Teil V Wahrscheinlichkeitsrechnung

Teil V
Wahrscheinlichkeitsrechnung
357 / 469
Ziel der Wahrscheinlichkeitsrechnung
Aussagen über Experimente und Prozesse mit
„unsicherem“ Ausgang.
Beispiele
Würfeln
Ziehen von Losen aus einer Urne
Glücksspiele (Lotto, Roulette,. . . )
Lebensdauer von technischen Bauteilen
Genauigkeit von Messungen
Literatur:
U. Krengel. Einführung in die Wahrscheinlichkeitstheorie und
Statistik. Vieweg, 1991.
358 / 469
Experiment: Wurf eines Würfels
Mögliche Ergebnisse: Zahlen 1, 2, 3, 4, 5, 6
Annahme: Alle Ergebnisse sind „gleich wahrscheinlich“
Das bedeutet: Wenn man „sehr oft“ würfelt, treten alle
Ergebnisse „gleich häufig auf“, jedes Ergebnis tritt also in etwa
1/6–tel aller Fälle auf.
Abstraktion des Experimentes:
Menge der möglichen Ergebnisse: Ω = {1, 2, 3, 4, 5, 6}
Zuordnung von Wahrscheinlichkeiten:
p({1}) = p({2}) = p({3}) = p({4}) = p({5}) = p({6}) = 1/6
359 / 469
Frage: Was ist die Wahrscheinlichkeit für eine gerade Zahl
als Ergebnis?
Das Ereignis „gerade Zahl“ entspricht der
Teilmenge M = {2, 4, 6} ⊂ Ω des Ergebnisraums.
Wahrscheinlichkeit: p(M) = 1/2 = p({2}) + p({4}) + p({6}).
=> Zuordnung einer Wahrscheinlichkeit
zu allen Teilmengen von Ω.
Interpretation der Wahrscheinlichkeit:
Wahrscheinlichkeit p(M) = a bedeutet:
Bei sehr häufiger Wiederholung des Experimentes tritt der Fall
„Ergebnis liegt in M“ etwa im a–fachen aller Fälle auf.
Bezeichnung: Die Menge P(Ω) = {M | M ⊂ Ω}
aller Teilmengen von Ω heißt Potenzmenge von Ω.
360 / 469
Definition
Ein endlicher Wahrscheinlichkeitsraum (Ω, p) besteht aus
einer endlichen Menge Ω von möglichen Ergebnissen
einer Abbildung p : P(Ω) → [0, 1] mit folgenden
Eigenschaften:
p(Ω) = 1
M1 , M2 ⊂ Ω, M1 ∩ M2 = ∅ => p(M1 ∪ M2 ) = p(M1 ) + p(M2 )
(Additivität)
Die Menge Ω heißt Ergebnismenge oder Ergebnisraum.
Die Abbildung p : P(Ω) → [0, 1] heißt
Wahrscheinlichkeitsverteilung oder Wahrscheinlichkeitsmaß.
361 / 469
Bemerkungen
Für die leere Menge ∅ gilt p(∅) = 0
denn wegen Ω ∩ ∅ = ∅ folgt
1 = p(Ω) = p(Ω ∪ ∅) = p(Ω) + p(∅) = 1 + p(∅)
Analog folgt für jede Menge M ⊂ Ω
p(M) = 1 − p(Ω \ M)
Bei einem endlichen Wahrscheinlichkeitsraum
ist p eindeutig definiert durch die
Elementarwahrscheinlichkeiten p({ω}) für ω ∈ Ω.
Für M ⊂ Ω gilt:
X
p(M) =
p({ω})
ω∈M
362 / 469
Beispiel: Wurf zweier Würfel
2 Möglichkeiten für die Ergebnismenge:
1
Mit Berücksichtigung der Reihenfolge:
Ω1 = (i, j) | i, j ∈ {1, . . . , 6}
Die Ergebnisse {(1, 2)} und {(2, 1)} sind verschieden
Zuordnung von Elementarwahrscheinlichkeiten:
1 1
1
· =
6 6
36
(36 gleich wahrscheinliche Ergebnisse)
p1 ({(i, j)}) =
2
Ohne Berücksichtigung der Reihenfolge:
Ω2 = (i, j) | i, j ∈ {1, . . . , 6}, i ≤ j
Elementarwahrscheinlichkeiten: ?
363 / 469
Frage:
Sind bei einem Wurf zweier Würfel die Ergebnisse „1 und 1“
und „1 und 2“ (ohne Berücksichtigung der Reihenfolge) „gleich
wahrscheinlich“ oder nicht?
Antwort:
Wir wählen als Ergebnisraum Ω1 , also den eines Wurfes zweier
Würfel mit Berücksichtigung der Reihenfolge.
1
„1 und 1“: p1 ({(1, 1)} = 36
„1 und 2“: p1 ({(1, 2), (2, 1)}) = 2 ·
1
36
=
1
18
364 / 469
Laplacesches Zufallsexperiment
Ein Zufallsexperiment, dessen Ergebnismenge Ω aus einer
endlichen Zahl von Elementen mit gleicher Wahrscheinlichkeit
besteht, heißt Laplacesches Zufallsexperiment.
