Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Diskrete Zufallsvariablen
Wahrscheinlichkeitsräume
Zufallsvariablen
Erwartungswert
Varianz
Quiz
1
Im Fall einer Gleichverteilung sind gleich großeTeilmengen von W gleich wahrscheinlich.
Z.B. gilt für W={0,1,2}:
P({0})=P({1})=P({2})= 31
P({0,1})=P({0,2})=P({1,2})= 32
Analog müsste im Fall der unendlichen Menge W=(0,1]gelten:
1])1,0(( =P
21
21
21 ])1,((]),0(( == PP
31
32
32
31
31 ])1,((]),((]),0(( === PPP
41
43
43
42
42
41
41 ])1,((]),(]),((]),0(( ==== PPPP
Die Wahrscheinlichkeit eines Teilintervalls von (0,1]wäre also einfach gegeben durch seine Länge.
Komplemente, Vereinigungen und Durchschnitte vonTeilintervallen von (0,1] sind wieder Teilintervalle von(0,1], z.B.
]1,(],0( 31
31 =c ,
],(],(],( 87
81
87
83
85
81 =È ,
],(],(],( 85
83
87
83
85
81 =Ç ,
oder zumindest aber Vereinigungen disjunkterTeilintervalle von (0,1], z.B.
]1,(],0(],( 74
72
74
72 È=c .
Die Länge/Wahrscheinlichkeit einer Vereinigungdisjunkter Teilintervalle von (0,1] ist gegeben durchdie Summe der Längen/Wahrscheinlichkeiten dereinzelnen Teilintervalle von (0,1], z.B.
94
91
93
97
96
94
91
97
96
94
91 ]),((]),((]),(],(( =+=+=È PPP .
2
Im Fall von W=(0,1] müsste eine Gleichverteilung Pjedem Teilintervall von (0,1] seine Länge alsWahrscheinlichkeit zuordnen.
Leider gibt es keine Wahrscheinlichkeitsverteilung P,die diese Anforderung erfüllt und darüber hinaus auchnoch jeder beliebigen Teilmenge von (0,1] eineWahrscheinlichkeit zuordnet. Das liegt daran, dass esauch sehr komplizierte Teilmengen von (0,1] gibt,für die man unmöglich eine Länge angeben kann.
Will man für W=(0,1] trotzdem eine Gleichverteilungdefinieren, dann muss man sich auf einfachereTeilmengen beschränken, z.B. Teilintervalle von (0,1]sowie ihre Komplemente, Vereinigungen und Durch-schnitte.
Teilmengen von Â, die man mit den MengenoperationenÇÈ,,c aus Intervallen erzeugen kann, heißen Borel-
Mengen.
Beispiele von Borel-Mengen:
[-8,-5)È(0,1]È(p,¥),
),( ¥-¥=Â ,cÂ=f ,
{3}=[3,3]
Abzählbar unendliche1 Vereinigungen und Durchschnittesind auch erlaubt. Daher ist beispielsweise auch die Mengeder natürlichen Zahlen
...}3{}2{}1{}0{,...}3,2,1,0{ ÈÈÈÈ==À
eine Borel-Menge.
1 countably infinite
3
Eine Menge F von Teilmengen einer nichtleeren MengeW heißt s-Algebra2 auf W, wenn für alle A,A1,A2,…ÎF gilt:
fÎF,WÎF,
AÎF Þ AcÎF, A1, A2, A3,…ÎF Þ A1ÈA2È A3È…ÎF,
A1, A2, A3,…ÎF Þ A1ÇA2Ç A3Ç…ÎF
Beispiele:
Die Menge aller Borel-Mengen ist eine s-Algebra auf .Â
F={f,{0},W} ist keine s-Algebra auf W={0,1}, weil
{0}c ={1}ÏF.
F={f,{1},{2},{1,3},{2,3},W} ist keine s-Algebra aufW={1,2,3}, weil
{1}È{2}={1,2}ÏF, {1,3}Ç{2,3}={3}ÏF.
