X = 5) = 0,2461
Die Zufallsvariable X ( = Anzahl der .Erfolge" bei 5 Wiirfen) ist binomialverteilt mit n = 5 und = 1/3, q = 2/3 :
p
P(X=x)=f(x)=
3 (2)S-X 3 (x5)(l)X
P(X = 2) = 0,3292
a)
b)
P(X
~
3) = 0,2099
4)
Binomialverteilung mit n = 300 und p = 1/3. Mittelwert: u = np = 100.
5)
Ein "rotes As" wird im Einzelversuch mit der Wahrscheinlichkeit p = 1/16 gezogen. Die Zufallsvariable X (= Anzahl der gezogenen "roten Asse" bei n Ziehungen) ist daher binomialverteilt mit den Parametern n, p = 1/16 und q = 15/16: P(X
=
x)
=
Ereignis X
(xn)(161 )X (15)n-X 16 --
=
°
(kein .rotes As")
---+
P (X = 0) < 0,5
---+
15)n ( 16 < 0,5
---+
n
~
11
786 6)
Anhang B: Losungen der Ubungsaufgaben Binomialverteilung mit n = 250, p = 0,02 und q = 0,98: J1
7)
= np = 5;
2
= n p (1 - p) = 4,9;
(J
= 2,2136
Die Zufallsvariable X (= Anzahl Treffer bei 5 Schiissen) ist binomialverteilt mit n = 5, p = 1/3 und q = 2/3: P(X
c)crcr-
P(X
P(X
.3
= x) = f(x) = x
a)
8)
(J
= 0) = 0,1317
= x) =f(x) =
x
3
b)
P(X
= 3) = 0,1646
c)
P (X ~ 3)
= 0,2099
c)
P(X < 2)
= 0,6667
(:)-(3~X) 0
C3 ) a) 9)
P(X
= 0) = 0,1667
b)
= 0,8333
Die Zufallsvariable X ( = Anzahl der unvollstdndigen Packungen unter n gekauften Packungen) ist hypergeometrisch verteilt (N = 40; M = Anzahl der unvollstdndigen Packungen = 4): a)
N
= 40, M = 4, n = 1
P(X=x)=f(x)=
N = 40,
b)
P(X
10)
P(1 ~ X S 3)
M = 4,
(:)·C ~x) (~O)
n
= x) = f(x) =
--->
=
P(X=O)=O,9
10
(:) (103~ x) G~)
~ P(X
= 2) = 0,2142
Hypergeometrische Verteilung mit den Parametern N = 5, M = 3 (Anzahl der weifJen Kugeln) und n = 2:
P(X=x)=f(x)=
x
f
(x)
°
0,1
G)·C:J
C)
f(x)
(x
= 0, 1,2)
0,3
2 0,6
0,3
Stabdiagramm: Bild A-32
0,6
0,1
Bild A-32
°
2
x
787
II Wahrscheinlichkeitsrechnung
11)
12)
3X P(X=x)=!(x)=-'e- 3
x!
a)
P(X = 0) = 0,0498
b)
P(X
c)
P(X > 3) = 0,3528
d)
P(1
~ ~
3) = 0,6472 X
~
5) = 0,8663
Die Zufallsvariable X ( = Anzahl der Brennelemente, die den Anforderungen nicht geniigen) ist binomialverteilt mit den Parametern n = 1500 und p = 10- 4 . Sie darf jedoch durch eine (rechnerisch bequemere) Poisson-Verteilung mit dem Parameter (Mittelwert) fJ = np = 0,15 ersetzt werden:
°
x
15 e-O,15 ~ P(X = 0) = 0,8607 P(X = x) = f(x) = -'-,-' x·
13)
14)
a)
P(U
~
1,52) = >(1,52) = 0,9357
b)
P(U
~
- 0,42) = >( - 0,42) = 1 - >(0,42) = 0,3372
c)
P(0,2
~
U
~
2,13) = >(2,13) - >(0,2) = 0,4041
d)
P( -1,01
~
U
~
e)
P (- 1 ~ U
~
1) = P (I U I ~ 1) = 2 . > (1) - 1 = 0,6826
f)
P(I UI
~
- 0,25) = >( - 0,25) - >( -1,01) = >(1,01) - >(0,25) = 0,2451
1,69) = 2 . >(1,69) - 1 = 0,9090
g)
P(U
~
0,95) = 1 - P(U
h)
P(U
~
- 2,13) = 1 - P(U
~
a)
>(a) = 0,5 ~ a=O
b)
>(a) = 0,3210 < 0,5 ~ a <
0,95) = 1 - >(0,95)
=
0,1711
- 2,13) = >(2,13) = 0,9834
~
°
~
Wir setzen a = - k:
¢(a) = ¢( - k) = 1 - ¢(k) = 0,3210 ¢(k) = 0,6790
~
~
k = 0,465
a = - k = - 0,465
c)
¢(b) - ¢(0,15) = 0,35
d)
¢(b) - ¢( - 0,22) = ¢(b) - 1 + >(0,22) = >(b) - 0,4129 = 0,413 ¢(b) = 0,8259
e)
~
~
¢(b) = 0,9096
b = 1,338
b = 0,938
2 . ¢(a) - 1 = 0,95
~
f)
2 . ¢(c) - 1 = 0,4682
g)
P(U
~
~
a) = 1 - P(U
¢(a) = 0,975 ~
~
¢(c)
~
= 0,7341
a = 1,96 ~
c = 0,625
a) = 1 - ¢(a) = 0,8002
¢(a) = 0,1998 < 0,5 ~ a <
°
~
Wir setzen a = - k: ~ >(k) = 0,8002 ~ k
>(a) = ¢( - k) = 1 - ¢(k) = 0,1998
a= h)
-
P (U
~
a) = 1 - P (U
¢(a) = 0,5990
15)
=
0,842
k = - 0,842 ~
~
a) = 1 - > (a) = 0,4010
a = 0,251
X-6 U=--
2
a)
U = 2,21
b)
U = - 2,57
d)
U = - 5,34
e)
U=
± 3,2
c)
U = - 1,75
f)
U=6
788
16)
17)
Anhang B: Losungen der Ubungsaufgaben X-2 0,5
U=--
a)
P(X
~
2,52) = P(U
~
1,04) = 4>(1,04) = 0,8508
b)
P(X
~
0,84) = P(U
~
- 2,32) = 4>( - 2,32) = 1 - 4>(2,32) = 0,0102
c)
P(X
~
- 1,68) = P(U
d)
P( - 0,5 ~ X ~ 4,5) = P( - 5 ~ U ~ 5) = 2 . 4>(5) - 1
e)
P( - 1,86) ~ X ~ - 0,24)
~
- 7,36) = 4>( -7,36) = 1 - 4>(7,36) =
=1
= 4>( - 7,72 ~ U ~ - 4,48) = = 4>(-4,48) - 4>(-7,72) = 4>(7,72) - 4>(4,48)
f)
P( - 3 ~ X ~ 3) = P( -10 ~ U ~ 2)
g)
P(IX/
h)
P(X
~
0,98) = P(U
a)
P(95
~
X
b)
P(98
=
°
= 4>(2) - 4>( -10) = = 4>(2) + 4>(10) - 1 = 0,9772
~
2,13) = 0,6026
~
~
- 2,04) = 1 - P(U
~
- 2,04) = 4>(2,04) = 0,9793
105) = P( - 1,25 ~ U ~ 1,25) = P(I UI = 2 . 4>(1,25) - 1 = 0,7888
AusschufJanteil: P = 1 - P(95
18)
°
~
X
~
105) = 0,2112
1,25) =
~
21,1%
U ~ 1) = 4>(1) - 4>(-0,5) = = 4>(1) + 4>(0,5) - 1 = 0,5328 Ausschuflanteil: P = 1 - P(98 ~ X ~ 104) = 0,4672 ~ 46,7% ~
X
~
104) = P(-0,5
~
Mindestpunktzahl: a
P(X
~
a) = 0,6
a 4- 20) = P(U -
P(X
~
a) = P ( U
P(U
~
c) = 1 - P(U
~
~
~
~
~
c) = 0,6
(c
=
a -4 20 )
c) = 1 - 4> (c) = 0,6
°
4> (c) = 0,4 < 0,5 ~ c < ~ Wir setzen c = - k: 4>(c) = 4>( - k) = 1 - 4>(k) = 0,4 4>(k) = 0,6 ~ k = 0,253 ~ c = - k = - 0,253 ~ a = 18,988 ~ 19 Daher: Die geforderte M indestpunktzahl betrug 19 Punkte. 19)
20)
X -75 U=-5 a)
P(69 ~ X ~ 80) = P( -1,2 ~ U ~ 1) = 4>(1) - 4>( -1,2) = 4>(1) + 4>(1,2) - 1 = 0,7262 Anzahl der Studenten: 5000· 0,7262 = 3631
b)
P(X> 80) = 1 - P(X ~ 80) = 1 - P(U ~ 1) = 1 - 4>(1) Anzahl der Studenten: 5000· 0,1587 = 794
c)
P(X < 65) = P(U ~ - 2) = 4>(-2) = 1 - 4>(2) = 0,0228 Anzahl der Studenten: 5000· 0,0228 = 114
=
0,1587
X-750 20
U=---
a)
P(X < 730) = P(U < - 1) = 4>( -1) = 1 - 4>(1) = 0,1587
b)
P(735
~
X
~
765) = P( - 0,75
~
U
~
0,75) = 2 . 4>(0,75) - 1 = 0,5468
II Wahrscheinlichkeitsrechnung 21)
789
Die (binomialverteilte) Zufallsvariable X (= Anzahl an Ausschufistiicken in einer Stichprobe vom Umfang n = 100) kann naherungsweise durch eine Poisson- Verteilung mit dem Parameter (Mittelwert) J.1 = np = 100 ° 0,01 = 1 ersetzt werden: e -1 P(X = x) =I(x) = -
x!
a) 22)
P(X
n=20,
= 2) = 0,1839
p=1/2,
q=1/2
X-10
u=
b)
J5 ;
~
P(X > 2)
J.1=np=10;
= 1 - P(X
(J2
~
2) = 0,0803
= npq = 5;
(J
=
J5
P*(8 ~ X ~ 12)
Stetigkeitskorrektur:
= P( -1,118 = 2 >(1,118) - 1 = 0,7364
P*(8 ~ X ~ 12) ~ P(7,5 ~ X ~ 12,5)
~ U ~
1,118) =
°
Exaktes Ergebnis (Binomialverteilung): 0,7368
23)
n = 360,
u=
p = 1/3,
q = 2/3
X-120
~
J.1 = np = 120;
(J2
= npq = 80;
P*(100~X~140)
°
J80'
Stetigkeitskorrektur: P*(100 ~ X ~ 140) ~ P(99,5 ~ X ~ 140,5)
= P( - 2,292 24)
~
=
U ~ 2,292) = 2 ° ¢(2,292) - 1 = 0,9780
Die Zufallsvariable X (= Anzahl derjenigen Gerate in der Stichprobe yom Umfang n = 200, die einer Zuverlassigkeitspriifung nicht standhalten) ist binomialverteilt mit n = 200, p = 0,06 und q = 0,94, kann jedoch durch eine N ormalverteilung mit den folgenden Parametern ersetzt werden:
J.1 = np = 12;
(J2
X -12 u=-_o
= np(1 - p) = 11,28;
P*(10 ~ X ~ 15)
~'
Stetigkeitskorrektur:
= P(-0,744 ~ U ~ 1,042) = = ¢(1,042) - >( - 0,744) = ¢(1,042) + ¢(0,744) - 1 = 0,6229
P*(10 ~ X ~ 15) ~ P(9,5 ~ X ~ 15,5)
Abschnitt 7 1)
Verteilungen der Komponenten (Randverteilungen): 3
a)
11 (x.) J.1x = 2;
1/2
-2
4
1/2
3/8 2 (Jy
=
351
64
3/8
790
Anhang B: Losungen der Ubungsautgaben
b)
11 (xJ Jix
°
0,60
f2 (yJ
0,40
a; = 0,24;
= 0,40;
-2
-1
0,25
0,15
2 0,15
0,45
a; = 2,94
Jiy = 0,4;
2)
I, (x)
I2(Y) 3)
a)
11 (x)
f2(Y) b)
Xi
2
4
6
Yi
11 (xJ
0,40
0,20
0,40
f2(yJ
a; =
Jix = 4;
c)
4)
Jiy = 0,4;
a; =
11 (2) . f2 (0) = 0,4 . 0,7
=
0,28 = 1(2; 0)
11 (2) ·12 (1) = 0,4 . 0,2
=
0,08 = 1(2; 1)
11 (2) ·12 (2) = 0,4 . 0,1
=
0,04 = 1(2; 2) u.s.w.