Der zugehörige Wahrscheinlichkeitsraum heißt ein
Laplacescher Wahrscheinlichkeitsraum
Die zugehörige Wahrscheinlichkeitsverteilung p heißt
Gleichverteilung oder Laplace–Verteilung oder kurz
L(Ω)–Verteilung. Dabei gilt:
#(M)
p(M) =
#(Ω)
wenn #(M) die Anzahl der Elemente der Menge M bezeichnet.
Der Wurf zweier Würfel ist ein Laplacesches Zufallsexperiment,
wenn man als Ergebnismenge Ω1 wählt, also die Reihenfolge
berücksichtigt.
365 / 469
Urnenexperimente
Aus einer Urne mit n durchnummerierten Kugeln / Losen zieht
man sukzessive m Kugeln / Lose.
2 Varianten:
mit Zurücklegen:
Nach jedem Zug wird die Nummer der gezogenen Kugel
notiert und die Kugel zurückgelegt
ohne Zurücklegen:
Gezogene Kugeln werden nicht wieder zurückgelegt.
Jede Zahl kann dann höchstens einmal auftreten und man
kann maximal n mal ziehen.
Für jede Variante kann man die Fälle
mit Berücksichtigung der Reihenfolge
ohne Berücksichtigung der Reihenfolge
unterscheiden.
366 / 469
Urnenexperiment mit Zurücklegen mit Reihenfolge
Experiment „m aus n“
Ergebnismenge:
Ω = {1, 2, . . . , n}m
= (n1 , n2 , . . . , nm ) | nj ∈ {1, . . . , n} für j = 1, . . . , m
Anzahl der Elemente:
#(Ω) = n
· · · · · n} = nm
| · n {z
m mal
Elementarwahrscheinlichkeiten:
1
nm
(alle Ergebnisse sind gleich wahrscheinlich)
p({ω}) =
367 / 469
Urnenexperiment ohne Zurücklegen mit Reihenfolge
Experiment „m aus n“
Ergebnismenge
Ω = ω ∈ {1, . . . , n}m | ωi 6= ωj für i 6= j
Anzahl der Elemente:
#(Ω) = n(n − 1)(n − 2) · · · (n − m + 1) =
n!
(n − m)!
mit n! = 1 · 2 · · · · · n
Elementarwahrscheinlichkeiten:
p({ω}) =
(n − m)!
n!
368 / 469
Beispiel 1
Anzahl der Permutationen (Vertauschungen) einer Menge mit n
Elementen
Darstellung als Urnenexperiment:
Sukzessive Auswahl „n aus n“ ohne Zurücklegen mit
Reihenfolge
=> Es gibt n! Permutationen
Satz
Die Anzahl der Permutationen einer n–elementigen Menge ist
n!.
369 / 469
Beispiel 2
Wahrscheinlichkeit für 5 aufeinanderfolgende Zahlen beim Wurf
von 5 Würfeln.
Darstellung als Urnenexperiment:
Statt „einmal 5 Würfel“ kann man „5 mal einen Würfel“ werfen
Jeder Wurf entspricht einem Zug einer Zahl aus einer Urne mit
6 Elementen
=> Urnenexperiment „5 aus 6“
370 / 469
Ereignis „5 aufeinanderfolgende Zahlen“
bei Ergebnismenge Ω = {1, 2, . . . , 6}5
(mit Berücksichtigung der Reihenfolge!):
M = ω ∈ Ω | {ω1 , . . . , ω5 } = {1, 2, 3, 4, 5}
oder {ω1 , . . . , ω5 } = {2, 3, 4, 5, 6}
Anzahl: #(M) = 2 · 5!
Wahrscheinlichkeit:
5
5
#(M)
2 · 5!
=
=
= 0,0308 · · ·
P(M) =
=
162
#(Ω)
65
2 · 34
Ein Ereignis bezeichnet eine Teilmenge der Ergebnismenge
371 / 469
Beispiel 3
Gewinnwahrscheinlichkeit beim Lotto „6 aus 49“
Urnenexperiment „6 aus 49“ ohne Zurücklegen ohne
Reihenfolge
Vorhandener Tipp: {a1 , a2 , a3 , a4 , a5 , a6 }
Ereignis „6 Richtige“ bei Ergebnisraum
Ω = ω ∈ {1, . . . , 49}6 | ωi 6= ωj für i 6= j
(also mit Berücksichtigung der Reihenfolge!):
M = ω ∈ Ω | {ω1 , . . . , ω6 } ∈ {a1 , a2 , . . . , a6 }
Anzahl: #(M) = 6!
(Anzahl der Permutationen von {a1 , a2 , . . . , a6 })
Wahrscheinlichkeit:
1·2·3·4·5·6
1
#(M)
=
p(M) =
=
49 · 48 · 47 · 46 · 45 · 44
13.983.816
#(Ω)
372 / 469
Verallgemeinerung: Auswahl „m aus n“
Ziel:
Anzahl der Möglichkeiten, m Elemente aus n Elementen ohne
Berücksichtigung der Reihenfolge auszuwählen.
Mit Berücksichtigung der Reihenfolge:
Urnenexperiment „m aus n“ ohne Zurücklegen
n!
=>
Möglichkeiten.
(n − m)!
Jedes Ergebnis ohne Berücksichtigung der Reihenfolge
entspricht m! Ergebnissen mit Berücksichtigung der
Reihenfolge
Resultat: Es gibt
n!
n
=
m
(n − m)!m!
Möglichkeiten, m Elemente aus n Elementen ohne
Berücksichtigung der Reihenfolge auszuwählen.