2 s-algebra (or s-field)
F={f,{1},{2,3},W} ist eine s-Algebra auf W={1,2,3},weil
fÎF, WÎF,f c=WÎF, Wc=fÎF, {1}c={2,3}ÎF, {2,3}c={1}ÎF,f È{1}={1}ÎF, f È{2,3}={2,3}ÎF, f ÈW=WÎF,{1}È{2,3}=WÎF, {2,3}ÈW=WÎF,f Ç{1}=fÎF, f Ç{2,3}=fÎF, f ÇW=fÎF,{1}Ç{2,3}=fÎF, {2,3}ÇW={2,3}ÎF.
Die Potenzmenge P(W) einer nichtleeren Menge W isteine s-Algebra auf W. Sie enthält alle Teilmengen vonW, also insbesondere auch f und W. Außerdem sind alleKomplemente, Vereinigungen und Durchschnitte vonTeilmengen von W wiederum Teilmengen von W und sinddaher auch in P(W) enthalten.
4
Eine Funktion P: F:®[0,1] heißt Wahrscheinlichkeits-verteilung3, wenn F eine s-Algebra auf einer Menge Wist und für alle AÎF sowie für alle paarweise disjunktenA1,A2,A3,…ÎF gilt:
P(f)=0,P(W)=1,
P(Ac)=1-P(A), P(A1ÈA2ÈA3È…)=P(A1)+P(A2)+P(A3)+…
Teilmengen von W, die in F enthalten sind, heißenEreignisse4. Die Wahrscheinlichkeitsverteilung Pordnet nur Ereignissen Wahrscheinlichkeiten zu,nicht aber Teilmengen von W, die nicht in F enthaltensind.
Das Tripel (W,F,P) heißt Wahrscheinlichkeitsraum5.
3 probability distribution (or probability measure)4 events5 probability space
Beispiele:
· P={(f,0),({1},0.8),({2,3},0.2),({1,2,3},1)}
ist eine Wahrscheinlichkeitsverteilung auf
F={f,{1},{2,3},{1,2,3}}.
· P={(f,0),({1},0.7),({2,3},0.2),({1,2,3},1)}
ist keine Wahrscheinlichkeitsverteilung auf
F={f,{1},{2,3},{1,2,3}},weil
P({1})+P({2,3})=0.7+0.2=0.9¹ P({1}È{2,3})=P({1,2,3})=1.
5
Eine Funktion X: W®Â heißt Zufallsvariable6 auf demWahrscheinlichkeitsraum (W,F,P), wenn das Urbild jederBorel-Menge ein Ereignis ist.
Die Wahrscheinlichkeit, dass eine Zufallsvariable X einenWert in einer Borelmenge B annimmt, ist gegeben durch
P(XÎB) = P(X-1(B))=P({wÎW: X(w)ÎB}).
Für jedes wÎW heißt X(w) eine Realisierung7 von X.
Beispiel: Ist W={1,2,3} und F={f,{1},{2,3},W}, dann istdie Funktion X={(1,5),(2,0),(3,7)} keine Zufallsvariable,weil
X-1([4,9])={wÎ{1,2,3}: X(w)Î[4,9]}={1,3}ÏF,X-1([0,0])={wÎ{1,2,3}: X(w)Î[0,0]}={2}ÏF,
M
6 random variable7 realization
Eine Funktion nX ®W: heißt n-dimensionale Zufalls-variable auf dem Wahrscheinlichkeitsraum (W,F,P), wenndas Urbild jeder n-dimensionalen Borel-Menge ein Ereignisist.
Die s-Algebra der n-dimensionalen Borel-Mengen istdie kleinste s-Algebra aufÂn, die alle n-dimensionalenIntervalle enthält.
2-dimensionale Intervalle sind Rechtecke.3-dimensionale Intervalle sind Quader.
