Wahrscheinlichkeitsverteilungen

Jede Zufallsvariable hat eine Gestalt: Gleichverteilung, Normalverteilung, Poisson-Verteilung — jede Familie fängt eine andere Sorte von Zufall ein. Dieses Bestiarium zu kennen ist der größte Teil dessen, was statistische Intuition heißt.

Als Nächstes empfohlen → Erwartungswert · MATH · T5

Der Beitrag

Die Wahrscheinlichkeitsrechnung besitzt ein Bestiarium. Wer seine Geschöpfe benennen will, braucht zweierlei: die Zufallsvariable — eine Größe, über deren Wert der Zufall entscheidet — und ihre Verteilung, die vollständige Zuordnung von Ausgängen zu Wahrscheinlichkeiten. Jede benannte Verteilung ist eine eigene Gestalt des Zufalls, zugeschnitten auf eine bestimmte Sorte von Vorgang. Die Gleichverteilung gewichtet jeden Wert gleich — das Bild vollkommener Unwissenheit. Die Binomialverteilung zählt Erfolge in einer festen Anzahl von Versuchen, die Poisson-Verteilung Ankünfte in einem Zeitfenster; die Exponentialverteilung misst die Wartezeit dazwischen. Die Normalverteilung zeigt, wie Mittelwerte auszusehen pflegen — jene Gestalt, die sich einstellt, wo viele kleine unabhängige Einflüsse zusammenkommen. Das Potenzgesetz schließlich beschreibt die Ungleichheit: eine Welt, in der wenige Extreme alles Übrige überwiegen. Jede dieser Formen hat ihre eigene Ikonographie — die Glocke, der lange Ausläufer, die schmale Spitze —, und dieses Bestiarium zu kennen ist der größte Teil dessen, was man „statistische Intuition“ nennt.

Eine Wahrscheinlichkeitsverteilung beschreibt das Verhalten einer Zufallsvariablen vollständig — ein Rezept, das jedem möglichen Wert seine Wahrscheinlichkeit zuweist. Bei diskreten Zufallsvariablen leistet das die Wahrscheinlichkeitsfunktion p(x): Sie ordnet jedem Wert eine Wahrscheinlichkeit zu, und über alle Möglichkeiten summiert ergibt sich eins. Bei stetigen Zufallsvariablen tritt die Dichtefunktion f(x) an diese Stelle — keine Wahrscheinlichkeit eines einzelnen Wertes, die wäre null, sondern eine Dichte, deren Integral über ein Intervall angibt, wie wahrscheinlich die Variable dort landet. Dieselbe Information trägt in beiden Fällen die Verteilungsfunktion F(x), die Wahrscheinlichkeit, höchstens x zu erreichen; sie steigt von null auf eins und enthält die ganze Gestalt. Die großen Familien fügen sich zu einer Art Periodensystem. Gleichverteilungen stehen für vollständige Unwissenheit auf einem beschränkten Bereich. Bernoulli erfasst den einzelnen Ja-Nein-Versuch, die Binomialverteilung verallgemeinert ihn auf N Versuche. Poisson zählt seltene unabhängige Ereignisse, die mit konstanter Rate eintreffen — radioaktive Zerfälle, Kundenankünfte, Mutationen pro Generation; die Exponentialverteilung liefert die Wartezeit zwischen ihnen. Die Normalverteilung, die Glockenkurve, beschreibt die Summe vieler kleiner unabhängiger Beiträge — ihr Auftreten erzwingt der Zentrale Grenzwertsatz. Verteilungen nach dem Potenzgesetz erfassen Phänomene, bei denen ein einziger großer Wert viele kleine überwiegt — Vermögen, Stadtgrößen, Erdbebenmagnituden — und tragen schwere Ränder, die die Normalverteilung dramatisch unterschätzt. Jede Familie besitzt Parameter, die sie an Daten anpassen, und lässt sich durch ihre Momente zusammenfassen: Der Mittelwert legt die Mitte fest, die Varianz die Streuung, höhere Momente erfassen Schiefe und das Gewicht der Ränder. Statistische Inferenz ist zu weiten Teilen genau dies — aus dem Katalog eine Familie wählen und die wenigen Zahlen schätzen, die bestimmen, von welchem ihrer Mitglieder die Daten stammen.

Warum jetztVerteilungen sind das Grundvokabular der Ungewissheit in Wissenschaft und Finanzwelt; jedes angewandte statistische Modell legt sich auf eine fest, als Rauschmodell oder als generativen Prozess — die lineare Regression unterstellt normalverteilte Residuen, die logistische Regression Bernoulli-Ausgänge. Die Versicherungsmathematik greift zunehmend zu Verteilungen mit schweren Rändern, weil Katastrophenrisiken eben nicht normalverteilt sind — eine Lektion, die die Finanzkrise von 2008 jenen Häusern schmerzlich erteilte, deren Risikomodelle Normalität unterstellt hatten. Selbst die moderne generative KI ist im Kern eine Maschine, die Verteilungen anpasst: Sie lernt, plausiblen Text und plausible Bilder aus einer riesigen geschätzten Verteilung über Daten zu ziehen. Und überall dieselbe Disziplin: die richtige Familie benennen, sie über ihre Momente zusammenfassen, dann die Daten sprechen lassen und die Parameter schätzen — Ungewissheit, lesbar genug gemacht, um mit ihr zu rechnen.

Zur VertiefungWassermans All of Statistics (2004) bietet den kompakten Rundgang für Data Scientists im Berufsalltag; wer die tiefere mathematische Grundlegung sucht, greift zu Casella und Bergers Statistical Inference (2001), dem Standardwerk für Fortgeschrittene. Den sanftesten Einstieg liefert Ross, A First Course in Probability (2019). Die Familien um Poisson-, Exponential- und Gammaverteilung lehrt niemand einprägsamer als Pitman in Probability (1993). Für die moderne bayessche Sicht auf dieselben Familien ist Gelman u. a., Bayesian Data Analysis (2013), die Referenz.