Wahrscheinlichkeit und radioaktiver Zerfall

Der radioaktive Zerfall eines Atomkerns ist ein völlig zufälliger Prozess. Wir können nicht vorhersagen, wann ein bestimmter Kern zerfallen wird. Daher wissen wir auch nicht genau, wann noch wie viele Kerne nicht zerfallen sind.

Andererseits hat fast jeder in der Oberstufe das radioaktive Zerfallsgesetz

N(t)=N_0\cdot e^{-\lambda\cdot t}

kennengelernt. Dabei ist N_0 die Zahl der zu Beginn vorhandenen Kerne, N(t) die Anzahl der zur Zeit t noch nicht zerfallenen Kerne und \lambda>0 ist die Zerfallskonstante des Materials. Das ist ein exakter funktionaler Zusammenhang.

Wie kann ein völlig zufälliger Vorgang zu einem exakten Gesetz führen?

Weiterlesen „Wahrscheinlichkeit und radioaktiver Zerfall“

Konfidenzintervalle für den Mittelwert der Grundgesamtheit

Wenn man sich für eine bestimmte Eigenschaft X einer (großen) Grundgesamtheit interessiert, könnte man natürlich hergehen, und sie tatsächlich für alle Angehörigen der Grundgesamtheit messen. Man könnte also z.B. bei jeder Schweißnaht prüfen, bei welcher Kraft sie wirklich reißt, oder jede Woche alle Wähler befragen, wen sie denn wählen möchten, oder …

Wie die obigen Beispiele zeigen, kann man das, was man von Allen wissen will, praktisch eben nicht immer an Allen messen.

Vielleicht ist das Messverfahren zerstörend, oder es ist zu teuer, oder man ist einfach zu faul. In solchen Fällen zieht man eine (kleine) Stichprobe aus der Grundgesamtheit und macht die Messungen nur in dieser Probe. Die Preisfrage lautet jetzt natürlich: Was können wir aus unseren Ergebnissen in der Stichprobe über die Grundgesamtheit aussagen?

Weiterlesen „Konfidenzintervalle für den Mittelwert der Grundgesamtheit“

Wozu Mittelwerte?

Angenommen, man hat eine Messgröße, die man durch eine Zufallsvariable X modellieren kann. Der Erwartungswert von X sei \mu und die Standardabweichung sei \sigma.

Misst man diese Messgröße mehrfach, wird man voraussichtlich verschiedene Werte erhalten, deren Streuung durch die Verteilung von X modelliert wird.

Berechnet man den Mittelwert \bar{x} dieser n Messungen, kann man ihn durch die Zufallsvariable \overline{X} modellieren. Wenn die Messungen alle voneinander unabhängig waren, gilt für den Erwartungswert des Mittelwertes

\mathscr{E}(\overline{X}) = \mathscr{E}(X) = \mu

und für die Standardabweichung (»Standardfehler«) des Mittelwertes

\displaystyle\mathscr{S}(\overline{X}) = \frac{\mathscr{S}(X)}{\sqrt{n}} = \frac{\sigma}{\sqrt{n}}\,.

Diese Formeln gelten unabhängig von der konkreten Verteilung von X; die zweite wird oft auch als »Wurzel-n-Gesetz« bezeichnet.

Weiterlesen „Wozu Mittelwerte?“