Beispiel: X1 … Augenzahl (bei 1 ´ Würfeln)X2 … Quadrat der AugenzahlX3 … Vorzeichen der Augenzahl
3-dimensionale Zufallsvariable: X=(X1,X2,X3)
X(4) =(X1(4),X2(4),X3(4)) =(4,16,1)ÎÂ3
Statt P(X1Î(3,4]) und P(XÎ[0,1]´(2,4)´(0,5]) schreibt manauch P(3<X1£4) bzw. P((0£X1£1)Ù(2<X2<4)Ù(0<X3£5)).
6
Beispiel: X = Anzahl der Köpfe bei 2-maligem Münzwurf
W={(0,0),(0,1),(1,0),(1,1)}P({(0,0)})=P({(0,1)})=P({(1,0)})=P({(1,1)})= 4
1
X((0,0))=2, X((0,1))=1, X((1,0))=1, X((1,1))=0
P(-1<X£1.5)=P(XÎ(-1,1.5])=P(X-1((-1,1.5])) =P({(0,0),(0,1),(1,0)}= 4
3
Beispiel: X = (X1, X2) zweidimensionale ZufallsvariableX1 =Anzahl der Zahlen bei 2-maligem Münzwurf
X2 =Anzahl der Köpfe bei 2-maligem Münzwurf
W={(0,0),(0,1),(1,0),(1,1)}, P({(0,0)})=…=P({(1,1)})= 41
X((0,0))=(0,2), X((0,1))=(1,1), X((1,0))=(1,1), X((1,1))=(2,0)
P(0.5<X1£1.5Ù 0.5<X2£1.5)=P(XÎ(0.5,1.5]´(0.5,1.5]) =P(X-1((0.5,1.5]´(0.5,1.5]))=P({(0,1),(1,0)})= 4
2
7
Beispiel: X = Augenzahl bei 1-maligem Würfeln
z <- sample(1:6,60,replace=TRUE); z4 3 5 1 4 3 3 3 5 1 5 2 3 2 4 1 2 6 6 1
4 2 2 5 4 5 3 6 4 5 4 4 4 2 4 5 1 5 2 6 3 4 4 2 3 4 2 1 5 6 1 5 1 5 1 4 1 6 3 2table(z)
1 2 3 4 5 6 10 10 9 14 11 6
Der Mittelwert der 60 “gewürfelten“ Augenzahlen(Realisierungen von X ) kann auf verschiedene Artenberechnet werden:
(i) ⋯ = 3.4
(ii) ∙ ∙ ∙ ∙ ∙ ∙ = 3.4
(iii) 1 ∙ + 2 ∙ + 3 ∙ + 4 ∙ + 5 ∙ + 6 ∙ = 3.4
Erzeugt man weitere 60 Realisierungen von X, so erhältman in der Regel einen anderen Mittelwert.
z <- sample(1:6,60,replace=TRUE); mean(z) 3.25
Verwendet man hingegen in (iii) die theoretischenWahrscheinlichkeiten anstatt der (vom Zufall abhängigen)empirischen Wahrscheinlichkeiten, so erhält man einenfesten Wert, den Erwartungswert der Zufallsvariablen X :
= 1 ∙16 + 2 ∙
16 + 3 ∙
16 + 4 ∙
16 + 5 ∙
16 + 6 ∙
16 = 3.5
Der Erwartungswert8 einer Zufallsvariablen X: W®Âmit möglichen Werten x1,…,xn ist gegeben durch
)(...)()( 11 nn xXPxxXPxXE =++== å=
==n
jjj xXPx
1)( .