a)
11 (xJ
5)
3,2;
1/4
= 2;
2
3
1/2
1/4
Var(X) = 0,5;
b)
E(X)
a)
Durch N ormierung folgt k = 2.
b)
II (x) = 2·
f y=o
f2 (yJ E(Y) = 1;
e- 2 x - y dy = 2 . e- z x ;
2
°
0,70
0,20
0,10
0,44
2
°
1/4
1/2 Var(Y)
Iz(Y) = 2·
f x=o
1/4
= 0,5
e- Zx - y dx = e- Y
c)
ja
II Wahrscheinlichkeitsrechnung
c)
E(X)
f
= 2·
791
x . e- 2x dx = 0,5;
E(X 2) = 2·
o Var(X)
f
x 2.
e~2xdx = 0,5
o
= E(X 2) - (E(X))2 = 0,25;
E(Y)
fr
=
e- Y dy = 1
o E(y 2) =
f
Var(Y) = E(y 2 )
y2 . e- Y dy = 2;
-
(E(y))2
=1
o
d)
P(O <:;; X <:;; 2; 0 <:;; Y <:;; 3) = 2·
f f x=o
6)
a)
b)
7)
a)
= 0,9328
y=o
1 I (x; Y) = 11(x) . 12(Y) = - (x '+ 1) (2 Y + 1) 8
F(x; y)
= ~.
x
y
f
f
u=o
c)
e- 2x- y dy dx
P(O ~ X
~
1; 0
Xi
0
11 (XJ
1/4
(u + 1) (2v
+ 1)dvdu = ~(X2 + 2x)(y 2 + y) 16
v=o
~
Y ~ 1) =
3/8
1
-' 8
f f
x=o
(x + 1) (2 y + 1) dy dx
2
Yi
0
3/8
I2(Yi)
1/4
2 1/2
1 1(1; 0) = - verschieden ist. 16
o
2 11 (xJ
0,8
0,2
12(yJ
8
y=o
X und Y sind stochastisch abhdngig, da z. B. 11 (1) . 12(0) =
b)
3
= F(1; 1) = -
0,5
1/4
3 1
3
8 4
32
- . - = - und somit von
2 0,3
0,2
X und Y sind stochastisch unabhdngig, da 11 (xJ . 12(Yk)
= I (Xi; Yk) fur aIle i, k gilt.
792
Anhang B: Losungen der Ubungsaufgaben
8)
11 (x)
Iz(Y)
9)
10)
11)
12)
a)
E(Zl)
=
7
b)
E(Zz)
Xi
Xl
Xz
X3
X4
Jli
2
8
18
32
a)
E(Zl)
=
a)
E(Zl)
= -
c)
E(Z3)
=
a)
Jlz =
b)
Jlz = 26;
-
19;
11; 6;
E(Zz)
b)
9216
=
c)
18
=
c)
52
E(Z3)
=
E(Z3)
0
= -
Var(Zl) = 22
b)
E(Zz)
=
Var(Z3) = 11
d)
E(Z4)
= -
(Ji
=
10,25;
(Jz
(Ji
=
76;
(Jz = 8,7178
=
Z = aX + b ist normalverteilt mit dem Mittelwert Jlz = a ti (Ji = a Z • (Jz bzw. der Standardabweichung (Jz = aa.
14)
a)
J1 = 500 Q,
b)
P(IR -
rP
15)
G)
22; 18;
E(Z4)
=
6144
Var(Zz) = 29 Var(Z4) = 57
3,2016
13)
5001
d)
60
+b
und der Varianz
(J=3Q
~ c) = P(IUI ~~) = 2· rPG) -1 = 0,95
= 0,975
--->
c
Liisung: 494,12 Q
~
= 5,88 R
~
(Tabelle 2 im Anhang, Teil A)
505,88 Q
Z = X + Y ist normalverteilt mit dem Mittelwert Jl = 30 und der Standardabweichung (J = 5. Die Dichtefunktion lautet somit: 1 1 (Z - 30)2 I(Z)=---'e- 2 - 5 -
5·)2;
(-oo
III Grundlagen der mathematischen Statistik
793
III Grundlagen der mathematischen Statistik Abschnitt 1 1)
Stabdiagramm: Bild A-33 Xi
1
2
3
4
5
6
ni
1
1
2
3
1
2
hi
0,1
0,1
0,2
0,3
0,1
0,2
0,3
-f-
0,2
-f-
0, 1
-f-
Bild A-33
° 2)
a)
2
3
4
5
6
Xi
Stabdiagramm und Verteilungskurve: Bild A-34 Xi
39,7
39,8
39,9
40,0
40,1
40,2
f(xJ
0,05
0,15
0,20
0,30
0,20
0,10
F(xJ
0,05
0,20
0,40
0,70
0,90
1
-
mm
f(x)
0,3
-~
0,2
-f-
0, 1
-f-
Bild A-34 Stabdiagramm 39,7
39,9
40,1
X
mm
Anhang B: Losungen der Ubungsaufgaben
794 F(x)
0,5
Bild A-34
0, 1
Verteilungskurve 39,9
39,7
b)
x mm
40,1
Stabdiagramm und Verteilungskurve: Bild A-35 Xi
97
98
99
100
101
102
103
f(xJ
0,04
0,12
0,16
0,36
0,20
0,08
0,04
F(xJ
0,04
0,16
0,32
0,68
0,88
0,96
1
-
Q
f(x) 0,4 - e -
0,3-f-
0,2 -f-
0, 1 -f-
Bild A-35
T 97
98
99
100
101
102
103
Stabdiagramm
x Q
795
III Grundlagen der mathematischen Statistik F(x)
0,5
Bild A-35 Verteilungskurve
0, 1
97
c)
98
99
100
101
102
103
x Q
Stabdiagramm und Verteilungskurve: Bild A-36 Xi
10,1
10,2
10,3
10,4
10,5
f(xJ
0,12
0,22
0,38
0,18
0,10
F(xJ
0,12
0,34
0,72
0,90
1
-
JlF
f(x)
0,4
0,3
0,2
0,1
Bild A-36 Sta bdiagramm 10,1
10,3
10,5
x f.lF
796
Anhang B: Losungen der Ubungsaufgaben F(x)
1
0,5
Bild A-36 Verteilungskurve
0, 1 10,1
3)
10,3
x
10,5
flF
Verteilung (Stabdiagramm und Verteilungskurve: Bild A-37): Xi
1
2
3
4
5
6
f(xJ
0,204
0,176
0,160
0,130
0,180
0,150
F(xJ
0,204
0,380
0,540
0,670
0,850
1
f(x)
0,2
-f--
0,1
-f--
Bild A-37 Stabdiagramm 2
3
4
5
6
x
797
III Grundlagen der mathematischen Statistik F(x)
1
0,5
Bild A-37 Verteilungskurve
0,1
2
4)
a)
b)
Xi
°
3
4
5
x
6
1
2
3
f(xJ
0,100
0,410
0,365
0,125
F(xJ
0,100
0,510
0,875
1
Stabdiagramm und Verteilungskurve: Bild A-38
F(x)
f(x)
0,4 0,5
0,3 0,2 0,1
0,1
°
123
x
Bild A-38
c)
82 + 73 200
155 = 0775 = 7750/0 200·' ,
--- = -
°
2
3
x
798
5)
Anhang B: Losungen clef Ubungsaufgaben
a)
Xi
425
475
525
575
625
675
725
f(xJ
0,038
0,138
0,250
0,288
0,175
0,088
0,025
F(xJ
0,038
0,176
0,426
0,715
0,890
0,978
1,003
-
h
(infolge von Rundungsfehlern wird der Endwert 1 der Verteilungsfunktion F (x) geringfiigig iiberschritten)
f(x)
b)
Lebensdauer X ::s; 500 h: 17,5%
0,3
Lebensdauer X > 600 h: 28,80/0
0,2 c)
Histogramm: Bild A-39
0,1 Bild A-39
525
425
6)
a)
b)
625
Klasse i
1
2
3
4
5
6
f(xJ
0,38
0,26
0,17
0,11
0,06
0,02
F(xJ
0,38
0,64
0,81
0,92
0,98
1,00
Histogramm: Bild A-40 ttx)
0,4
Bild A-40
xtcm'' c)
Fehlmenge X ~ 20 ern": 36%
725
x/h
799
III Grundlagen der mathematischen Statistik 7)
a)
Kleinster Wert: 9,0 Griifiter Wert: 11,4 Unterteilung in 5 Klassen nach Bild A-41: \1.Klasse 2 .K1asse 13.Klasse 14.Klasse 15.Klasse I
Bild A-41
1
b)
I
I
I
I
I
I
9,0
9,5
10,0
10,5
11,0
11,5
x 1/100 km
9,0 ... 9,5
9,25
4
0,10
2
9,5 ... 10,0
9,75
6
0,15
3
10,0 ... 10,5
10,25
18
0,45
4
10,5 ... 11,0
10,75
10
0,25
5
11,0 ... 11,5
11,25
2
0,05
Histogramm: Bild A-42
0,5
Bild A-42 9,25
10,25
11,25
1/100 km
Abschnitt 2 1)
x = 3,8;
2)
a)
S2
= 2,62;
b)
x= x=
c)
x = 10,292 /IF;
39,975 mm; 99,960;
s = 1,62 = 0,019 mm"; S2 = 1,9570 2;
s = 0,137 mm
S2 = 0,013 (/IF)2;
s=0,114/lF
S2
s = 1,3990
800
Anhang B: Losungen der Ubungsaufgaben
= 3,0714
3)
X = 3,356;
s = 1,7525;
S2
4)
X = 1,515;
s
S2 =
5)
Xi : Klassenmitte h
x= 6)
0,8386;
=
0,7033
n.: Klassenhaufigkeit
425
475
525
575
625
675
725
3
11
20
23
14
7
2
S2 = 4664,161 h 2
s = 68,295 h;
564,375 h;
Xi: Klassenmitte
n.: Klassenhaufigkeit
5
15
25
35
45
55
38
26
17
11
6
2
= 179,51 em"
S2
7)
Xi
---
1/100 km
9,25
9,75
10,25
10,75
11,25
4
6
18
10
2
ni
x= 8)
ni : Klassenhaufigkeit
Xi: Klassenmitte
= 2· i~l (Xi 11
S'(c)
s = 0,5061/100 km;
10,251/100 km;
c)( -1) = - 2· i~l 11
-
S"(c) = 2n > 0;
Sf (C) =
°
(Xi -
S2 = 0,256 (1/100 km)2
C) = - 2
11
=>
L
Xi -
i= 1
nc =
°
=>
(
i~l 11
)
Xi -
1 C = _. n
nc
11
L
Xi
=X
Abschnitt 3 1)
Likelihood-Funktion: L (2) = f (t 1 ;
),) ...
f (tn; ),) = 2n . e- A (tl + ... + t n) + ... + t n )
L*(2) = In L()w) = n ·In)w - 2(t 1
dL* Aus der Bedingung = d2
° folgt dann der gesuchte Schdtzwert:
n ~=---t 1 + ... + t n
(
-
t
=
t1
+ ... + n
tn
)
: Mittelwert der Stichprobe
801
III Grundlagen der mathematischen Statistik
°
~
1
1
4=
x = 148 h - 1
2)
A ;: : :; A = -=- = - - ;: : :; 003 788 h - 1 t 264 h '
3)
u ;: : :;
4)
a)
~
P( - c
V
~
¢(c) = 0,975
c) = 2 . ¢(c) - 1 = Y = 0,95 --*
x = 140,7;
c= (J
= 1,960
U O,975
= 3;
~ fl ~
Vertrauensintervall: 138,84 b)
~
P( - c
T
~
) c=
t-Verteilung: P(-c
~
T
~
x = 0,620 em;
149,16
c) = 2· F(c) -1 = 1 -lJ. = 0,95
f=n-l=99::;:;:100
F(c) = 0,975
s = 11,833
~ fl ~
Vertrauensintervall: 132,24
= 2,262
t(O,975;9)
sZ = 140,011;
x = 140,7;
5)
142,56
c) = 2 . F(c) - 1 = Y = 0,95 f=n-l=9
F(c) = 0,975
= 10
n
) c=
n = 100
s = 0,035 em;
Vertrauensgrenzen: 0,613 em Vertrauensintervall: 0,613 em
= 1,984
t(O,975;99)
bzw. ~ fl ~
0,627 em
0,627 em
Hinweis: Da es sieh hier urn eine umfangreiche Stiehprobe handelt (n = 100 > 30), darf man (J ;:::::; s = 0,035 em annehmen und die Standardnormalverteilung verwenden. Man erhalt dann das gleiehe Vertrauensintervall. 6)
a)
Vertrauensintervall fur den M ittelwert u: ~
P( - c
T
~
c) = 2 . ¢(c) - 1 = Y = 0,99 f=n-l=9
¢(c) = 0,995 x = 102;
) c=
s = 4;
Vertrauensintervall: 97,89 b)
~ fl ~
~
~
Z
cz) = 0,99
1
F(c 1 ) = 2(1 - y) = 0,005 1
SZ
= 16;
n
f=n-l=9
---~) c 1
F(c z) = 2 (1 + y) = 0,995
f=n-l=9
=
Z(O,005;9)
= 1,73
) Cz =
z(O,995;9)
= 23,59
= 10
Vertrauensintervall: 6,10 ~ a)
106,11
Vertrauensintervall fur die Varianz (J Z : P(c 1
7)
= 3,250
t(O,995;9)
n = 10
(Jz
~ 83,24
Vertrauensintervall fur den Mittelwert u: P( - c
~
T
~
¢(c) = 0,975 x=99,5PS;
c) = 2 . ¢(c) - 1 = 1 f=n-l=7
) c=
t(O,975;7)
s=2,166PS;
Vertrauensintervall: 97,69 PS
~
lJ.