373 / 469
Urnenexperiment ohne Zurücklegen ohne Reihenfolge
Ergebnisraum für Urnenexperiment „m aus n“:
Ω = ω = (ω1 , . . . , ωm ) ∈ {1, . . . , n}m | ω1 < ω2 < · · · < ωm
(Anordnung der Ergebnisse in aufsteigender Reihenfolge)
Anzahl der Elemente: Entspricht der Anzahl der Möglichkeiten,
m Elemente aus n Elementen auszuwählen:
n
#(Ω) =
m
Elementarwahrscheinlichkeiten:
1
(n − m)!m!
p({ω}) = =
n!
n
m
374 / 469
Urnenexperiment mit Zurücklegen ohne Reihenfolge
Mögliche Wahl der Ergebnismenge:
Ω = ω = (ω1 , . . . , ωm ) ∈ {1, . . . , n}m | ω1 ≤ ω2 ≤ · · · ≤ ωm
(Anordnen der Ergebnisse in aufsteigener Reihenfolge)
Anzahl der Elemente: Nicht direkt ersichtlich.
Man kann eine bijektive Abbildung
e= ω
Φ:Ω→Ω
e ∈ {1, . . . , n + m − 1}m | ω
e1 < ω
e2 < · · · < ω
em
Φ(ω) = ω
e mit ω
ej = ωj + j − 1 für j = 1, . . . , m
konstruieren.
Beispiel: Φ(1, 1, 2, 3, 3, 5) = (1, 2, 4, 6, 7, 10)
Es gilt:
e =
#(Ω) = #(Ω)
n+m−1
m
375 / 469
Die Elementarwahrscheinlichkeiten sind hier nicht alle gleich,
d.h. Ω ist kein Laplacescher Ergebnisraum:
Z.B. haben für n = 6, m = 2 (Wurf zweier Würfel) die
Ergebnisse (1, 2) und (1, 1) unterschiedliche
1
1
, p({(1, 1)}) = 36
.
Wahrscheinlichkeiten p({(1, 2)}) = 18
Fazit: Es ist einfacher, als Ergebnismenge die eines
Urnenexperimentes mit Zurücklegen mit Reihenfolge zu wählen
und das Ereignis als Menge aller Permutationen der Elemente
des Ereignisses ohne Berücksichtigung der Reihenfolge zu
definieren.
376 / 469
Hypergeometrische Verteilung
Aus einer Urne mit n roten und m schwarzen Kugeln wählen wir
zufällig k Kugeln aus.
Wie groß ist die Wahrscheinlichkeit für genau ` rote Kugeln als
Ergebnis?
Mathematische Beschreibung:
Nummerierung der Kugeln von 1 bis n für rote und n + 1 bis
n + m für schwarze Kugeln.
Urnenexperiment „k aus n + m“ ohne Zurücklegen ohne
Reihenfolge.
Ergebnisraum:
Ω = ω ∈ {1, . . . , n + m}k | ω1 < ω2 < . . . < ωk
n+m
#(Ω) =
k
377 / 469
Das Ereignis M = „` rote Kugeln“ setzt sich zusammen aus:
Auswahl
von ` roten aus n roten Kugeln
n
=>
Möglichkeiten
`
Auswahl
von
k − ` schwarzen aus m schwarzen Kugeln
m
=>
Möglichkeiten
k −`
n
m
Insgesamt: #(M) =
`
k −`
Wahrscheinlichkeit:
n
m
`
k −`
p(M) = n+m
k
(für 0 ≤ ` ≤ min{k , n})
378 / 469
Direkte Beschreibung:
Wahrscheinlichkeitsraum (Ω, p) mit
Ω = {0, . . . , n}, ω ∈ Ω = Anzahl der roten Kugeln
n
m
`
k −`
p({`}) = n+m
k
Diese Verteilung heißt hypergeometrische Verteilung oder
H(n, m, k )–Verteilung
379 / 469
Das Galton–Brett
Schräg / senkrecht gestellte Platte mit n Reihen aus
Hindernissen/Nägeln, an denen eine herunterfallende Kugel
jeweils nach links bzw. rechts abgelenkt wird. Nach den n
Reihen befinden sich von 0 bis n durchnummerierte Behälter,
in denen die Kugel aufgefangen wird.
0 1 2 3 4 5
380 / 469
Interpretation als Urnenexperiment:
Auswahl „n aus 2“ mit Zurücklegen, wobei eine Ziffer „1“ einer
Ablenkung nach links und „2“ einer Ablenkung nach rechts
entspricht.
Urnenexperiment mit Reihenfolge
=> Ergebnisraum: Ω = {1, 2}n
Anzahl Elemente: #(Ω) = 2n
Elementarwahrscheinlichkeit: p({ω}) = 2−n
381 / 469
Frage: Mit welcher Wahrscheinlichkeit fällt die Kugel
in den k –ten Behälter?
k –ter Behälter bedeutet:
k Ablenkungen nach rechts, n − k Ablenkungen nach links.