8 expected value
8
Beispiel: 1 ´ Würfeln
W={1,2,3,4,5,6}, P({1})=P({2})=…=P({6})= 61
X(w)=|w-3| (Abstand der Augenzahl von 3)
Mögliche Werte von X: x1=0, x2=1, x3=2, x4=3
( ) = 0 ∙P(X=0)+1 ∙P(X=1)+2 ∙P(X=2)+3 ∙P(X=3)= 0 ∙P({3})+1 ∙P({2,4}) +2 ∙P({1,5}) +3 ∙P({6})
= 0 ∙ +1 ∙ +2 ∙ +3 ∙ =
( ) = √ , = ( ) ( [ ]: nächstkleinere ganze Zahl )
Mögliche Werte von Y: y1=0, y2=1
( ) = 0 ∙P(Y=0)+1 ∙P(Y=1)
(i) = 0 ∙P({3})+1 ∙P({1,2,4,5,6}) = 0 ∙ +1 ∙ =
(ii) = 0 ∙P(X=0)+1 ∙P(X=1˅X=2˅X=3)= 0 ∙P(X=0)+1 ∙ (P(X=1)+P(X=2)+P(X=3))= g(0)P(X=0)+g(1)P(X=1)+g(2)P(X=2)+g(3)P(X=3)
Allgemein gilt:
åå==
====Þ=n
iii
m
jjj xXPxgyYPyYEXgY
11)()()()()(
9
Es gilt: )()( XEXE ll =
Beweis: XXgYxxX n l===W )(},,...,{)( 1
åå==
====Þn
iii
n
iii xXPxxXPxgYE
11)()()()( l
44 344 21)(
1)(
XE
n
iii xXPx
=
=å == l
Eine Zufallsvariable X, die den Wert l mit der Wahr-scheinlichkeit 1 annimmt, hat eine Einpunktverteilung9
mit Parameter l.
Þ=×=== llll 1)()( XPXE ll =)(E
X und Y seien (auf demselben Wahrscheinlichkeitsraumdefinierte) Zufallsvariablen mit den möglichen Wertenx1,…,xn bzw. y1,…,yn. Es gilt: )()()( YEXEYXE +=+
9 degenerate distribution
Beweis: 10
)( YXE + )()(1 1
jim
i
n
jji yYxXPyx =Ù=+= å å
= =
å å= =
=Ù==m
i
n
jjii yYxXPx
1 1)( å å
= ==Ù=+
m
j
n
ijij yYxXPy
1 1)(
å=
=Ù=++=Ù==m
iniii yYxXPyYxXPx
11 ))(...)((
å=
=Ù=++=Ù=+n
jjmjj yYxXPyYxXPy
11 ))(...)((
å=
=Ù=ÚÚ=Ù==m
iniii yYxXyYxXPx
11 ))(...)((
å=
=Ù=ÚÚ=Ù=+n
jjmjj yYxXyYxXPy
11 ))(...)((
å=
==m
iii xXPx
1)( å
==+
n
jjj yYPy
1)( )()( YEXE +=
10 Text auf grünem Hintergrund kann übersprungen werden.
10
Beispiel: Einmaliges Würfeln
Die Zufallsvariable X nimmt im Fall eines Erfolgs(Sechser) den Wert 1 an und im Fall eines Misserfolgs(kein Sechser) den Wert 0.
}6,...,1{=W
)}1,6(),0,5(),0,4(),0,3(),0,2(),0,1{(=X
Erfolgswahrscheinlichkeit:
611 })6({))1(()1( ==== - PXPXP
Misserfolgswahrscheinlichkeit:
651 })5,4,3,2,1({))0(()0( ==== - PXPXP
Eine Zufallsvariable X, die den Wert 1 mit der Wahr-scheinlichkeit p und den Wert 0 mit der Wahrschein-lichkeit 1-p annimmt, ist Bernoulli-verteilt mitParameter p (Erfolgswahrscheinlichkeit).
pppXPXPXE =×+-×==×+=×= 1)1(0)1(1)0(0)(
Man sagt auch, dass X eine Bernoulli-Verteilung11 mitParameter p hat, und meint damit diejenige Wahrschein-lichkeitsverteilung P* auf Â, die jeder Borel-Menge Adie Wahrscheinlichkeit
ïïî
ïïí
ì
ÎÎÏÎ-ÎÏÏÏ
=
AAAApAApAA
AP
1,0falls,11,0falls,11,0falls,1,0falls,0
)(*
zuordnet.