= 0,95
= 2,365 n=8
fl ~ 101,31 PS
Anhang B: Losungen der Ubungsautgaben
802 b)
Vertrauensintervall fiir die Varianz a 2 : P (c 1 ~ Z ~ c 2) = 1 - a
= 0,95
1
f=n-l=7
F(c 1 ) = 2 (1 - y) = 0,025
1
F(c 2 ) = 2 (1 S2
f=n-l=7
+ y) = 0,975
= 4,691 (PS)2;
) c1 =
Z(0,025; 7)
= 1,69
) c2 =
Z(0,975;7)
= 16,01
n= 8
Vertrauensintervall: 2,05 (PS)2 ~ a 2 ~ 19,43 (PS)2 8)
a)
Vertrauensintervall fiir den Mittelwert J1: P( - c ~ T ~ c)
= 2 . F(c) - 1 = y = 0,95
f=n-l=15
F(c)
=
x=
12,54 kN;
0,975
) c=
Vertrauensintervall: 12,00 kN b)
t(0,975;15)
s = 1,02 kN; ~
= 2,131
n = 16
J1 ~ 13,08 kN
Vertrauensintervall fiir die Varianz a 2: P(Ci ~ Z ~ c 2 ) = Y = 0,95 1
f=n-1=15
F(c 1 ) = 2 (1 - y) = 0,025 F(c 2 ) S2
1
= 2(1
f=n-1=15
+ y) = 0,975
= 1,0404 (kN)2;
) c1 =
Z(0,025; 15)
= 6,26
) c2 =
Z(0,975;15)
= 27,49
n = 16
Vertrauensintervall: 0,568 (kN)2 ~ a 2 ~ 2,493 (kN)2 9)
t- Verteilung: P( - c
F(c) = 0,995
~ T~
f=n-1=19
x = 7,816 g/cm';
c)
= 2 . F(c) - 1 =
) c =
t(0,995; 19)
y
= 0,99
= 2,861
s = 0,0193 g/crrr';
n = 20
Vertrauensintervall: 7,804 g/cm ' ~ J1 ~ 7,828 g/cm ' 10)
a)
P( - c ~ V ~ c)
¢(c) = 0,975 ~
k=27;
= 2· ¢(c) - 1 = y = 0,95 c = U O,975 = 1,960
n=500;
p=0,054
Die Bedingung (111-138) fiir eine umfangreiche Stichprobe ist erfiillt:
L\ = np{1 - p) = 25,542 > 9
Vertrauensintervall: 0,034 b)
P( - c ~ V ~ c)
¢(c) = 0,995 ~
P( - c
~
V
~
~
p ~ 0,080
c) = 2 . ¢(c) - 1 = 1 - a = 0,99
¢(c) = 0,995 ~ c =
k = 55;
p ~ 0,074
= 2 . ¢(c) - 1 = Y = 0,99 c = U O,995 = 2,576
Vertrauensintervall: 0,028 11)
~
n
=
U O,995
100;
= 2,576 P= 0,55
III Grundlagen der mathematischen Statistik
803
Die Bedingung (111-138) fur eine umfangreiche Stichprobe ist erfiillt: ~
= nfi(l - p) = 24,75 > 9 ~
Vertrauensintervall: 0,422 12)
P( - c
~
U
~
p ~ 0,678
c) = 2 . ¢(c) - 1 = Y = 0,95
¢(c) = 0,975
--+
c=
k=68;
n=100;
= 1,960
U O,975
p=0,68
Die Bedingung (111-138) fur eine umfangreiche Stichprobe ist erfiillt: ~
= nfi(l - p) = 21,76 > 9 ~ p ~
Vertrauensintervall: 0,589 13)
0,771
Wir diirfen wegen der umfangreichen Stichprobe (n = 100) davon ausgehen, daB die Masse X nahezu normalverteilt ist. a)
Vertrauensintervall fur den Mittelwert /1: ~
P( - c
~
T
c)
= 2 . F(c) - 1 = Y = 0,95
f=n-l
F(c) = 0,975
x = 5,43 g;
=99~ 100
) c
=
s = 0,30 g;
Vertrauensintervall: 5,370 g
t(0,975;99)
= 1,984
n = 100 ~ /1 ~
5,490 g
Hinweis: Da es sich hier urn eine umfangreiche Stichprobe handelt (n = 100 > 30), darf man (J 2 ~ S 2 = 0,09 g2 annehmen und die Standardnormalverteilung verwenden. Man erhalt dann das gleiche Vertrauensintervall. b)
Vertrauensintervall fur die Varianz (J 2: P(c 1
~
Z
~
c 2 ) = Y = 0,95
F(c l )
1 = 2(1 -1')
F,c 2 )
= 2 (1 + 1') =
S2
= 0,025 f~n-l~99)
1
= 0,09 g2;
0,975 f~n-l ~99)
Z(O,025;99)
= 73,34
=
Z(O,975;99)
= 128,45
C2
(interpoliert) (interpoliert)
n = 100
Vertrauensintervall: 0,069 g2 c)
c1 =
~
(J2
~ 0,121
g2
Vertrauensintervall fur die Standardabweichung (J: 0,263 g
~
(J
~
0,349 g
Abschnitt 4 1)
P( - c ~ U ~ C)H o = 2 . ¢(c) - 1 = 1 - ex ¢ (c) = 0,995 --+ c = U O,995 = 2,576
Annahmebereich: - 2,57 6
x = 102Q; A
(J
X -
~
u
= 3 Q; /10
Testwert: u = - - = 2,108
(J/~
~
= 0,99
2,576 /10
~
= 100 Q;
n = 10
H o wird beibehalten, d.h. nicht abgelehnt (Bild A-43).
Anhang B: Losungen der Ubungsaufgaben
804
u
Testwert =2, 108 ~ H o beibehalten
0,99
Bild A-43 -2,576
2)
u
2,576
°
Einseitiger Test (Abgrenzung nach oben, siehe Bild A-44): p(e! ¢ (c) = 0,99
~ C
=
Annahmebereich: u
x = 1580h; A
Testwert: u
U O,99
~
C)H o = 1 - a = 0,99
= 2,326
2,326
(J = 80 h; X -
~
Jlo
= -- =
n
Jlo = 1500 h;
7,071
~
=
50
H o wird abgelehnt (Bild A-44).
(J/0z
Wir konnen davon ausgehen, daB die Materialanderung tatsachlich eine grojJere Lebensdauer der Gliihlampen bewirkt.
Testwert 0,99
•
~ = 7,071 ~
Ho ablehnen
0,01
Bild A-44 2,326
° 3)
u
Wir testen die Nullhypothese: H o : Jl ~ Jlo = 5,20 kN gegen Hi: Jl < Jlo = 5,20 kN (einseitiger Test).
peT < C)H o = a = 0,05 < 0,5 . ~
die
Alternativhypothese
°
< Nach Bild A-45 gilt mit C = - k: peT ~ k)Ho = 1 - a = 0,95 F(k) = 0,95
f=n-1=19
) k=
C
t(0,95; 19)
= 1,729
~
C
= - 1,729
Bild A-45 c=-k
k
°
Annahmebereich: t
~
x = 5,02kN;
s = 0,12 kN;
- 1,729 n = 20;
Jlo = 5,20 kN
III Grundlagen der mathematischen Statistik
Testwert:
t=
x - flo = - 6 708
s/0z
'
805
~ H o wird abgelehnt (BildA-46).
Folgerung: Die Zweifel an der Richtigkeit der Herstellerangaben sind berechtigt, d.h. man darf annehmen, daB die mittlere ReiBlast kleiner ist als der angegebene Wert flo = 5,20 kN.
t
Testwert = -6, 708 ~ H o ablehnen 0,95
Bild A-46
o
-1,729 4)
P( - c ~ T ~ C)Ho
F(c) = 0,995
= 2 . F(c) = 1 -
f=n-l =24
) c=
Annahmebereich: - 2,797
x = 20,5 mm; .A-
~
t
= 0,99
(X
t(0,995;24)
~
2,797
s = 1,5 mm; X -
flo
Testwert: t = - - = - 1,667
= 2,797
n = 25; =>
flo
= 21 mm
H o wird beibehalten, d.h. nicht abgelehnt (Bild A-47).
s/0z Testwert f=-1,667 ~ H o beibehalten 0,99
0,005
Bild A-47
o
-2,797
2,797
Die Abweichung des Stichprobenmittelwertes nicht signifikant, sondern zufallsbedingt.
5)
x = 20,5 mm
Nullhypothese: H o : fl = flo = 8,2lj100 km Alternativhypothese: H 1 :fl > flo = 8,2lj100 km Einseitiger Test: P(T ~ C)H o
F (c) = 0,95
= 1-
(X
= 0,95
f=n-l=35
Annahmebereich: t
~
) c=
1,690
t(0,95; 35)
= 1,690 (interpoliert)
VOl1l
Sollwert flo = 21 mm ist
806
Anhang B: Losungen der Ubungsaufgaben
x=
/10
X -
-A.
n = 36;
s = 2,31/100 km;
9,11/100 km;
Testwert: t = - - = 2,348
=>
s/J;z
/10 = 8,21/100 km
H o wird abgelehnt (Bi1d A-48).
Folgerung: Die Behauptung des Herstellers kann nicht Hinger aufrecht erha1ten werden. Wir konnen davon ausgehen, daB der tatsachliche mitt1ere Benzinverbrauch grofter ist a1s vom Hersteller angegeben.
t
Testwert = 2,348 ~ H o ablehnen
Bild A-48
o 6)
1,690
Es hande1t sich urn abhdngige Stichproben. Durch Differenzbildung erhalten wir die folgende Stichprobe (z, = Xi - yJ:
2,3
2
3
4
5
3,3
1,9
0,4
2,2
Mitte1wert: Z = 2,02 Q;
Standardabweichung: s
= 1,0474 Q
Wir fiihren einen zweiseitigen Test fur die G1eichheit der unbekannten Mitte1werte /11 und /12 durch (bei vorausgesetzter N ormalverteilung):
Nullhypothese: H o : /1 = /10 = /11 - /12 = Alternativhypothese: H 1 : /1 "#
°
P( - c
~
T
~ C)H o
F(c) = 0,995
= 2 . F(c) - 1 = 1 - a = 0,99
f=n-l=4
) c=
t(0,995;4)
Annahmebereich: - 4,604· ~ t
z = 2,02 Q; ~
°
~
s = 1,0474 Q; z - /10
Testwert: t = - - = 4,312
=>
= 4,604
4,604
n = 5;
/10 = /11 - /12
=
°
H 0 wird beibehalten, d. h. nicht abgelehnt (Bi1d A-49).
s/J;z Aufgrund der verwendeten Stichprobe und des gewahlten Signifikanzniveaus a 1 % konnen wir von der Gleichwertigkeit derbeiden MeBmethoden ausgehen.