Aufteilen der k Ablenkung nach rechts auf die n Stufen:
Auswahl „k aus n“ (ohne Zurücklegen ohne Reihenfolge)
n
=>
Möglichkeiten.
k
n
−n
=> Wahrscheinlichkeit für Behälter k : 2
k
Wenn man als Ergebnisse die Nummer des Behälters wählt,
e = {0, . . . , n}
hat man die Ergebnismenge Ω
n
−n
e({k }) = 2
und die Elementarwahrscheinlichkeiten p
k
382 / 469
Verallgemeinerung des Galton–Bretts
Unterschiedliche Wahrscheinlichkeiten:
Wahrscheinlichkeit p für Ablenkung nach rechts,
q = 1 − p für Ablenkung nach links.
Ergebnisraum: Ω = {1, 2}n
Einzelwahrscheinlichkeit für Ereignis ω ∈ Ω mit
k mal „2“ (Ablenkung nach rechts) und
n − k mal „1“ (Ablenkung nach links):
p({ω}) = pk (1 − p)n−k
für ω = Permutation von (1, . . . , 1, 2, . . . , 2)
| {z } | {z }
n−k mal
k mal
Wahrscheinlichkeit für „Kugel fällt in Behälter k “:
n
e({k }) =
p
pk (1 − p)n−k
k
383 / 469
Direkte Beschreibung:
Wahrscheinlichkeitsraum (Ω, p) mit
Ω = {0, . .
. , n}
(Menge der Behälternummern)
n
p({k }) =
pk (1 − p)n−k
k
Diese Verteilung heißt Binomialverteilung oder
B(n, p)–Verteilung.
Anwendung: Anzahl eingetretener Ereignisse bei mehrfacher
Wiederholung eines Zufallsexperiments
384 / 469
Beispiel
In einem Hörsaal sitzen 105 Personen.
Die Zahl derer, die heute Geburtstag haben, ist B(n, p)–verteilt
1
mit n = 105, p = 365
.
Die Wahrscheinlichkeit, dass genau zwei Personen heute
Geburtstag haben, ist
1 2 364 103
105
= 0,03089 · · · ∼ 3%
p({2}) =
2
365
365
385 / 469
Zufallsvariablen
Bei vielen Zufallsexperimenten ist nicht das genaue Ergebnis
ω ∈ Ω von Interesse, sondern eine bestimmte Größe X = X (ω),
die von ω abhängt.
Beispiel:
Beim Galton–Brett ist am Ende nicht der durch ω ∈ {1, 2}n
codierte Weg interessant, sondern die Nummer k ∈ {0, . . . , n}
des Behälters, in den die Kugel am Ende fällt.
Definition
Sei (Ω, p) ein Wahrscheinlichkeitsraum und X eine Menge.
Dann heißt eine Funktion X : Ω → X Zufallsvariable.
Die durch pX (A) := p({ω ∈ Ω | X (ω) ∈ A}) definierte Funktion
pX : P(X ) → [0, 1] heißt Verteilung der Zufallsvariablen.
386 / 469
Beispiel 1: Wurf zweier Würfel
Wahrscheinlichkeitsraum (Ω, p) mit Ω = {1, . . . , 6}2 ,
1
p({(i, j)}) = 36
(d.h. mit Reihenfolge)
Beispiele für Zufallsvariablen:
X : Ω → X := {ω = (ω1 , ω2 ) ∈ Ω | ω1 ≤ ω2 }
(
(i, j) für i ≤ j
X ((i, j)) =
(j, i) für j ≤ i
(Abbildung des Ergebnisses mit Reihenfolge auf das
Ergebnis ohne Reihenfolge)
X : Ω → X := {2, . . . , 12}, X ((i, j)) = i + j
(Summe der Augenzahlen)
387 / 469
Beispiel 2: Galton–Brett
Ω = {1, 2}n
p({ω}) = pk (1 − p)n−k
für ω = Permutation von (1, . . . , 1, 2, . . . , 2)
| {z } | {z }
n−k mal
n
X
Zufallsvariable X : Ω → {0, . . . , n}, X ({ω}) =
k mal
(ωj − 1)
j=1
(Nummer des Behälters, in den die Kugel fällt)
n
pk (1 − p)n−k
Verteilung von X : pX ({k }) =
k
(Binomialverteilung)
388 / 469
Bemerkung
Statt eine Zufallsvariable einzuführen, könnte man auch direkt
(X , pX ) als neuen Wahrscheinlichkeitsraum definieren.
Die Einführung von Zufallsvariablen ist trotzdem sinnvoll, weil
man
1
dadurch „komplizierte“ Wahrscheinlichkeitsräume durch
Zufallsvariablen über „einfache“ Wahrscheinlichkeitsräume
ersetzen kann
2
verschiedene Varianten eines Zufallsexperimentes durch
verschiedene Zufallsvariablen über demselben
Wahrscheinlichkeitsraum beschreiben kann
389 / 469
Bedingte Wahrscheinlichkeiten
Häufig hat man die Aufgabe, aus der Kenntnis oder Annahme
eines Ereignisses die Wahrscheinlichkeit eines anderen
Ereignisses abzuschätzen.
Beispiel: Test für eine Krankheit.
Von einer Krankheit ist bekannt, dass sie bei 1% aller Personen
auftritt.
Ein Testverfahren für diese Krankheit liefert ein positives
Ergebnis bei
98% aller kranken und
2% aller gesunden
Personen
Frage: Wie groß ist die Wahrscheinlichkeit, dass eine Person
mit positivem Testergebnis wirklich krank ist?
390 / 469
Ereignisraum Ω aller Personen
Elementarwahrscheinlichkeit: p({ω}) =
Wahrscheinlichkeitsverteilung: p(M) =
1
#(Ω) .