11 X has a Bernoulli distribution (or X is Bernoulli-distributed)
11
Beispiel: Zweimaliges Würfeln
)}6,6(),...,2,1(),1,1{(=W
X1 nimmt den Wert 1 an, wenn beim 1. Wurf ein Sechserkommt, andernfalls den Wert 0.X2 nimmt den Wert 1 an, wenn beim 2. Wurf ein Sechserkommt, andernfalls den Wert 0.Die Zufallsvariable X=X1+X2 ordnet jedem ErgebniswÎW die Gesamtanzahl der Sechser zu, z.B.
0,1)})5({( =X , 1,6)})2({( =X , 2,6)})6({( =X .
z <- sample(1:6,2,replace=TRUE); z 5 1x <- ifelse(z==6,1,0); x 12
0 0X <- sum(x); X 0
12 Use the command help(ifelse) to get more information about ifelse.
Die Zufallsvariablen X und Y heißen unabhängig, falls
)( BYAXP ÎÙÎ )()( 21 BXPAXP Î×Î=
für alle Borel-Mengen A und B.
Im vorigen Beispiel sind die Zufallsvariablen X1 und X2
unabhängig.
Beispielsweise erhalten wir für A=[-2,0] und B={1}:
})1{]0,2[( 21 ÎÙ-Î XXP )10( 21 =Ù== XXP)})6,5(),6,4(),6,3(),6,2(),6,1({(P=
365=
})1{(])0,2[( 21 Î×-Î XPXP )1()0( 21 =×== XPXP
61
65 ×=
365=
12
Beispiel: n-maliges Würfeln)}6,...,6,6(),...,2,...,1,1(),1,...,1,1{(=W
X1 nimmt den Wert 1 an, wenn beim 1. Wurf einSechser kommt, andernfalls den Wert 0.
MXn nimmt den Wert 1 an, wenn beim n. Wurf einSechser kommt, andernfalls den Wert 0.
Die Zufallsvariablen X1,…,Xn sind unabhängig, d.h.)()...()...( 1111 nnnn AXPAXPAXAXP ÎÎ=ÎÙÙÎ
für alle Borelmengen A1,…,An.
Die Zufallsvariable X=X1+X2+…+Xn ordnet jedemErgebnis wÎW die Gesamtanzahl der Sechser zu, z.B.
2})2,6,1,4,6)4,4,2,4,3,({( =X .z <- sample(1:6,10,replace=TRUE); z 4 4 2 4 3 2 6 1 4 6x <- ifelse(z==6,1,0); x; X <- sum(x); X 0 0 0 0 0 0 1 0 0 1 2
n=3:
65
65
65
321 )0()0()0()0( ====== XPXPXPXP)0()0()1()1( 321 ===== XPXPXPXP
)0()1()0( 321 ===+ XPXPXP)1()0()0( 321 ===+ XPXPXP
65
65
61
61
65
65
65
61
65
65
65
61 3=++=
65
61
61
61
61
65
61
65
61
65
61
61 3)2( =++==XP
61
61
61)3( ==XP
n=4:
65
65
65
65)0( ==XP
65
65
65
61
61
65
65
65
65
61
65
65
65
65
61
65
65
65
65
61 4)1( =+++==XP
61
65
65
61
65
61
65
61
65
65
61
61)2( ++==XP
65
65
61
61
61
61
65
65
61
65
61
65
65
61
61
65 6=+++
65
61
61
61
61
61
61
65
61
61
65
61
61
65
61
61
65
61
61
61 4)3( =+++==XP
61
61
61
61)4( ==XP
13
Die SummenXXX ++= ...1
von n unabhänigen Zufallsvariablen X1,…,Xn, die eineBernoulli-Verteilung mit Parameter p haben, hat eineBinomialverteilung13 mit Parametern n und p.
Die Wahrscheinlichkeit, dass X den Wert jÎ{0,1,2,…,n}annimmt, ist gegeben durch
jnj ppjn
jXP --÷÷ø
öççè
æ== )1()( ,
wobei der Binomialkoeffizient14
)!(!!
jnjn
jn
-=÷÷
ø
öççè
æ
die Anzahl der Möglichkeiten angibt, die j erfolgreichenVersuche aus den insgesamt n Versuchen auszuwählen.