= 0,01 =
III Grundlagen der mathematischen Statistik
807
Testwert f=4,312 ~ H o beibehalten 0,99
Bild A-49
o
-4,604
7)
4,604
Die Stichproben sind voneinander unabhdngig. Wir fiihren einen einseitigen Test (Abgrenzung nach oben) wie folgt durch:
Nullhypothese:
n.;
/12 ~ /11
Alternativhypothese: H 1 : /12 > /11 Wegen n 1 > 30, n2 > 30 diirfen wir dabei die standardnormalverteilte Zufallsvariable
X-y
U = - - verwenden: a P(U ~ C)H o = 1 - r:J., = 0,99 ¢(c) = 0,99 ~
Annahmebereich: u
x = 1540 h; n1
=
2,326
C = U O,99 =
~
2,326
y=1600h;
n2 = 120
100;
(]'=
Testwert:
y-x u= - = 3,042
~
a
H o wird abgelehnt (Bild A-50).
u
Testwert = 3, 042 ~ H o ablehnen
I o
0,01
Bild A-50
2,326
u
Folgerung: Die im Werk B produzierten Teile haben - wie vermutet - eine groflere Lebensdauer. 8)
Wir testen die Nullhypothese H 0: /11 = /12 gegen die Alternativhypothese H 1 : /11 #- /12: P( - c
~
F(c)
0,995
=
T
~
C)H o = 2 . F(c) - 1 = 1 f=nl +n2-2=8
) c
Annahmebereich: - 3,355 ~ t
x= S2
5,992;
= 0,0081;
Y=
6,04;
s = 0,0898
=
~
r:J.,
t(0,995;8)
= =
0,99 3,355
3,355 Sl =
0,1055;
S2
= 0,0707;
808
Anhang B: Losungen der Ubungsaufgaben
~
Testwert: t = (Bild A-51).
x - y .yr;;:;;;- .-= ~--_\
n1
+
n2
0,845
=:>
. H 0 wird beibehalten, d. h. nicht abgelehnt
s
Folgerung: Die beiden Stichproben stammen aus derselben Grundgesamtheit. Testwert = -OJ845 ~ H o beibehalten
t
OJ99
-3
9)
Bild A-51
o
J355
3
Einseitiger Test (Abgrenzung nach oben): P(Z F(c) = 0,95
f=n-l=ll
~
Annahmebereich:
Z
s = 0,4 mm;
S2
Testwert:
z= (n -
) c=
Z(O,95;11)
J355
~
C)H o = 1 - a = 0,95
= 19,67
19,67
= 0,16 mm ':
n = 12;
0"5
= 0,04 mm?
S2
1) 2" = 44
=:>
0"0
H o wird abgelehnt (Bild A-52). Die Abweichung ist signifi-
kant, die Maschine mull neu eingestellt werden. Fur
ff.
= 1% erhalt man den Annahmebereich z ~ 24,73. Die Entscheidung ist dieselbe. Testwert ; 44 ~ H o ablehnen
=
OJ 95
Bild A-52
o 10)
19
z
J67
Die Bedingung (111-242) fur eine umfangreiche Stichprobe ist erfiillt: npo(1 - Po) = 11,64 > 9. Einseitiger Test (Abgrenzung nach oben): P(U ¢(c)
= 0,95
~
c=
Annahmebereich: u k = 20;
Testwert:
U O,95
~
n = 400;
~
C)H o = 1 -
ff.
= 0,95
= 1,645
1,645
P== 0,05;
u= .y~ ~(n) . (p -
Po)
Po = 0,03 =
2,345
=:>
n;
wird abgelehnt (Bild A-53). Die Stich-
probe widerspricht somit der Behauptung des Herstellers, d.h. der Ausschulsanteil ist grojJer als 3%.
809
III Grundlagen der mathematischen Statistik Testwert ~ =2,345 ~ H o ablehnen
Bild A-53
o 11)
u
1,645
Die Bedingung (111-242) fur eine umfangreiche Stichprobe ist erfullt: nPo(1 - Po)
=
50 > 9.
Zweiseitiger Test: Wir testen die Nullhypothese H o : P = Po = 0,5 gegen die Alternativhypothese Hi: p i= Po = 0,5. P( - c ~ U ~ C)H o
¢(c) = 0,975
---+
= 2 . ¢(c) - 1 = 1 - a = 0,95 U O,975 = 1,960
c=
Annahmebereich: - 1,960 ~ u k = 88; Testwert: Ii
~
1,960
P= 0,44;
n = 200;
= Jpo(1 ~ Po) . (ft -
Po) =
Po = 0,5
-
1,697
=0>
n;
wird beibehalten, d.h. nicht abge-
lehnt (Bild A-54). Die verwendete Stichprobe steht in keinem Widerspruch zu der Nullhypothese, daB der Wiirfel .unverfdlscht'' ist. Testwert u=-1,697 ~ H o beibehalten
-1,960
o
1,960
Abschnitt 5 1)
p = p (Zahl)
Nullhypothese H o : Gleichverteilung (p = Po = 0,5)
u
Bild A-54
810
Anhang B: Losungen der Ubungsaufgaben P(Z = X ~ 2
F (c) = 0,95
C)H
O
= 1-
f=k-1=1
Annahmebereich: z
=
)
= 0,95
(X
=
Z(O,95; 1)
~
3,84
C
X2
A A 8 Testwert: z = X2 = - = 2,667
3
=>
= 3,84
H o wird beibehalten, d.h. nicht abgelehnt (Bild A-55). Wir
konnen somit bei einer Irrtumswahrseheinliehkeit von 5 % .ziemlich sieher" sein, daB die Miinze "eeht", d.h. "unverfalseht" ist (die verwendete Stiehprobe steht zumindest in keinem Widersprueh zu dieser Hypothese).
z
Testwert = 2,667 ~ H o beibehalten 0,95
Bild A-55
o
2)
z
3,84
Nullhypothese H o : Gleiehverteilung (Pi = p(i) = 1/6 fur i = 1,2, ... ,6)
35
1/6
50
-15
225/50
2
39
1/6
50
-11
121/50
3
70
1/6
50
20
400/50
4
62
1/6
50
12
144/50
5
56
1/6
50
6
36/50
6
38
1/6
50
-12
144/50
P(Z = X ~ 2
F (c) = 0,99
C)H
o
= 1-
f=k-1=5
Annahmebereich: z 2
=
(X
= 0,99
) c= X2
~
Z(O,99; 5)
= 15,09
15,09
Testwert: 2 = X = 1070/50 = 21,4 "verfalseht".
=>
H o wird abgelehnt (Bild A-56). Der Wiirfel ist somit
811
III Grundlagen der mathematischen Statistik Testwert ;=21,4 ~ H o abJehnen
0,99
Bild A-56
o 3)
z
15,09
Nullhypothese H o : Poisson-Verteilung f(x)
= /lx . e-/L
x!
Schdtzwert fur den unbekannten Parameter (Mittelwert) u: u ~ {t =
Wir bilden 5 Klassen: X = 0, X = 1, X = 2, X = 3 und X
~
x=
1,45
4
Berechnung der theoretischen Wahrscheinlichkeiten:
°
Xi Pi
2
~4
3
0,2346
0,3401
0,2466
0,1192
0,0595
~
~
~
~
~
f(O)
f(1)
f(2)
f(3)
3
1-
L
f(i)
i=O
P(Z
27
0,2346
23,46
3,54
0,5341
2
31
0,3401
34,01
-3,01
0,2664
3
22
0,2466
24,66
-2,66
0,2869
4
12
0,1192
11,92
0,08
0,0005
5
8
0,0595
5,95
2,05
0,7063
= X2 ~ C)H = 1 - a = 0,95
°
F(c) = 0,95
f=k-l-r=3
Annahmebereich: z
z
=
) c
=
Z(O,95; 3)
= 7,81
X2 ~ 7,81
Testwert: = X2 = 1,7942 ~ H o wird beibehalten, d.h. nicht abgelehnt (Bild A-57). Die Zufallsvariable X geniigt einer Poisson-Verteilung mit dem (geschatzten) Parameter /l = 1,45 (Zumindest spricht die Stichprobe nicht dagegen).
812
Anhang B: Losungen der Ubungsaufgaben
z
Testwert = 1, 7942 ~ H o beibehalten
Bild A-57
o
4)
z
7,81
Nullhypothese
n;
Fo(x) = ¢ (
/1)
X -
-(j-
Die Parameter /1 und a sind unbekannt und werden aus der Stichprobe wie folgt geschdtzt: 8,81; a ~ s = 0,5563 (beide Werte in lj100km). Dabei wurden die folgenden Klassenmitten zugrunde gelegt: Xl == 7,75; 2 = 8,25; 3 = 8,75; 4 = 9,25; Xs = 9,75.
/1 ~ x =
x
x
Berechnung der Wahrscheinlichkeiten Pi (i
1. Klasse: P:
=
P(X < 8) = Fo(8)
2. Klasse: P2 = P(8
~
4. Klasse: P4 = P(9 5. Klasse: Ps
=
~
P(9,5
= 1, 2, ... , 5):
8 - 8,81) ¢ ( 0,5563 = ¢( -1,456) = 1 - ¢(1,456) = 0,0727
X < 8,5) = Fo(8,5) - Fo(8) = ¢(- 0,557) - ¢( -1,456) = 0,2160
X < 9) = Fo(9) - Fo(8,5)
=
¢(0,342) - ¢( - 0,557) = 0,3451
X < 9,5) = Fo(9,5) - Fo(9)
=
¢(1,240) - ¢(0,342) = 0,2587
~
3. Klasse: P3 = P(8,5
=
x
~ X
< (0)
=
1 - (Pl
+ P2 + P3 + P4) =
0,1075
8
0,0727
7,27
0,73
0,0733
2
20
0,2160
21,60
-1,60
0,1185
3
36
0,3451
34,51
1,49
0,0643
4
24
0,2587
25,87
-1,87
0,1352
5
12
0,1075
10,75
1,25
0,1453
P(Z =
X2
~
F (c) = 0,99
C)H
o
=
1 - rx = 0,99
f=k-l-r=2
) c=
Z(0,99; 2)
Annahmebereich: z = X2 ~ 9,21
=
9,21
III Grundlagen der mathematischen Statistik
813
Testwert: 2 = X2 = 0,5366 => H 0 wird beibehalten, d. h. nicht abgelehnt (Bild A-58). Der mittlere Benzinverbrauch X ist eine normalverteilte Zufallsgr6Be mit den (geschatzten) Parametern u = 8,811/100 km und (J = 0,55631/100 km (das Stichprobenmaterial gibt keinen AnlaB, diese Hypothese zu verwerfen). Testwert ; = 0,5366 ~ H o beibehalten
Bild A-58
o
Abschnitt 6 1)
a)
z
9,21
Sxy
y
= 1;
r = 0,6565
Streuungsdiagramm ("Punktwolke"): Bild A-59
• •
4
3 2
• • •
•
Bild A-59 2
b)
Sxy
= - 17,5;
r = - 0,9988
Streuungsdiagramm ("Punktwolke"): Bild A-60
3
4
5
x
y
20 15
•
• • •
10
•
5
Bild A-60
5
10
x
Anhang B: Losungen der Ubungsaufgaben
814 2)
r = 0,9866 Streuungsdiagramm: Bild A-61
y
kg
••
80
•• •
70
60
•
•
•• •
52
Bild A-61
170
165
si = 0,2887 Q2;
3)
s} = 448,21 CC)2;
4)
r = 0,9948 Streuungsdiagramm: Bild A-62
STR
180
175
= 11,34 °C Q;
r
L em
= 0,9974
L
Die Stichprobenpunkte liegen nahezu auf einer Geraden ~ Losungsansatz: L = aT + b
180
• •
150
•
•
100
• BUd A-62
70 20
5)
40
60
80
100
T
Die Randverteilungen (Wahrscheinlichkeitsfunktionen von X und Y) sind jeweils grau unterlegt. a)
'-v--'
12(Y)
III Grundlagen der mathematischen Statistik 1
1
1 1 E(Y) = - 1 . - + 1 . - = 0
E(X) = - 1 . - + 1 . - = O· 2 2 ' E(X' Y)
= -
815
2
2
1 1 1 1 1 . (-1) . 4: - 1 ·1 . 4: + 1 . (- 1) . 4: + 1 . 1 . 4: = 0
(JXY = E(X' Y) - E(X)' E(Y) = 0
~
Q= 0
X und Y sind somit unkorreliert. ( b)
~
12(Y)
322
2
E (X) = 0 . 5 + 1 . 5 = 5;
E(Y) =
322
o· 5 + 1 . 5 = 5;
E(X' Y) =
1
E(y 2 ) = 0 2
4
2 2
.2
+ 1 .5 = 5
32 2 + 12 . - = 555
. -
4
2
2
0·0· 3 + 0·1 '15 + 1 . 0'15 + 1 . 1 '15 = 15
(JXY = E(X . Y) - E(X) . E(Y) = 2
2 3
E(X ) = 0 . 5
2
2
~
15 -
2 2 2 5 . 5 = - 75
2 2 (2)2 6 5 =25;
(Jx=E(X )-(E(X)) =5-
(J 2 = E(Y 2) - (E(Y)) 2 = 2 - (2)2 = -6
5
y
5
25
2 (JXY 75 1 Q=--=--= -(Jx'(Jy 6 9
y
25 13
6)
= 1 ~ Sdmtliche MeBpunkte liegen aufeiner Geraden (Bild A-63).