#(M)
#(Ω) für
M⊂Ω
Teilmengen
K ⊂ Ω der kranken Personen
G ⊂ Ω der gesunden Personen
P ⊂ Ω der Personen mit positivem Testergebnis
K ∩ P der Kranken mit positivem Testergebnis
G ∩ P der Gesunden mit positivem Testergebnis
Wahrscheinlichkeit, dass eine Person mit positivem
Testergebnis gesund ist:
p(G|P) =
#(G ∩ P) #(Ω)
#(G ∩ P)
p(G ∩ P)
=
·
=
#(P)
#(Ω)
#(P)
p(P)
391 / 469
Definition
Sei (Ω, p) ein Wahrscheinlichkeitsraum, A, B ⊂ Ω zwei
Ereignisse. Dann ist
p(A ∩ B)
p(A|B) =
p(B)
die bedingte Wahrscheinlichkeit von A unter der Bedingung B
Für unser Beispiel gilt
0,02 · 0,99 · #(Ω)
p(G ∩ P) =
= 0,0198
#(Ω)
p(P) = 0,02 · 0,99 + 0,98 · 0,01 = 0,0296
0,0198
p(G|P) =
= 0, 66 · · · > 1/2 !
0,0296
Das heißt, eine Person mit positivem Testergebnis ist (bei
diesem Beispiel) mit größerer Wahrscheinlichkeit gesund als
krank!
392 / 469
Rechenregeln für bedingte Wahrscheinlichkeiten
Satz
Sei (Ω, p) ein Wahrscheinlichkeitsraum, B ⊂ Ω. Dann gilt:
(i) pB (A) := p(A|B) ist ein Wahrscheinlichkeitsmaß auf Ω, d.h.
p(Ω|B) = 1 und für A1 , A2 ⊂ Ω mit A1 ∩ A2 = ∅ gilt
p(A1 ∪ A2 |B) = p(A1 |B) + p(A2 |B)
(ii) Formel von der totalen Wahrscheinlichkeit:
Für B1 , B2 ⊂ Ω mit B1 ∪ B2 = Ω und B1 ∩ B2 = ∅ sowie
A ⊂ Ω gilt:
p(A) = p(A|B1 ) p(B1 ) + p(A|B2 ) p(B2 )
(iii) Formel von Bayes:
Für A ⊂ Ω mit P(A) 6= 0 und B1 , B2 wie in (ii) folgt
p(B1 |A) =
p(A|B1 ) p(B1 )
p(A|B1 ) p(B1 ) + p(A|B2 ) p(B2 )
393 / 469
Beweis
p(Ω ∩ B)
p(B)
=
=1
p(B)
p(B)
und für A1 , A2 ⊂ Ω, A1 ∩ A2 = ∅:
p((A1 ∩ B) ∪ (A2 ∩ B))
p((A1 ∪ A2 ) ∩ B)
=
p(A1 ∪ A2 |B) =
p(B)
p(B)
p(A1 ∩ B) + p(A2 ∩ B)
p(A1 ∩ B) p(A2 ∩ B)
+
=
=
p(B)
p(B)
p(B)
= p(A1 |B) + p(A2 |B)
Zu (i): Es gilt p(Ω|B) =
Zu (ii): Mit p(A|Bi )p(Bi ) = P(A ∩ Bi ) folgt
p(A|B1 ) p(B1 ) + p(A|B2 ) p(B2 ) = p(A ∩ B1 ) + p(A ∩ B2 )
= p((A ∩ B1 ) ∪ (A ∩ B2 )) = p(A ∩ (B1 ∪ B2 )) = p(A)
Zu (iii): Mit (ii) folgt p(A|B1 ) p(B1 ) + p(A|B2 ) p(B2 ) = p(A)
und dann mit p(A|B1 ) p(B1 ) = p(A ∩ B1 )
p(A|B1 )p(B1 )
p(A ∩ B1 )
=
= p(B1 |A)
p(A|B1 ) p(B1 ) + p(A|B2 ) p(B2 )
p(A)
394 / 469
Beispiel
Ziehen zweier Kugeln ohne Zurücklegen aus einer Urne mit
zwei roten und drei schwarzen Kugeln
Frage: Wie groß ist die Wahrscheinlichkeit, dass beide Kugeln
dieselbe Farbe haben?
Definition von Ereignissen:
A — beide Kugeln haben dieselbe Farbe
B1 — die erste gezogene Kugel ist rot
B2 — die erste gezogene Kugel ist schwarz
Es gilt: B1 ∩ B2 = ∅, B1 ∪ B2 = Ω
Wahrscheinlichkeiten p(B1 ) = 2/5, p(B2 ) = 3/5
395 / 469
Bedingte Wahrscheinlichkeiten:
p(A|B1 ) = 1/4 (Auswahl einer roten Kugel aus einer Urne
mit einer roten und drei schwarzen Kugeln)
p(A|B2 ) = 1/2 (Auswahl einer schwarzen Kugel aus einer Urne
mit zwei roten und zwei schwarzen Kugeln)
Formel von der totalen Wahrscheinlichkeit =>
p(A) = p(A|B1 ) p(B1 ) + p(A|B2 ) p(B2 )
1 2 1 3
2+6
2
= · + · =
=
4 5 2 5
20
5
396 / 469
Stochastische Unabhängigkeit
Zwei Ereignisse A und B sollen stochastisch unabhängig
heißen, wenn die Wahrscheinlichkeit für das Eintreten von A
unabhängig davon ist, ob (gleichzeitig) B eintritt oder nicht.