13 binomial distribution14 binomial coefficient
Es gibt12...)1(! ×××-×= nnn (n Faktorielle)15
n-Tupel mit den Zahlen 1,2,…,n als ihren Komponenten.Für die erste Komponente des n-Tupels kommen nochalle n Zahlen in Frage, für die zweite nur noch n-1 usw.
n=3:3 Wahlmöglichkeiten: 1 2 32 Wahlmöglichkeiten: 2 3 1 3 1 21 Wahlmöglichkeit: 3 2 3 1 2 1
Man kann beispielsweise jedes der 3!=3×2×1=6 Tripel
(1,2,3), (1,3,2), (2,1,3), (2,3,1), (3,1,2), (3,2,1)
zur Auswahl von 2 Zahlen verwenden. Allerdings wählendas 1. und das 3., das 2. und das 5. sowie das 4. und das6. Tripel jeweils dieselben 2 Zahlen. Die Anzahl derWahlmöglichkeiten ist also in diesem Fall gegeben durchdie Anzahl der Tripel dividiert durch 2: 3=6:2=3!:(2!1!)
15 n factorial
14
Da eine binomialverteilte Zufallsvariable mit Parameternn und p definiert ist als Summe
nXXX ++= ...1
von n unabhänigen, Bernoulli-verteilten ZufallsvariablenX1,…,Xn mit Parameter p, ist ihr Erwartungswertgegeben durch
)...()( 1 nXXEXE ++= )(...)( 1 nXEXE ++=
pp ++= ... np= .
Beispiele:
· Es gibt 45 über 616 verschiedene Tipps beim Lotto6 aus 45.
0601458123456
404142434445)!645(!6
!45645
=××××××××××
=-
=÷÷ø
öççè
æ
sample(1:45,6,replace=FALSE) 21 4 39 36 18 23
16 45 choose 6
· Es gibt 5!=5×4×3×2×1=120
verschiedene Anordnungen der 5 BRICS-Staaten:
BRA,CHN,IND,RUS,ZAF (Alphabet) CHN,IND,BRA,RUS,ZAF (Bevölkerung)
M
· Es gibt 30 über 5 verschiedene Aktienportfolios,die 5 der 30 im Dow Jones Industrial Average (DJIA)berücksichtigten Industrieunternehmen17 enthalten:
DIS,KO,MCD,AAPL,NKE18 (kids‘ choice) AXP,GS,JPM,TRV,V19 (Geld)
M
50614212345
2627282930)!530(!5
!305
30=
××××××××
=-
=÷÷ø
öççè
æ
17 DJIA-Komponenten vom 19.03.201518 Walt Disney, Coca-Cola, McDonald's, Apple, Nike19 American Express, Goldman Sachs, JPMorgan, Travelers, Visa
15
Beispiel: Würfeln bis zum ersten Sechser
),...}6,2,1(),6,1,1(),6,5(),...,6,2(),6,1(,6{=W
Die Zufallsvariable X ordnet jedem Ergebnis die Anzahlder Misserfolge bis zum Erfolg (erster Sechser) zu.
Beispielsweise nimmt X den Wert 0 an, wenn gleich beimersten Mal ein Sechser kommt, den Wert 1, wenn erst beimzweiten Mal ein Sechser kommt, usw.X kann also die Werte 0,1,2,3,… annehmen, d.h.
À==W ,...}3,2,1,0{)(X .
Beispielsweise ist
75,3,6)})3,4,1,3,5,({( =Xund
15)})62,3,4,2,4,2,5,2,2,4,2,4,3,4,2,({( =X .
Eine Zufallsvariable heißt diskret20, falls )(WX endlichoder abzählbar unendlich ist.
Ist die Menge der möglichen Werte einer ZufallsvariablenX abzählbar unendlich, d.h.
,...},,{)( 321 xxxX =W ,
dann ist ihr Erwartungswert gegeben durch
...)()()( 2211 +=+== xXPxxXPxXE
å¥
===
1)(
jjj xXPx ,
allerdings nur, falls diese unendliche Summe existiert.