r
10
Geradengleichung (Gerade durch zwei beliebige MeBpunkte!): y = 2x + 3 Ausgleichsgerade
5
Bild A-63 2
3
4
5
x
816
Anhang B: Losungen der Ubungsaufgaben
IV Fehler- und Ausgleichsrechnung Abschnitt 3 1)
a)
U = 80,9 V
b)
2)
a)
R
= 1140;
SR
Su = 0,35 V;
= 2,51 0;
S[J
SR=
=
Su J6 = 0,14 V
J8 = 0,89 n SR
Vertrauensintervalle: 11 = 950/0: R = (114 ± 2,1) 0 'Y2 = 990/0: R = (114 ± 3,1)0 b)
p=
1,012 bar;
Sp
Sp = 0,0009 bar
= 0,0026 bar;
Vertrauensintervalle: 11 = 950/0: p = (1,012 ± 0,002) bar 'Y2 = 99 %: p = (1,012 ± 0,003) bar
3)
9 = 9,81 m/s"; a)
Sg
a 1 = 5%, d. h.
11
= 0,02 m/s";
= 0,007 m/s?
Sg
= 95%
Vertrauensgrenzen:
± 0,017 m/s?
MeBunsicherheit: I1g = 0,017 m/s? ~ 0,02 m/s?
Mej3ergebnis: g = (9,81 b)
(X2
± 0,02) m/s '
= 10/0, d.h. 'Y2 = 990/0
Vertrauensgrenzen:
± 0,025 m/s?
MeBunsicherheit: I1g = 0,025 m/s? ~ 0,03 m/s '
Mej3ergebnis: g = (9,81 4)
SR
sR = ~
=0>
n>
± 0,03) m/s:'
(SR)2 sR = 49
Es sind also mindestens 49 Einzelmessungen durchzufiihren.
5)
Die Masse kann als eine normalverteilte Zufallsvariable X rnit dem Mittelwert f1 ~ iii = 105 und der Standardabweichung (J ~ Sm = 3 angesehen werden (beide Werte in g). Wir gehen zur
standardisierten Zufallsgrobc U
X -105
tiber und berechnen zunachst die benotigten 3 Wahrscheinlichkeiten nach Tabelle 1 im Anhang (Teil A). a)
=
Pi = P(103 ::;; X::;; 108) = P (
-~::;; U ::;; 1) = 1>(1) -1>(-D =
= 1>(1) + 1>(D - 1 = 0,5889
-+
npi = 58,89
~ 59
Rund 59 MeBwerte liegen zwischen 103 g und 108 g.
817
IV Fehler- und Ausgleichsrechnung
b)
pz =
=
P(X > 110)
~
np2 = 4,78
= p( D=
1 - Pt X.«; 110)
1-
U :;:;;
1-
0,0478
~5
Rund 5 MeBwerte liegen oberhalb von 110 g. 6)
T=4,015s;
MefJergebnis: T = (4,015 7)
± 0,063) s
s Vertrauensgrenzen: + t = + 1,001 - ~ -
MefJergebnis: x = 10,0 8)
sf=0,0302s
sT=0,1348s;
x=
+ 1,0
~
-
± 1,0 (J
21;
MeBunsicherheit:
~x
MefJergebnis (fur y = 95%): x = 21
= too
-= = 0,74 jn
± 0,74
Abschnitt 4 1)
T ist ein Potenzprodukt der unabhangigen Mebgrobcn m und D. Daher gilt nach Tabelle 2: T=2n·m 1 / 2 · D - 1 / 2
(C=2n; X=m; Y=D; a=1/2; /3=-1/2)
1;;I=JI~.~lz+1_~·~:lz~0,7% Die prozentuale M efJunsicherheit der Schwingungsdauer T betragt 0,7%. 2)
m = m(r; h; Q) = nr? hQ a)
iii = 57,73 kg
b)
mist ein Potenzprodukt der unabhangigen Mefigrolicn r, h und Q. Daher gilt nach Tabelle 2:
I ~m JI iii
1
=
2·
~r12 r +
1
1·
~h12 h + I1· ~Q12 Q = 7%
;
~ I· iii = 4,04 kg
Sm = 1
Die absolute M efJunsicherheit betragt 4,04 kg, die prozentuale 70/0.
3)
h = h(e; ex) = e . tan a;
h=
43,42 m
~h =JG:.~er +(:~ .~ar = (tan a. ~e)Z +(:~s~~r =2,27 m (A« ist dabei im BogenmafJ einzugeben!)
I~I = 0,052 ~ 5,2% Die absolute M efJunsicherheit der Turmhohe betragt 2,27 m, die prozentuale rund 5,2%.
Anhang B: Losungen der Ubungsaufgaben
818 4)
T
I~:I = 5%;
= 6,28 ms;
1~1=4%
T ist ein Potenzprodukt der unabhangigen Meligrofien Lund C. Daher gilt naeh Tabelle 2:
11 T = I1T T I . -T = 0,20 ms !
5)
V = V (a; b; c) = abc V ist ein Potenzprodukt der drei Mefigroben a, b und c. Daher gilt naeh Tabelle 2:
11VV I = 1
2
J 1
1· l1a a1
2
2
+ I 1· I1b b 1 + I 1· I1c C 1 = 5,2%
Die prozentuale Mej3unsicherheit des Quadervolumens betragt rund 5,20/0. 6)
R = 34,81 Q
a)
~R =
J(
2
(aR
T111)2 =
( Ii aR . su)2 + aI· M )2 = V0(I1U) au ~I + -
M ej3ergebnis: R = (34,81
1,57 Q
± 1,57) Q
I~I = 0,0451 ~ 4,5%
b)
Die prozentuale Mej3unsicherheit des Widerstandes betragt rund 4,50/0. 7)
b = (18,1
± 0,10) em;
h = (10,1
± 0,06) em;
W = 307,73 cm'
~w=JCa~·~br +Ca~·Mr =JGh2.~br +Gbh.~hr = 4,03 cm' W = (307,73 ± 4,03) cm' 8)
T
1,088 . 10- 4 s
=
I1T =
: )2 + (aT aT )2 + .-·I1C -·I1C )2 (-·I1L aL aC aC l
1
2
2
= 2,9 . 10- 6 s = 0,029 . 10- 4 s Mej3ergebnis: T = (1,088 ± 0,029) . 10- 4 s 9)
Jist ein Potenzprodukt der unabhangigen Meligrolsen m und R. Daher gilt naeh Tabelle 2:
Das Massentragheitsmoment laBt sieh mit einer Genauigkeit von 50/0 bestimmen.
IV Fehler- und Ausgleichsrechnung 10)
819
V=V(a)=a 3 V ist eine Potenzfunktion der unabhangigen Meligrobe (Kantenlange) a. Daher gilt nach Tabelle 2:
Id;I=JF¥r =3'I~al~3% = l~al~l% 11)
~z = J(~xf + (~y)2 = 0,28 ~ 0,3
Z = 10;
(nach Tabelle 2)
M ejJergebnis: z = 10 ± 0,3
Prozentuale M ejJunsicherheit der Grolsen x, y und z:
Id;1
=0,4%;
Id;1
= 0,5%;
Folgerung: Die prozentuale MeBunsicherheit der Differenzgrolie z = x - y ist urn rund eine Grobenordnung grojJer als die prozentualen Unsicherheiten der unabhangigen Mebgroben! 12)
a)
= 97,00;
~Rl
R2 = 41,50;
~R2
R1
= 0,370; = 0,380;
R1
=
(97,0 ± 0,37) 0
R 2 = (41,5 ± 0,38) 0 R = 29,060
b)
MejJergebnis: R = (29,06 ± 0,19) 0
Abschnitt 5 1)
a)
y
= - 1,445 x + 2,192 oder
y
y + 0,698 = - 1,445 (x - 2)
3
Ausgleichsgerade
mit MeBpunkten: Bild A-64
2
Ausgleichsgerade
Unsicherheiten
(Standardabweichungen) der beiden Parameter: sa = 0,029; Sb = 0,072 Restvarianz:
siest =
3
0,0086
-1
Unsicherheit der y- MeBwerte: SRest =
-2
0,093
-3
-4 BildA-64
4
x
820
Anhang B: Losungen der Ubungsaufgaben b)
y
= 0,987 x + 0,432 oder = 0,987 (x - 3,35)
y - 3,738
Ausgleichsgerade mit MeBpunkten: Bild A-65 Unsicherheiten (Standardabweichungen) der beiden Parameter: Sa = 0,054; Sb = 0,194 Restvarianz: s~est = 0,0443
y
Ausgleichsgerade
6
•
5
••
4
3
•
2
Unsicherheit der y- MeBwerte: sRest = 0,211
2
3.
5
4
Bild A-65
2)
a)
y = - 1,655 x + 2,55 oder y + 0,76 = - 1,655(x - 2)
y
Ausgleichsgerade mit MeBpunkten: Bild A-66
b)
Restvarianz: s~est = 0,017 Unsicherheit der y-MeBwerte: sRest
c)
= 0,130
Schdtzwerte: y(x y(x
Ausgleichsgerade
= - 1) ~ 4,21;
-1
= 4,5) ~ - 4,90 -5
Bild A-66
5
x
6
x
821
IV Fehler- und Ausgleichsrechnung 3)
a)
y = 0,0108 x - 2,5714
oder
y - 19 = 0,0108 (x - 2000)
L PS
Ausgleichsgerade
40
mit MeBpunkten: Bild A-67 b)
y(x
= 2150) = 20,6486
.Erwartctc" Motorleistung
~
30
20,65 PS 20
•
Ausgleichsgerade
•
10
• Bild A-67 1000
4)
x
3000
U/min
Der Korrelationskoeffizient r = 0,9997 liegt nahe bei 1, die MeBpunkte somit nahezu auf einer Geraden. Wir wahlen daher einen linearen Losungsansatz: y = ax + b. Losung: y
5)
2000
a)
= 2,464 x - 0,919 oder y - 5,242 = 2,464 (x - 2,5) (Bild A-68)
Der Korrelationskoeffizient r = 0,9948liegt nahe bei 1, die MeBpunkte somit nahezu auf einer Geraden (Bild A-69). Ausgleichsgerade: L
b)
= 1,036 T + 66,952 oder L - 118,767 = 1,036 (T - 50)
L(T = 30 °C) ~ 98,03 g pro 100 g Wasser;
L(T = 95 °C) ~ 165,37 g pro 100 g Wasser
y
L
•
180 10
150
• 5 Ausgleichsgerade
Ausgleichsgerade
100
70
2
Bild A-68
3
4
5
20
x
Bild A-69
40
60
80
100
T
822 6)
Anhang B: Losungen der Ubungsaufgaben Die MeBpunkte liegen nahezu auf einer Parabel (Bild A-70). Die Kurvenparameter des Losungsansatzes y = ax 2 + bx + c geniigen dabei dem folgenden linearen Gleichungssystem:
3123 a + 503 b + 87 c = 221 503 a + 87 b + 17 c = 33 87 a + 17 b + 5 c = 7 Liisung: a = 0,2442 b = - 1,4174 c = 1,9709
y 4
Ausgleichsparabel (Bild A-70): y
= 0,2442 x 2
-
1,4174 x
3
+ 1,9709
Ausgleichsparabel
Bild A-70 23456
7)
7
x
Gleichungssystem fur die Kurvenparameter a, b und c:
392399201 a + 3622893 b + 35549 c = 3739551,3 3622893 a + 35549 b + 387 c = 34960,9 387 b + 5c = 352,2 35 549 a + Liisung: a = 0,00917 b = - 0,05126 c = 9,23222
s m 150
Ausgleichsparabel (Bild A-71): s = 0,00917 v 2 - 0,05126 v + 9,23222 Bremsweg bei v = 90 kim: ~ 78,9 m
s
100
50
Ausgleichskurve
10
Bild A-71 10
50
100
v km/h
IV Fehler- und Ausgleichsrechnung 8)
823
v = cu + d y 1,629241
°
2
°
5
°
0,559616
0,559616
3
2
0,076961
4
0,153922
4
3
- 0,342490
9
-1,027471
4
Ausgleichskurve
3
2
c
= - 0,639785;
a = ed
d = 1,440510
= e 1,440510 ~
Ausgleichskurve: y
=
4,223;
b
= c ~ -
0,640 2
4,223 . e -O,640x
(Bild A-72) 9)
x
3
Bild A-72
v = cu + d
°
°
0,693147
1,131402
3
1,098612
4
5
2
c
°
°
1,722767
1,206949
1,892652
1,386294
2,208274
1,921812
3,061 318
1,609438
2,557227
2,590290
4,115699
= 1,583468;
a=e = d
b= c
~
0,480453
d = 0,007766
eO,007766 ~
0,784228
y
1,0078
1,5835
Ausgleichskurve: y = 1,0078 . X 1 , 5 8 3 5
10
(Bild A-73)
5 Ausgleichskurve
Bild A-73 2
3
4
5
x
Anhang B: Losungen der Ubungsaufgaben
824
10)
a)
ax + b
y = -- = a
x
b
1
x
x
+ -= b . - + a
1 Variablentransformation: u = x
ax + b y=-x
u=~
~
y=bu+a
-0,5 2
0,25
-1
3
-0,5
-0,5
0,5
5,6
5,6
4
0,5
3,8
0,25
1,9
5
0,25
3,3
0,0625
0,825
a = 2,4897;
b = 3,0059
Ausgleichskurve: y
2,4897 x + 3,0059 = -----x
(Bild A-74)
= 3) ~ 3,49
b)
y(x
c)
Verlauf der Ausgleichskurve:
y
6
Bild A-74 5 4
3 Ausgleichskurve
2
Bild A-74
-2
2 -1
3
4
x
825
Literaturhinweise
Formelsammlungen 1. 2.