Konkret muss dann gelten: p(A|B) = p(A)
Dies ist äquivalent zu
p(A ∩ B)
= p(A) bzw. p(A ∩ B) = p(A) p(B)
p(B)
Definition
Sei (Ω, p) ein Wahrscheinlichkeitsraum.
Zwei Ereignisse A, B ⊂ Ω heißen (stochastisch) unabhängig ⇔
p(A ∩ B) = p(A) p(B)
397 / 469
Beispiel
Eine Münze wird zweimal geworfen.
Beschreibung als Urnenexperiment:
Auswahl „2 aus 2“ mit Zurücklegen und Reihenfolge.
Ergebnisraum: Ω = {1, 2}2 , #(Ω) = 22 = 4
Dabei bedeutet z.B. ωj = 1 „Zahl“ und ωj = 2 „Bild“ beim j–ten
Wurf.
Einzelwahrscheinlichkeit: p({ω}) = 1/4.
Ereignisse:
A — „Zahl“ beim 1. Wurf, A = {(1, 1), (1, 2)}
B — „Zahl“ beim 2. Wurf, B = {(1, 1), (2, 1)}
C — dasselbe Ergebnis beim 1. und 2. Wurf,
C = {(1, 1), (2, 2)}
Es gilt p(A) = p(B) = p(C) = 1/2 und
p(A ∩ B) = 1/4, p(A ∩ C) = 1/4, p(B ∩ C) = 1/4
Die Ereignisse A, B, C sind also paarweise unabhängig.
398 / 469
Frage: Gilt auch p(A ∩ B ∩ C) = p(A) p(B) p(C)?
Antwort: A ∩ B ∩ C = {(1, 1)}
p(A ∩ B ∩ C) = 1/4 6= p(A) p(B) p(C)
Definition
Sei (Ω, p) ein Wahrscheinlichkeitsraum.
Ereignisse A1 , A2 , . . . , Am ⊂ Ω heißen (stochastisch)
unabhängig ⇔ für jede Auswahl Ai1 , . . . , Ai` mit
i1 , . . . , i` ∈ {1, . . . , m}, ij 6= ik für j 6= k , gilt
p(Ai1 ∩ Ai2 ∩ · · · ∩ Ai` ) = p(Ai1 ) p(Ai2 ) · · · p(Ai` )
Drei Ereignisse A, B, C sind also unabhängig, wenn
p(A ∩ B) = p(A) p(B), p(A ∩ C) = p(A) p(C),
p(B ∩ C) = p(B) p(C), p(A ∩ B ∩ C) = p(A) p(B) p(C).
Beim Beispiel des zweifachen Wurfes zweier Münzen sind die
Ereignisse A = {(1, 1), (1, 2)}, B = {(1, 1), (2, 1)} und
C = {(1, 1), (2, 2)} nicht stochastisch unabhängig.
399 / 469
Diskrete Wahrscheinlichkeitsräume
Bei vielen Anwendungen hat man abzählbar unendlich viele
mögliche Ereignisse.
Beispiel: Wir würfeln einen Würfel solange, bis zum ersten mal
eine „Sechs“ auftritt.
Wie groß ist die Wahrscheinlichkeit, dass das beim k –ten Wurf
der Fall ist?
Antwort: Bei den ersten k − 1 Würfen darf jeweils keine 6
auftreten (das passiert jeweils mit Wahrscheinlichkeit 5/6)
beim k –ten Wurf muss eine 6 auftreten (das passiert mit
Wahrscheinlichkeit 1/6.
k −1
5
1
Folgerung: p({k }) =
6
6
Die möglichen Ergebnisse k sind hier nicht beschränkt, der
zugehörige Wahrscheinlichkeitsraum ist (Ω, p) mit Ω = N.
400 / 469
Definition
Ein (unendlicher) diskreter Wahrscheinlichkeitsraum (Ω, p) ist
definiert durch eine abzählbare Ergebnismenge
Ω = {ωj | j ∈ N} und eine Wahrscheinlichkeitsverteilung
p : P(Ω) → [0, 1] mit den Eigenschaften
p(Ω) = 1
M1 , M2 ⊂ Ω, M1 ∩ M2 = ∅ => p(M1 ∪ M2 ) = p(M1 ) + p(M2 )
(Additivität)
Die Wahrscheinlichkeitsverteilung p ist eindeutig definiert durch
die Einzelwahrscheinlichkeiten p({ω}) für ω ∈ Ω. Dabei gilt
X
p(A) =
p({ω})
p(Ω) =
ω∈A
∞
X
p({ωj }) = 1
j=1
401 / 469
Bemerkungen
Bei der Summe
X
p({ω})
ω∈A
handelt es sich im Fall #(A) = ∞ um den Grenzwert einer
absolut konvergenten Reihe. Bei absolut konvergenten
Reihen hängt der Grenzwert nicht von der Reihenfolge der
Summanden ab.
Einen endlichen Wahrscheinlichkeitsraum bezeichnet man
ebenfalls als diskreten Wahrscheinlichkeitsraum.