Der Erwartungswert einer diskreten Zufallsvariablen Xkann einheitlich geschrieben werden als
)()()(
xXPxXEXx
== åWÎ
.
20 discrete
16
Würfelt man solange, bis ein Sechser kommt, dann istdie Wahrscheinlichkeit von j Misserfolgen gegebendurch
( ) ÀÎ== jjXP j ,)( 65
61 .
Gleich beim 1. Mal ein Sechser, kein Misserfolg:
61)0( ==XP
Erst beim 2. Mal ein Sechser, ein Misserfolg:
61
65)1( ==XP
Erst beim 3. Mal ein Sechser, zwei Misserfolge:
61
65
65)2( ==XP
Erst beim 4. Mal ein Sechser, drei Misserfolge:
61
65
65
65)3( ==XP
M
Eine diskrete Zufallsvariabe hat eine geometrischeVerteilung21 mit Parameter p, falls
ÀÎ-== jppjXP j ,)1()( .Die Summe aller Wahrscheinlichkeiten ist gleich 1:
1)1()1()( )1(11
000==-=-== --
¥
=
¥
=
¥
=ååå pj
j
j
j
jpppppjXP
Den Erwartungswert von X erhält man wie folgt:
åå¥
=
¥
=-=-=
10)1()1()(
j
j
j
j ppjppjXE
( )å¥
=
-- -+---=1
11 )1()1()1()1(j
jj ppppjp
å¥
=--+-=
0)1()1()()1(
j
jpppXEp
pp
p XEppXpE --- =Þ-=Þ 1
)1(11 )()1()(
21 geometric distribution
17
Ein Maß für die Streuung22 einer Zufallsvariablen X istgegeben durch den Erwartungswert der absolutenAbweichung vom Erwartungswert:
)( XEXE - 23 (mittlere absolute Abweichung24)
Ein alternatives Maß erhält man, wenn man zuerst denErwartungswert der quadrierten Abweichung vomErwartungswert ermittelt und dann die Wurzel zieht:
2))(()var( XEXEX -= (Varianz25)
)var()(sd XX = (Standardabweichung26)
Für 2))(( XEXY -= gilt:
)()()(
yYPyYEYy
== åWÎ
åWÎ
=-=)(
2 )())((Xx
xXPXEx
22 dispersion23 Weglassen der Klammern bei E(…) kann die Lesbarkeit verbessern.24 mean absolute deviation25 variance26 standard deviation
Beispiel: X hat eine Bernoulli-Verteilung mit Parameter p
pXE =)(
ppppXEXE -+--=- 1)1(0)(
)1()1()1()0()var( 222 ppppppppX -=-=-+--=
)1()(sd ppX -=
p <- c(0.2,0.4,0.6,0.8)MAD <- abs(0-p)*(1-p)+abs(1-p)*p # absolute valuesd <- sqrt(p*(1-p)) # square rooth <- rbind(p,MAD,sd); h # combine by rows p 0.20 0.4000000 0.6000000 0.80 MAD 0.32 0.4800000 0.4800000 0.32 sd 0.40 0.4898979 0.4898979 0.40
18
Eigenschaften der Varianz (X Zufallsvariable, a,bÎÂ):
)var(X 2))(( XEXE -=
)))(()(2( 22 XEXEXXE +-=22 ))(())(2()( 321321
ÂÎÂÎ
+-= XEEXEXEXE
22 ))(()())(2()( XEXEXEXE +-=22 ))(()( XEXE -=
)var( Xba + 2))(( XEXE baba +-+=2))(( XEEXE baba --+=
2))(( XEXE baba --+=2))(( XEXE bb -=
22 ))(( XEXE -= b22 ))(( XEXE -= b
)var(2 Xb=
Ist X binomialverteilt mit Parametern n und p, dann giltfür n=2
22 )()var( XEXEX -=2222 )2()2(2)1(1)0(0 pXPXPXP -=+=+==
2022112 4)1(2)1(210 ppppp --+-+=
)1(2 pp -= ,für n=3
)1(3...)var( ppX -==und allgemein
)1()var( ppnX -= .