Bronstein/Semendjajew: Taschenbuch der Mathematik. Deutsch, Thun - FrankfurtlM. Papula: Mathematische Formelsammlung fur Ingenieure und Naturwissenschaftler. Vieweg, Wiesbaden.
Aufgabensammlungen 1. 2. 3.
Minorski: Aufgabensammlung der Hoheren Mathematik. Vieweg, Wiesbaden. Papula: Mathematik fur Ingenieure und Naturwissenschaftler, Anwendungsbeispiele (5. Auflage). Vieweg, Wiesbaden. Papula: Mathematik fur Ingenieure und Naturwissenschaftler, Klausur- und Ubungsaufgaben, Vieweg, Wiesbaden.
Weiterfiihrende Literatur Vektoranalysis 1. 2.
Schark: Vektoranalysis fur Ingenieurstudenten. Deutsch, Thun - FrankfurtlM. Spiegel: Vektoranalysis. Mc Graw-Hill, New York.
Wahrscheinlichkeitsrechnung und Statistik 1. 2. 3. 4. 5. 6. 7. 8. 9.
10. 11. 12. 13.
Beyer u. a.: Wahrscheinlichkeitsrechnung und mathematische Statistik. Deutsch, Thun - FrankfurtlM. Blume: Statistische Methoden fur Ingenieure und Naturwissenschaftler. VDI, Dusseldorf. Bosch: Elementare Einfuhrung in die angewandte Statistik. Vieweg, Wiesbaden. Bosch: Elementare Einfuhrung in die Wahrscheinlichkeitsrechnung. Vieweg, Wiesbaden. Fisz: Wahrscheinlichkeitsrechnung und mathematische Statistik. Deutscher Verlag der Wissenschaften, Berlin. He inhold, Gaede: Ingenieur-Statistik. Oldenbourg, Munchen. Henze: Stochastik fur Einsteiger. Vieweg, Wiesbaden. Krengel: Einfuhrung in die Wahrscheinlichkeitstheorie und Statistik. Vieweg, Wiesbaden. Kreyszig: Statistische Methoden und ihre Anwendungen. Vandenhoeck und Ruprecht, Gottingen, Lipschutz: Wahrscheinlichkeitsrechnung. Mc Graw-Hill, New York. Spiegel: Statistik. Me Graw-Hill, New York. Stahel: Statistische Datenanalyse. Vieweg, Wiesbaden. Weber: Einfuhrung in die Wahrscheinlichkeitsrechnung und Statistik fur Ingenieure. Teubner, Stuttgart.
Fehler- und Ausgleichsrechnung 1. 2. 3. 4.
Hartwig: Einfuhrung in die Fehler- und Ausgleichsrechnung. Hanser, Munchen - Wien. Hiinsel: Grundzuge der Fehlerrechnung. Deutscher Verlag der Wissenschaften, Berlin. Ludwig: Methoden der Fehler- und Ausgleichsrechnung. Vieweg, Wiesbaden. Taylor: Fehleranalyse. Verlag Chemie, Weinheim.
826
Sachwortverzeichnis
abhangige Stichproben 564 Ablehnungsbereich 537, 542 Ableitung eines Vektors 4 ff. Ableitungsregeln fur Vektoren 8 Abnahmekontrolle 362, 545 f. absolute Haufigkeit 274 - - eines Stichprobenwertes 469 absolute Klassenhaufigkeit 475 - MeBabweichung 671 absoluter Fehler 671 abzahlbar-unendliche Ergebnismenge 267 Additionssatz fur beliebige Ereignisse 288f. - fur Mittelwerte 419 - fur sich gegenseitig ausschlieBende Ereignisse 283 - fur Varianzen 425 Alternativhypothese 535, 538 f., 598, 601 Annahmebereich 536,541 Anpassungstest 598 ff. Anteilswert 501 -, Schatzfunktion 494f., 502 -, Schatzwert 494f. -, Vertrauensintervall 530f. Approximation einer diskreten Verteilung durch die Normalverteilung 394ff. Aquipotentialflache 50 Arbeit eines Kraftfeldes 142ff., 163f. Arbeitsintegral143f., 163f. arithmetischer Mittelwert 658, 669 Ausgleichsgerade 629, 692, 696ff. Ausgleichskurven 627, 629f., 689ff. -, Losungsansatze 694 Ausgleichsparabel 629, 692, 710f. Ausgleichsrechnung 689 ff. axialsymmetrisches Vektorfeld 58, 60,.118f. Basisvektoren in Kugelkoordinaten 128, 130 - in Polarkoordinaten 95, 98 - in Zylinderkoordinaten 111 Baumdiagramm 301 Bayes'sche Formel 311 bedingte Wahrscheinlichkeit 290 f. Bereich, einfach-zusammenhangender 154 -, kritischer 537, 541 -, mehrfach-zusammenhangender 154 -, nicht-kritischer 536, 541 -, zweifach -zusammenhangender 154 Bereichsschatzung 488
Bernoulli-Experiment 346 Beschleunigungsvektor 9, 27 f. -, Normalkomponente 28f. -, Tangentialkomponente 28 f. Binomialverteilung 346 ff., 395 -, Approximation durch eine Normalverteilung 386 ff., 396 -, Approximation durch eine PoissonVerteilung 396 -, Kennwerte 352, 395 -, MaBzahlen 352, 395 -, Mittelwert 352, 395 -, Parameter 349,352,395 -, Standardabweichung 352, 395 -, Varianz 352, 395 -, Verteilungsfunktion 351f. -, Wahrscheinlichkeitsfunktion 349, 352, 395 Bogendifferential 14 Bogenelement 14 Bogenlange 12 ff. - einer ebenen Kurve 14 - einer Raumkurve 14 Breitenkoordinate 127 Chi-Quadrat-Test 601ff. Chi-Quadrat-Verteilung 435ff. -, Annaherung durch eine Normalverteilung 439 -, Dichtefunktion 435, 438 -, Freiheitsgrad 436, 438 -, Kennwerte 438 -, MaBzahlen 438 -, Mittelwert 437f. -, Parameter 436, 438 -, Standardabweichung 438 -, Tabelle der Quantile 738 -, Varianz 437f. -, Verteilungsfunktion 437f. de Morgansche Regeln 273 Dichtefunktion einer stetigen Verteilung 325, 328 - einer stetigen zweidimensionalen Verteilung 405f. Differentiation eines Vektors nach einem Parameter 4 ff. Differenzentest fur Mittelwerte 566, 573 f., 578ff. Differenzmenge 272
Sachwortverzeichnis disjunkte Menge 272 diskrete Verteilung 317ft. diskrete Zufallsvariable 315' - -, Erwartungswert 333 - -, Mittelwert 337 - -, Standardabweichung 337 - -, Varianz 337 diskrete zweidimensionale Wahrscheinlichkeitsverteilung 402f. Divergenz des Ortsvektors 76 - eines Geschwindigkeitsfeldes 74 - eines Vektorfeldes 75 - in Kugelkoordinaten 134 - in Polarkoordinaten 101 - in Zylinderkoordinaten 116 -, Rechenregeln 77 doppellogarithmisches Koordinatenpapier 715 Durchschnitt von Ereignissen 271 ebene Kurve 1f. ebenes Skalarfeld 50 - Vektorfeld 52 effiziente Schatzfunktion 491f. einfach-zusammenhangender Bereich 154 einseitiger Parametertest 543, 553, 561, 585, 591 elektrisches Feld einer Punktladung 69f., 138ff. eines geladenen Drahtes 161f. - - eines homogen geladenen Zylinders 58f., 78f., 119f., 217ff. Elektronen im Magnetfeld 3 f., 10f., 16, 164f. Elementarereignis 262, 264f., 267 empirische Kovarianz 615 - Restvarianz 705, 708 - Wahrscheinlichkeitswerte 284 empirischer Korrelationskoeffizient 615, 704, 707 - Mittelwert 480 endliche Ergebnismenge 267 - Grundgesamtheit 466 Ereignis 268 -, Durchschnitt von Ereignissen 271 -, Elementarereignis 262, 264f., 267 -, komplementares 271 -, sicheres 269 -, unmogliches 269 -,. Vereinigung von Ereignissen 271 -, zusammengesetztes 270 Ereignisbaum 301 Ereignismenge 262, 264f., 267 -, abzahlbar-unendliche 267 -, endliche 267 Ereignisraum 268 Erfolgswahrscheinlichkeit 353, 501 Ergiebigkeit 173
827 erwartungstreue Schatzfunktion 491f. Erwartungswert 332 - einer diskreten Zufallsvariablen 333 - einer Funktion 336 - einer stetigen Zufallsvariablen 334 Euler-Venn-Diagramm 271 exponentialverteilte Zufallsvariable 330f., 335, 342f. Fehler 645 f. - 1. Art 544 - 2. Art 544, 546 -, absoluter 671 -, grober 646 -, mittlerer Fehler der Einzelmessung 662 -, mittlerer Fehler des Mittelwertes 662 -, prozentualer 671 -, relativer 671 -, scheinbarer 658 -, statistischer 646f. -, systematischer 646f. -, wahrer 645 -, zufalliger 646f. Fehlerarten 646 Fehlerfortpflanzung 678ff. Fehlerfortpflanzungsgesetz nach GauB 678ff. Fehlerrechnung 645ff. Feldlinie 52f. Flache vom Typ z == f(x; y) 43ff., 67ff. -, Normaleneinheitsvektor 38 -, Ortsvektor 33 -, Parameterlinien 31 -, Tangentialebene 38f., 68 -, Vektordarstellung 31ff. Flachen im Raum 31 ft. Flachenelement 41ff. - auf dem Zylindermantel 109 - auf der Kugeloberflache 126 -, orientiertes 173 -, vektorielles 167 Flachenintegral 173 Flachenkurven 35 f. Flachennormale 37 ff. FluB 173 - eines homogenen Vektorfeldes 191ff. - eines kugelsymmetrischen Vektorfeldes 198ff. - eines zylindersymmetrischen Vektorfeldes 195ff. FluBintegral 170, 173 Gamma-Funktion 436 -, Rekursionsformeln 440 GauBsche Glockenkurve 369, 652 - Methode der kleinsten Quadrate 629, 658, 691, 696, 710
828 GauBsche Normalverteilung 367ff., 652ff. - -, Dichtefunktion 367 f. - -, Erwartungswert 367 - -, Kennwerte 368 - -, MaBzahlen 368 - -, Mittelwert 367f. - -, Parameter 367 f. - -, Standardabweichung 367 f. - -, Symmetriezentrum 369 - -, Varianz 367 f. - -, Verteilungsfunktion 368 - -, zweidimensionale 408ff. GauBscher Integralsatz 203 f. - - in der Ebene 207 GauBschesFehlerfortpflanzungsgesetz 678 ff. - Fehlerintegral 371 gemeinsame Verteilung 398, 401 geordnete Stichprobe 262 Geschwindigkeitsfeld auf einer Kugeloberflache 135 f. - einer Strornung 71 - einer rotierenden Scheibe 83 f. Geschwindigkeitsvektor 9, 27 - bei einer gleichformigen Kreisbewegung 103ff. - in Zylinderkoordinaten 120 f. -, Normalkomponente 27f. -, Tangentialkomponente 27 f. Gradient eines Skalarfeldes 61 - in Kugelkoordinaten 134 - in Polarkoordinaten 101 - in Zylinderkoordinaten 115 -, Rechenregeln 64 Gravitationsfeld der Erde 57, 138 Grenzen, kritische 536, 540 f. Grenzwertsatz von Moivre-Laplace 434 -, zentraler 431 grober Fehler 646 Grundgesamtheit 466 -, endliche 466 -, unendliche 466 gruppierte Stichprobe 473 f. halblogarithmisches Koordinatenpapier 714 harmonische Funktion 89 Haufigkeit eines Stichprobenwertes, absolute 469 - eines Stichprobenwertes, relative 469 -, absolute 274 -, relative 274 Haufigkeitsfunktion 469 f. - einer gruppierten Stichprobe 475, 477 Haufigkeitsverteilung einer gruppierten Stichprobe 477 - einer MeBreihe 649 - einer Stichprobe 470 Hauptnormaleneinheitsvektor 16 ff.