Die bisher eingeführten Begriffe wie bedingte
Wahrscheinlichkeit und unabhängige Ereignisse und deren
Eigenschaften gelten auch für diskrete
Wahrscheinlichkeitsräume
402 / 469
Die Geometrische Verteilung
Wir wiederholen ein Zufallsexperiment mit Erfolgswahrscheinlichkeit q so lange, bis zum ersten Mal der Erfolg eintritt.
Sei k die Anzahl der Versuche bis zum ersten Erfolg. Es gilt:
p({k }) = (1 − q)k −1 q
Diese Verteilung heißt geometrische Verteilung oder
G(q)–Verteilung.
Der zugehörige Wahrscheinlichkeitsraum ist Ω = N.
Anwendungen:
Wartezeit bis zum Eintreten eines Ereignisses
Lebensdauer von Geräten (d.h. Wartezeit bis zum Ausfall)
403 / 469
Satz
Die geometrische Verteilung hat kein Gedächtnis:
Für das Ereignis An = {n + 1, n + 2, n + 3, . . .} dass mehr als n
Versuche nötig sind, gilt:
p(An+m |An ) = p(Am )
Beweis:
p(An ) =
∞
X
p({k }) =
k =n+1
∞
X
(1 − q)k −1 q
k =n+1
= (1 − q)n q
∞
X
`=0
(1 − q)` =
(1 − q)n q
= (1 − q)n
1 − (1 − q)
und damit
p(An+m )
p(An+m ∩ An )
=
p(An )
p(An )
n+m
(1 − q)
=
= (1 − q)m = p(Am )
(1 − q)n
p(An+m |An ) =
404 / 469
Die Poisson–Verteilung
Ein Zufallsexperiment mit Erfolgswahrscheinlichkeit p werde n
mal wiederholt.
Die Zufallsvariable X misst die Anzahl der Erfolge.
Dann ist X binomialverteilt, und zwar B(n, p)–verteilt.
Sei nun n groß und p klein, p = λ/n. Dann gilt:
k λ
λ n−k
n
p({X = k }) =
1−
k
n
n
n · (n − 1) · · · · · (n − k + 1) λk
λ n−k
=
1−
k!
n
nk
1 n n−1
n−k +1 k
λ n
λ −k
=
·
· ··· ·
λ
1−
1−
k ! |n
n
n }
n
n
{z
| {z } |
{z
}
→1 für n→+∞
→ e−λ
→e−λ für n→∞ →1 für n→∞
λk
k!
405 / 469
k
Für p({X = k }) = e−λ λk ! gilt:
∞
X
p({X = k }) = e
k =0
−λ
∞
X
1 k
λ = e−λ eλ = 1
k!
k =0
Damit definiert
λk
k!
eine Wahrscheinlichkeitsverteilung auf Ω = N ∪ {0}
p({X = k }) = e−λ
Diese Verteilung heißt Poisson–Verteilung oder
P(λ)–Verteilung.
Die Poisson–Verteilung mit Parameter λ ist eine Näherung für
die Binomialverteilung B(n, p) bei großem n und kleinem p mit
λ = np.
Sie ist anwendbar, wenn man die Anzahl des Auftretens von
Ereignissen mit geringer Wahrscheinlichkeit bei vielen
Wiederholungen des Zufallsexperimentes abschätzen will.
406 / 469
Beispiel
In einem Hörsaal sitzen 105 Personen.
Die Zahl derer, die heute Geburtstag haben, ist etwa
P(λ)–verteilt mit λ = n p, n = 105, p = 1/365, also
λ = 105/365.
Die Wahrscheinlichkeit, dass genau zwei Personen heute
Geburtstag haben, ist etwa
λ2
= 0,03103 · · · ∼ 3%
p({2}) = e−λ
2!
Das Ergebnis mit der Binomialverteilung ist (siehe S. 385)
p({2}) = 0,03089 · · ·
Ein Vorteil der Poisson–Verteilung besteht darin, dass man nur
einen Parameter λ hat, den man aus nur einer Information /
Messung (näherungsweise) bestimmen kann. Man muss nicht
p und n wie bei der Binomialverteilung kennen, sondern nur
λ = p · n.
407 / 469
Der Erwartungswert
Sei X : Ω → R eine reellwertige Zufallsvariable.
Wir betrachten den Mittelwert
n
1X
n
X (ωj )
j=1
der Ergebnisse von vielen durch ω1 , . . . , ωn ∈ Ω beschriebenen
Wiederholungen des Zufallsexperiments.
Sei Ω ein diskreter Wahrscheinlichkeitsraum.
Dann approximiert n p({ω}) die Zahl der Ergebnisse ω bei n
Versuchen. Es gilt also (für großes n bzw. n → ∞)
n
X
1X
1X
X (ωj ) ∼
X (ω) n p({ω}) =
X (ω) p({ω})
n
n
j=1
ω∈Ω
ω∈Ω
408 / 469
Definition
Sei (Ω, p) ein diskreter Wahrscheinlichkeitsraum und
X : Ω → R eine reellwertige Zufallsvariable. Dann heißt
X
E(X ) =
X (ω) p({ω})
ω∈Ω
der Erwartungswert von X .
