Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Sommersemester 2011 Fachhochschule Jena University of Applied Sciences Jena Stochastik SD/RE Master Weitere spezielle stetige Zufallsgrößen 1. Erlangverteilung Modell: Verteilung der Summe von Exponentialverteilungen Es seien X1 , X2 , ..., Xn unabhängige exponentialverteilte Zufallsgrößen mit Parameter λ. Dann heißt die Summe X = X1 + X2 + ... + Xn erlangverteilt der Ordnung n mit Parameter λ. Dichte fX (x): fX (x) = λ · Verteilungsfunktion FX (x): Erwartungswert: Varianz: EX = nλ Var(X) = (λx)n−1 (n−1)! · e−λx für x ≥ 0 FX (x) = 1 − e−λx n P i=1 (λx)i−1 (i−1)! für x ≥ 0 n λ2 Anwendung: Besteht ein System aus n Komponenten mit exponentialverteilter Lebensdauer mit Parameter λ, von denen zu Beginn nur eine Komponente arbeitet, die zweite zu arbeiten beginnt, wenn die erste ausgefallen ist, usw., und fällt das System erst dann aus, wenn die letzte der n Komponenten defekt ist, dann ist die Lebensdauer des Systems erlangverteilt der Ordnung n mit Parameter λ. 2. Weibullverteilung Modell: Lebensdauerverteilung mit Alterungseigenschaft, d.h. zeitabhängige Ausfallrate Beschreibung von Materialermüdungserscheinungen; Ausfälle von Elektronenröhren, Kugellagern Ein Zufallsgröße X heißt weibullverteilt mit den Parametern α, β > 0, wenn αX β exponentialverteilt ist mit Parameter λ = 1. Dichte fX (x): fX (x) = αβxβ−1 e−αx β für x > 0 β FX (x) = 1 − e−αx für x > 0 1 − β1 Erwartungswert: EX = α Γ +1 β (Dabei bezeichnet Γ die Gamma-Funktion, siehe unten.) Verteilungsfunktion FX (x): 3. χ2 - Verteilung Modell: Es seien X1 , ..., Xn unabhängige, standardnormalverteilte Zufallsgrößen. Dann ist die Zufallsgröße χ2n = X12 + ... + Xn2 χ2 -verteilt mit n Freiheitsgraden. 1 Dichte fχ2n (x): fχ2n (x) = x n 1 x 2 −1 e− 2 n 2 Γ( 2 ) n 2 für x > 0 (Dabei bezeichnet Γ die Gamma-Funktion, siehe unten.) Für große n läßt sich die Verteilungsfunktion Fχ2n (x) durch die Verteilungsfunktion der Normalverteilung N (n, 2n) approximieren. Wichtige Quantile liegen tabelliert vor für verschiedene Freiheitsgrade. Erwartungswert: Varianz: EX = n Var(X) = 2n 4. t - Verteilung Modell: Es seien X0 , X1 , ..., Xn unabhängige, standardnormalverteilte Zufallsgrößen. Dann ist die X0 t - verteilt mit n Freiheitsgraden. Zufallsgröße Z = r n P 1 Xi2 · n i=1 √ X −µ n· √ S2 2 t - verteilt ist mit n − 1 Freiheitsgraden. Dabei sind X und S die Punktschätzer für µ und σ 2 der unabhängigen N (µ, σ 2 )-verteilten Zufallsgrößen X1 , ..., Xn . − n+1 2 Γ( n+1 ) x2 2 Dichte fZ (x): fZ (x) = n √ 1+ n Γ( 2 ) πn Die t - Verteilung spielt in der Statistik eine besondere Rolle, weil die Größe (Dabei bezeichnet Γ die Gamma-Funktion, siehe unten.) Für große n nähert sich die Verteilungsfunktion einer t - Verteilung mit n Freiheitsgraden der Verteilungsfunktion der Standardnormalverteilung an. Wichtige Quantile liegen tabelliert vor für verschiedene Freiheitsgrade. Erwartungswert: Varianz: EX = 0 für n ≥ 2 n Var(X) = n−2 für n ≥ 3 Die Gamma-Funktion: Die Gamma-Funktion Γ(x) ist für reelle Zahlen x > 0 wie folgt definiert: Γ(x) = Z∞ e−t · tx−1 dt . 0 Eigenschaften der Gamma-Funktion: √ Γ(1) = 1 und Γ( 21 ) = π, Γ(x + 1) = x · Γ(x), Γ(n) = (n − 1)! für n ∈ N, n 6= 0. 2