Sachwortverzeichnis Hauptwert eines Winkels 94 Histogramm 475 - einer MeBreihe 649 homogenes Vektorfeld 55, 60 Hiillenintegral 173 hypergeometrische Verteilung 357 ff., 395 - -, Approximation durch eine Binomialverteilung 396 - -, Approximation durch eine Poisson-Verteilung 396 - -, Approximation durch eine Normalverteilung 396 - -, Kennwerte 360, 395 - -, MaBzahlen 360, 395 - -, Mittelwert 360, 395 - -, Parameter 359,395 - -, Standardabweichung 360, 395 - -, Varianz 360, 395 - -, Verteilungsfunktion 359 - -, Wahrscheinlichkeitsfunktion 359, 395 Hypothese 538 -, statistische 538 indirekte MeBgroBe 677 Integrabilitatsbedingungen 153 Integralsatz von GauB 203 f., 207 - von Stokes 210ff. Intervallschatzung 488 Irrtumswahrscheinlichkeit 510f., 535, 540 Kennwerte einer gruppierten Stichprobe 485 - einer Stichprobe 479 ff. - einer Wahrscheinlichkeitsverteilung 332 Klasse 473 Klassenmitte 474 klassische Definition der Wahrscheinlichkeit 277 Kombinationen 253 ff. - mit Wiederholung 255 f., 262 - ohne Wiederholung 253 ff., 262 Kombinatorik 249ff. komplementares Ereignis 271 Konfidenzgrenzen 510 Konfidenzintervall 488, 510f. Konfidenzniveau 510f. konkrete Stichprobe 490 konservatives Vektorfeld 152 - -, Eigenschaften 156 konsistente Schatzfunktion 491 f. Konsumentenrisiko 546 Kontrollgrenzen 594 Kontrollkarte 597 Koordinatenlinien einer Flache 31 Koordinatenpapier, doppellogarithmisches 715 -, halblogarithmisches 714 Korrelation 614 Korrelationskoeffizient 624 -, empirischer 615
Sachwortverzeichnis korrelierte Stichproben 564 korrigierter Mittelwert 670 Kovarianz 624 -, empirische 615 Kraftfeld 143 Kriterium fur die Wegunabhangigkeit eines Linien- oder Kurvenintegrals 153 kritische Grenzen 536, 540 f. kritischer Bereich 537, 541 - Wert 536 Kriimmung einer ebenen Kurve 23 - einer Ellipse 25 - einer Kurve 22 f. - einer Schraubenlinie 26 - eines Kreises 25 Kriimmungsradius 22 f. - einer Schraubenlinie 26 - eines Kreises 25 Kugelkoordinaten 123 ff. kugelsymmetrisches Vektorfeld 56 f., 60, 136 f., 159f. Kurve, Bogenlange 12 ff. -, ebene If. -, Hauptnormaleneinheitsvektor 16 ff. -, Kriimmung 21 ff. -, Kriimmungsradius 22f. -, natiirliche Darstellung 20 -, Ortsvektor 1 f. -, Parameterdarstellung 1 f. -, raumliche 1 f. -, Tangenteneinheitsvektor 16ff. -, Tangentenvektor 5 f. Kurvenintegral 145 - langs einer geschlossenen Linie 146 -, Berechnung 147,149 -, wegunabhangiges 153 Kurvenkrummung 21 ff. Lageparameter 480 Langenkoordinate 127 Laplace-Experiment 274 Laplace-Feld 90 Laplace-Gleichung 88 f. Laplace-Operator 88 f. - in Kugelkoordinaten 134 - in Polarkoordinaten 101 - in Zylinderkoordinaten 116 Laplace-Raum 276 leere Menge 268 f. Likelihood-Funktion 498 -, logarithmierte 500 line are Regression 629 lineares Ausgleichsproblem 696 ff. Linienelement 14 - in Kugelkoordinaten 127 - in Zylinderkoordinaten 109
829 Linienintegral 145 - langs einer geschlossenen Linie 146 -, Berechnung 147,149 -, wegunabhangiges 153 Linkskriimmung 23 logarithmierte Likelihood-Funktion 500 Magnetfeld eines stromdurchflossenen linearen Leiters 54f., 160f., 222ff. Mantelflache eines Rotationsparaboloids 33, 40 - eines Zylinders 34, 36 . MaBzahlen einer Stichprobe 479 ff. - einer Wahrscheinlichkeitsverteilung 332 mathematische Stichprobe 490 Maximum-Likelihood-Methode 498ff. Maximum-Likelihood-Schatzfunktion 499 Maxwellsche Gleichungen 79,118 Medianwert 480 mehrfach-zusammenhangender Bereich 154 mehrstufiges Zufallsexperiment 300 Menge, Differenzmenge 272 -, disjunkte 272 -, Ergebnismenge 262, 264 f., 267 -, leere 268f. -, Restmenge 272 Merkmalswert 467 MeBabweichung 645 f. -, absolute 671 -, prozentuale 671 -, relative 671 -, statistische 646 f. -, systematische 646 f. -, zufallige 646 f. MeBergebnis 667, 669 - fur eine indirekte MeBgroBe 683 MeBfehler 434, 645 MeBreihe 645 Mebunsichcrhcit 668 f., 683 f. - bei einer indirekten MeBgroBe 683 -, systematische Komponente 670 -, Zufallskomponente 670 MeBwert 645 Mittelwert 332, 658 f., 669 - einer diskreten Zufallsvariablen 337 - einer gruppierten Stichprobe 485 - einer indirekten MeBgroBe 677, 683 - einer linearen Funktion 344 - einer MeBreihe 658 f., 669 - einer stetigen Zufallsvariablen 341 - einer Stichprobe 480, 483 -, arithmetischer 658, 669 -, empirischer 480 -, korrigierter 670 -, Schatzfunktion 490, 492, 495, 506 -, Schatzwert 490, 492, 495, 506
830 -, Vertrauensbereich 665 f. -, Vertrauensgrenzen 665 -, Vertrauensintervall 515, 520, 534 Mittelwerte, Additionssatz 419 -, Multiplikationssatz 421 mittlerer Fehler der Einzelmessung 662 - - des Mittelwertes 662 Modalwert 480 Multiplikationssatz der Wahrscheinlichkeitsrechnung 293 - fur Mittelwerte 421 - fur stochastisch unabhangige Ereignisse 297 Nabla-Operator 62 naturliche Darstellung einer Kurve 20 nicht-kritischer Bereich 536, 541 nicht-lineare Regression 629 - Ausgleichsprobleme 714 ff. - Ausgleichsprobleme, Losungsansatze 716 Niveauflache 50 Niveaulinie 50 Normaleinheitsvektor einer Flache 38 Normalgleichungen 694f., 697, 711 Normalkomponente des Beschleunigungsvektors 28f. - des Geschwindigkeitsvektors 27 f. normalverteilte Melsgrobe 651 ff, Null-Eins-Verteilung 353 Nullhypothese 535, 538f., 598, 601 Oberflachenintegral 170, 172 - in Flachenparametern 186 f. -, Berechnung 174 Operationscharakteristik 546 optimale Schatzfunktion 492 orientierte Flache 173 orientiertes Flachenelernent 173 Ortsvektor einer ebenen Kurve 2 - einer Flache im Raum 33 - einer Mittelpunktsellipse 24 f. - einer raumlichen Kurve 2 Parallaxenfehler 646 Parameterdarstellung einer KurveI f. Parameterkurven einer Flache 31 Parameterlinien einer Flache 31 Parameterschatzung 487 ff. Parametertest, einseitiger 543, 553, 561, 585, 591 -, Planung und Durchfuhrung 539 ff. -, zweiseitiger 539 Parametertests 534 ff. Permutationen 251 f. Pfad 301 Pfadregeln 302 Poisson-Gleichung 89
Sachwortverzeichnis Poisson- Verteilung 363 ff., 395 -, Approximation durch eine Normalverteilung 396 -, Kennwerte 364, 395 -, MaBzahlen 364, 395 -, Mittelwert 363 f., 395 -, Parameter 363 f., 395 -, Standardabweichung 364,395 -, Varianz 363f., 395 -, Verteilungsfunktion 363 f. -, Wahrscheinlichkeitsfunktion 363 f., 395 Polarkoordinaten 93 -, raumliche 127 Potential 89, 152 Potentialfeld 152 Potentialfunktion 89, 152 Potentialgleichung 89 - .des elektrischen Feldes 92 Produktregeln 8 Produzentenrisiko 545 prozentuale MeBabweichung 671 prozentualer Fehler 671 Pruffunktion 543 Prufgrofse 543 Prufvariable 540 Prufverteilungen 435 ff. Prufwert 541 Punktschatzung 488 Punktwolke 629, 693 Qualitatskontrolle 593 ff. Quantile der Chi-Quadrat-Verteilung 738 - der Standardnormalverteilung 385, 736 - der t-Verteilung 740 Quelldichte 75 Quelle 74f. quellenfreies Vektorfeld 85 f. Ouellstarke 75 radialsymmetrisches Vektorfeld 56 f., 60, 136 f., 159f. radioaktiver Zerfall 365 f., 489, 503 f. Randverteilungen 400, 403, 406 raumliche Kurve 1 f. raumliches Skalarfeld 50 - Stabdiagramm 399 - Vektorfeld 52 Rechenregeln fur Divergenzen 77 - fur Gradienten 64 - fur Rotationen 83 Rechtskrummung 23 Regression 627 -, line are 629 -, nicht-lineare 629 Regressionsgerade 629, 692, 696 ff. Regressionskoeffizient 698, 704, 707
Sachwortverzeichnis Regressionskurven 627, 629f., 689ff. Regressionsparabel 629,692, 710f. relative Haufigkeit 274 - - eines Stichprobenwertes 469 - -, Eigenschaften 282 relative Klassenhaufigkeit 475 - MeBabweichung 671 relativer Fehler 671 Restmenge 272 Richtungsableitung 65f. ringformiges Magnetfeld 117 f. Rollkurve 15 Rotation des Ortsvektors 81 - eines Vektorfeldes 80 - in Kugelkoordinaten 134 - in Polarkoordinaten 101 - in Zylinderkoordinaten 116 -, Rechenregeln 83 Schatzfunktion fur den Mittelwert 490, 492, 495,506 - fur die Standardabweichung 494, 496 - fur die Varianz 493, 495 - fur einen Anteilswert 494f., 502 - fur einen unbekannten Parameter 488ff. -, effiziente 491f. -, erwartungstreue 491 f. -, konsistente 491f. -, Maximum-Likelihood-Schatzfunktion 499 -, optimale 492 -, wirksame 491f. Schatzwert fur den Mittelwert 490,492,495,506 - fur den Parameter der Exponentialverteilung 496 - fur den Parameter der Poisson-Verteilung 496,502f. - fur den Parameter p der Binomialverteilung 494, 496, 500 ff. - fur die Parameter der GauBschen Normalverteilung 496, 506 - fur die Varianz 493,495 - fur einen Anteilswert 494f., 496,500ff. - fur einen unbekannten Parameter 488 ff. scheinbarer Fehler 658 Scheinkorrelation 620, Schiefer Wurf 2 f., 10 Schraubenlinie 3, 25 f., 121f. Schwerpunkt einer Punktwolke 700 Senke 74f. sicheres Ereignis 269 Signifikanzniveau 540 Signifikanztest 549 Signifikanzzahl 535, 540 Skalarfeld 49f. - in Kugelkoordinaten 134 - in Polarkoordinaten 100 - in Zylinderkoordinaten 115