Die Varianz einer Summe von n unabhänigen, Bernoulli-verteilten Zufallsvariablen mit Parameter p ist alsogegeben durch
)1()...var( 1 pnpXX n -=++
und ist somit gleich der Summe
)1(...)1()var(...)var( 1 ppppXX n -++-=++
der Varianzen der Summanden.
19
Allgemein gilt=++ )...var( 1 nXX )var(...)var( 1 nXX ++ ,
falls X1,…,Xn paarweise unabhängig sind.
Beweis (für n=2):)()( 2211
)(21
)(21
1211
xXxXPxxXXEXxXx
=Ù== ååWÎWÎ
)()( 2211)(
21)( 1211
xXPxXPxxXxXx
=== ååWÎWÎ
)()( 22)(2
)(111
1211
xXPxxXPxXxXx
=== ååWÎWÎ
)()( 21 XEXE=2
212
2121 ))(()()var( XXEXXEXX +-+=+Þ
)()(2)( 2221
21 XEXXEXE ++= 2
21 ))()(( XEXE +-
)()()(2)( 2221
21 XEXEXEXE ++=
2221
21 ))(()()(2))(( XEXEXEXE ---
22
22
21
21 ))(()())(()( XEXEXEXE -+-=
)var()var( 21 XX +=
20
Momente:
Für kÎÀ heißt
)( kXE
das nichtzentrale Moment der Ordnung k 27 von X,kXEXE ))(( -
das zentrale Moment der Ordnung k 28 von X undk
XXEXE ÷÷
ø
öççè
æ -)(sd
)(
das normierte zentrale Moment der Ordnung k 29
von X.
27 noncentral moment of order k28 central moment of order k*29 normalized central moment of order k
Spezielle Momente:
Nichtzentrales Moment der Ordnung 1: Erwartungswert
Zentrales Moment der Ordnung 2: Varianz
Normiertes zentrales Moment der Ordnung 3: Schiefe30
Normiertes zentrales Moment der Ordnung 4: Wölbung31
30 skewness31 kurtosis
21
Quiz
F={f,{3,5},x,y} s-Algebra auf W={3,4,5}, |x|+|y|=?
P={(f,0),({0,1,2},0.2),({3},x),({0,1,2,3},1)}, x=?
P Gleichverteilung auf {-5,-4,…,4}, X(w)=w2, P(X£4)=?
P(X=-5)=0.1, P(X=-3)=0.2, P(X=2)=0.7, E(X)=?
E(X)=4, E(Y)=-1, Z=3+3X -Y, E(Z)=?
P(X=3)=0.3, P(X=-2)=0.2, P(X=1)=0.5, E(X2)=?
var(X)=3, Y=-19-2X, var(Y)=?
E(X)=4, var(X)=23, E(X2)=?
X Gleichverteilung auf {2,3,4}, Y~B(4,0.5)32, E(X+Y)=?
32 Abkürzung für: Y hat eine Binomialverteilung mit n=4 und p=0.5
Lösungen
|x|+|y|=|{3,5}c|+|W|=|{4}|+|W|=1+3=4
{3}={0,1,2}c Þ x=P({3})=1-P({0,1,2})=1-0.2=0.8
P({-5})=…=P({4})= 101 Þ P(X£4)=P({-2,….,2})= 10
5 =0.5
E(X)=(-5)×0.1+(-3)×0.2+2×0.7=0.3
E(Z)=3+3E(X)-E(Y)=3+3×4-(-1)=16
E(X2)=32×0.3+(-2)2×0.2+12×0.5=4
var(Y)=var(-19-2X)=var((-19)+(-2)X)=(-2)2var(X)=4×3=12
var(X)=E(X2)-(E(X))2Þ E(X2)=var(X)+(E(X))2=23+42=39
E(X+Y)=E(X)+E(Y)=2 31 +3 3
1 +4 31 +4×0.5= 3
9 +2=5