831 -, ebenes 50 -, Gradient 61 -, raumliches 50 -, stationares 50 Sollwert 593 Spannweite einer Stichprobe 469 Stabdiagramm 275, 318, 399, 469 -,raumliches 399 Standardabweichung 332 - des Mittelwertes einer MeBreihe 660f., 669 - einer diskreten Zufallsvariablen 337 - einer MeBreihe 659, 661, 669 - einer stetigen Zufallsvariablen 341 - einer Stichprobe 480 -, Schatzfunktion 494, 496 standardisierte Zufallsvariable 346 standardnormalverteile Zufallsvariable 370 Standardnormalverteilung 370ff. -, Berechnung von Wahrscheinlichkeiten 374ff. -, Dichtefunktion 370 -, Mittelwert 370 -, Parameter 370 -, Quantile 385, 736 -, Standardabweichung 370 -, Tabelle der Quantile 736 -, Tabelle der Verteilungsfunktion 734 -, Verteilungsfunktion 370, 734 Standardtransformation 346 stationares Skalarfeld 50 statistisch unabhangige Ereignisse 297 statistische Hypothese 538 - Kennwerte 479ff. - Prufverfahren fur die 'unbekannte Verteilungsfunktion einer Wahrscheinlichkeitsverteilung 598ff. - Prufverfahren fur unbekannte Parameter einer Wahrscheinlichkeitsverteilung 534ff. - Schatzmethoden fur unbekannte Parameter einer Wahrscheinlichkeitsverteilung 487ff. - Wahrscheinlichkeitswerte 284 .statistischer Fehler 646 f. stetige Verteilung 325ff. stetige Zufallsvariable 315 - -, Erwartungswert 334 - -, Mittelwert 341 - -, Standardabweichung 341 - -, Varianz 341 stetige zweidimensionale Wahrscheinlichkeitsverteilung 405f. Stetigkeitskorrektur 389, 392f. Stichprobe 250, 466 f. -, geordnete 262 -, gruppierte 473 f. -, Haufigkeitsfunktion 469f., 475,477 -, Haufigkeitsverteilung 470, 477 -, Kennwerte 479ff., 485
832 -, konkrete 490 -, MaBzahlen 479ff., 485 -, mathematische 490 -, Mittelwert 480, 483, 485 -, Standardabweichung 480 -, Summenhaufigkeitsfunktion 471 f. -, ungeordnete 262 -, Varianz 480, 483, 485 -, Verteilungsfunktion 471f., 476 Stichproben, abhangige 564 -, korrelierte 564 -, unabhangige 564 -, verbundene 564 Stichprobenfunktion 490 Stichprobenmittelwert 480 Stichprobenpunkte 614 Stichprobenwert 467 stochastisch unabhangige Ereignisse 297 - - Zufallsvariable 411 Stokes'scher Integralsatz 210ff. Streuungsdiagramm 614,693 StreuungsmaB 338 Summe von stochastisch unabhangigen und normalverteilten Zufallsvariablen 427 Summenhaufigkeitsfunktion einer Stichprobe 471f. Summenregel 8 Symmetriezentrum einer Wahrscheinlichkeitsverteilung 338, 341 systematische Abweichung 646f. - Komponente der MeBunsicherheit 670 systematischer Fehler 646f. t-Verteilung von "Student" 440ff. -, Approximation durch die Standardnormalverteilung 443 -, Dichtefunktion 440, 442 -, Freiheitsgrad 440, 442 -, Kennwerte 442 -, MaBzahlen 442 -, Mittelwert 441 f. -, Parameter 440,442 -, Tabelle der Quantile 740 -, Varianz 441f. -, Verteilungsfunktion 441f. Tangenteneinheitsvektor 16ff. Tangentenvektor 5 f. - einer ebenen Kure 6 - einer Flachenkurve 36 - einer Raumkurve 6 Tangentenvektoren an die Koordinatenlinien 33 Tangentialebene 38f., 68 Tangentialkomponente des Beschleunigungsvektors 28 f. - des Geschwindigkeitsvektors 27f.
Sachwortverzeichnis Test fur den Mittelwert einer Normalverteilung (bei bekannter Varianz) 552f. - fur den Mittelwert einer Normalverteilung (bei unbekannter Varianz) 559f. - fur die Gleichheit der Mittelwerte zweier Normalverteilungen 566, 573f., 578f. - fur die Varianz einer Normalverteilung 583f. - fur einen Anteilswert 589f. Testfunktion 543 Testgrofse 543 Testvariable 540 Testverteilungen 435ff. Testwert 541 Toleranzbereich 594 Toleranzgrenzen 594 tot ale Wahrscheinlichkeit 308 ff. Trennscharfe 548 Treppenfunktion 317, 319, 472, 476 Umlaufspannung 162 unabhangige Stichproben 564 unendliche Grundgesamtheit 466 ungeordnete Stichprobe 262 unkorrelierte Zufallsvariable 624 unmogliches Ereignis 269 Urnenmodell 249f. Varianz 332 - einer diskreten Zufallsvariablen 337 - einer gruppierten Stichprobe 485 - einer linearen Funktion 345 - einer stetigen Zufallsvariablen 341 - einerStichprobe 480, 483 -, Additionssatz 425 -, Schatzfunktion 493, 495 -, Schatzwert 493, 495 -, Vertrauensintervall 525 f. Varianzfortpflanzungsgesetz 680f. Variationen 258ff. - mit Wiederholung 259f., 262 - ohne Wiederholung 258f., 262 Vektordarstellung in Kugelkoordinaten 129f. - in Polarkoordinaten 97 ff. - in Zylinderkoordinaten 112f. Vektorfeld 48, 52 - in Kugelkoordinaten 134 - in Polarkoordinaten 100 - in Zylinderkoordinaten 115 -, axialsymmetrisches 58, 60, 118£. ~,Divergenz 75 -, ebenes 52 -, homogenes 55, 60 -, konservatives 152 -, kugelsymmetrisches 56 f., 60, 136f., 159f. -, quellenfreies 85 f.
Sachwortverzeichnis -, radialsymmetrisches 56f., 60, 136f., 159f. -, raumliches 52 -, Rotation 80 -, Wirbeldichte 80 -, wirbelfreies 80 -, zylindersymmetrisches 58, 60, 118f. Vektorfunktion 2 vektorielle Darstellung einer Flache 31 ff. vektorielles Flachenelement 167 Vektorpotential 85 verbundene Stichproben 564 Vereinigung von Ereignissen 271 Verteilung, Binomialverteilung 346 ff., 395 -, Chi-Ouadrat-Verteilung 435ff. -, diskrete 317ff. -, GauBsche Normalverteilung 367ff. -, gemeinsame 398, 401 -, hypergeometrische 357ff., 395 -, Null-Eins-Verteilung 353 -, Poisson-Verteilung 363 ff., 395 -, Prufverteilung 435 ff. -, Randverteilung 400, 403, 406 -, Standardnormalverteilung 370ff. -, stetige 325ff. -, t-Verteilung 440ff. -, Testverteilung 435ff. -, Weibull-Verteilung 332 -, zweidimensionale 398, 400 Verteilungsfunktion einer diskreten Zufallsvariablen 319 - einer diskreten zweidimensionalen Verteilung 403 - einer gruppierten Stichprobe 476 - einer stetigen Verteilung 328 - einer stetigen zweidimensionalen Verteilung 405f. - einer Stichprobe 471 f. - einer Zufallsvariablen 316 - einer zweidimensionalen Zufallsvariablen 401 Verteilungstabelle 469 -, zweidimensionale 398, 402 Verteilungstest 598 ff. Vertrauensbereich fur den Mittelwert einer MeBreihe 665f. Vertrauensgrenzen fur den Mittelwert einer MeBreihe 665 Vertrauensintervall 488, 510f. - fur den Mittelwert einer beliebigen Verteilung 534 - fur den Mittelwert einer Normalverteilung (bei bekannter Varianz) 515 - fur den Mittelwert einer Normalverteilung (bei unbekannter Varianz) 520 - fur die Varianz einer Normalverteilung 525f. - fur einen Anteilswert 530 f.
833 Vertrauensniveau 510f. Verwerfungsbereich 542 Verzweigungspunkt 301 Vertrauensgrenzen 510 Volumenelement in Kugelkoordinaten 127 - in Zylinderkoordinaten 110 Vorlaufstichprobe 594 wahrer Fehler 645 Wahrscheinlichkeit bei einem Laplace-Experiment 276 -, Additionssatz 283, 288f. -, Axiome von Kolmogoroff 282 f. -, bedingte 290f. -, klassische Definition 277 -, Multiplikationssatz 293, 297 -, totale 308ff. Wahrscheinlichkeitsaxiome von Kolmogoroff 282f. Wahrscheinlichkeitsdiagramm 318 Wahrscheinlichkeitsdichtefunktion 325 Wahrscheinlichkeitsfunktion einer diskreten Verteilung 318f. - einer diskreten zweidimensionalen Verteilung 402f. Wahrscheinlichkeitsraum 285 f. Wahrscheinlichkeitsregeln fur ein mehrstufiges Zufallsexperiment 302 Wahrscheinlichkeitsverteilung einer diskreten Zufallsvariablen 317ff. - einer stetigen Zufallsvariablen 325ff. - einer Summe von Zufallsvariablen 432 f. - von mehreren Zufallsvariablen 397 -, zweidimensionale 400ff. Weibull-Verteilung 332 Wirbeldichte eines Vektorfeldes 80 Wirbelfeld 80 Wirbelf1uB 211 wirbelfreies Vektorfeld 80, 86f. wirksame Schatzfunktion 491 f. Wurf einer Munze 272, 274, 286ff., 298 f., 346f., 404,538 - mit einem Wurfel 262 f., 267 f., 269, 272, 277 f., 289f., 313, 315, 320, 333 f., 599ff., 607f. - mit zwei Wurfeln 261, 263 f., 278 f., 292, 313f., 321 f., 339f., 418, 420, 422ff., 462 Wurfparabel 2 1
zentraler Grenzwertsatz 431 Zentralfeld 56£., 60, 136f., 159f. Zentralwert 480 Zentripetalbeschleunigung 28 Ziehung mit Zurucklegen 250, 255, 259, 265f. - ohne Zurucklegen 249, 254, 258f. Zirkulation 146
834 zufallige Abweichung 646 f. zufalliger Fehler 646 f. Zufallsexperiment 263 ff., 266 -, mehrstufiges 300 Zufallsgrofse 315 Zufallskomponente der MeBunsicherheit 670 ZufallsprozeB 300 Zufallsstichprobe 467 Zufallsvariable 315 -, diskrete 315 -, exponentialverteilte 330f., 335, 342f. -, standardisierte 346 -, standardnormalverteilte 370 -, stetige 315 -, stochastisch unabhangige 411 -, unkorrelierte 624 -, Verteilungsfunktion 316 -, zweidimensionale 398, 401
Sachwortverzeichnis Zufallsvektor, zweidimensionaler 401 zusammengesetztes Ereignis 270 zweidimensionale Normalverteilung 408 ff. - Verteilung 398, 400 - Verteilungstabelle 398, 402 - Wahrscheinlichkeitsverteilung 400 ff. - Wahrscheinlichkeitsverteilung, diskrete 402f. - Wahrscheinlichkeitsverteilung, stetige 405 f. - Zufallsvariable 398, 401 zweidimensionaler Zufallsvektor 401 zweifach-zusammenhangender Bereich 154 Zweig 301 zweiseitiger Parametertest 539 Zykloide 15 Zylinderkoordinaten 106ff. zylindersymmetrisches Vektorfeld 58, 60, 118f.