409 / 469
Erwartungswert der Binomialverteilung
Sei X eine B(n, p)–verteilte Zufallsvariable. Dann gilt:
n
X
n
E(X ) =
k
pk (1 − p)n−k
k
k =0
n
X
n · (n − 1) · · · · · · (n − k + 1) k
k
p (1 − p)n−k
=
k!
k =1
n
X
(n − 1) · · · · · · (n − k + 1) k
p (1 − p)n−k
(k − 1)!
k =1
n X
n−1
pk −1 (1 − p)n−1−(k −1)
= np
k −1
=
= np
n
k =1
n−1 X
k =0
n−1 k
p (1 − p)n−1−k = np(p + (1 − p))n−1 = np
k
410 / 469
Erwartungswert der geometrischen Verteilung
Sei X eine G(p)–verteilte Zufallsvariable. Dann gilt:
E(X ) =
∞
X
k p(1 − p)
k −1
= p f (1 − p) mit f (x) :=
k =1
∞
X
k x k −1
k =0
Gliedweise Integration liefert f (x) =
F (x) =
∞
X
F 0 (x)
xk =
k =0
=>
f (x) = F 0 (x) =
mit
1
1−x
1
(1 − x)2
und
E(X ) = p f (1 − p) =
p
p
1
= 2=
p
(1 − (1 − p))2
p
411 / 469
Erwartungswert der Poisson–Verteilung
Für eine P(λ)–verteilte Zufallsvariable gilt
E(X ) =
∞
X
ke
k =0
−λ
= λe
k
−λ λ
k!
= λe
−λ
∞
∞
X
X
λk −1
λk
−λ
= λe
(k − 1)!
k!
k =1
k =0
λ
e =λ
412 / 469
Anwendung
Auf der Erde habe es in den letzten 100.000 Jahren etwa 10
Einschläge von Meteoriten oberhalb einer bestimmten Größe
gegeben.
Wie wahrscheinlich ist das Auftreten mindestens eines
entsprechenden Einschlags in den nächsten 1.000 Jahren?
Modell:
Die Anzahl der Einschläge in 1.000 Jahren ist Poisson–verteilt
mit Erwartungswert λ = 10/100 = 0,1.
Wahrscheinlichkeit für mindestens einen Meteoriteneinschlag:
λ0
= 1 − e−λ
0!
= 0,09516 · · · ∼ 9,5%
p({1, 2, . . .}) = 1 − p({0}) = 1 − e−λ
413 / 469
Eigenschaften des Erwartungswerts
Für eine konstante Zufallsvariable X (ω) = α gilt:
X
X
X
α p({ω}) = α
p({ω}) = α
E(X ) =
X (ω) p({ω}) =
ω∈Ω
ω∈Ω
ω∈Ω
Der Erwartungswert ist linear: Sind X , Y : Ω → R zwei
Zufallsvariablen und α, β ∈ R, so gilt
X
E(α X + β Y ) =
(α X + βY )(ω) p({ω})
ω∈Ω
=
X
α X (ω) + βY (ω) p({ω})
ω∈Ω
=α
X
X (ω) p({ω}) + β
ω∈Ω
X
Y (ω) p({ω})
ω∈Ω
= α E(X ) + β E(Y )
414 / 469
Die Varianz
Die Varianz ist ein Maß für die mittlere Abweichung vom
Erwartungswert.
Definition
Sei (Ω, p) ein Wahrscheinlichkeitsraum und X : Ω → R eine
reellwertige Zufallsvariable. Dann heißt
V (X ) = E (X − E(X ))2
die Varianz von X . Die Wurzel
σX :=
p
V (X )
heißt Standardabweichung von X .
415 / 469
Rechenregeln
Satz
Sei (Ω, p) ein Wahrscheinlichkeitsraum, X : Ω → R eine
Zufallsvariable und α, β ∈ R. Dann gilt:
V (X ) = E X 2 − (E(X ))2
V (αX + β) = α2 V (X )
Beweis
Zu (i): Mit der Linearität des Erwartungswerts folgt
V (X ) = E (X − E(X ))2 = E X 2 − 2 E(X ) X + (E(X ))2
= E X 2 − 2 E(X ) E(X ) + (E(X ))2 = E X 2 − (E(X ))2
Zu (ii):
V (αX + β) = E (αX + β − E(αX + β))2
= E (αX + β − (αE(X ) + β))2
2
= E α2 (X − E(X ))2 = α2 E X − E(X ) = α2 V (X )
416 / 469
Varianz der Binomialverteilung
B(n, p)–Verteilung:
n
p({X = k }) =
pk (1 − p)n−k für k = 0, 1, . . . , n
k
n
X
2
2 n
E X =
k
pk (1 − p)n−k
k
k =0
n
X
n
=
k (k − 1) + k
pk (1 − p)n−k
k
k =0
n
n
X
X
n
n
k
n−k
=
k (k − 1)
p (1 − p)
+
pk (1 − p)n−k
k
k
k
k =0
k =0
|
{z
}
=E(X )=np
417 / 469
Mit
n(n − 1) · · · (n − k + 1)
n
= k (k − 1)
k
k (k − 1) · · · 1
(n − 2)(n − 3) · · · (n − 2 − (k − 2) + 1)
= n(n − 1)
(k − 2)(k − 3) · · · 1
n−2
= n(n − 1)
k −2
k (k − 1)
folgt:
n
X
n
k (k − 1)
pk (1 − p)n−k
k
k =2
n
X
n−2
=
n(n − 1)
p2 pk −2 (1 − p)n−2−(k −2)
k −2
k =2
= n(n − 1)p
2
n−2 X
n−2
k =0
k
pk (1 − p)n−2−k
2
= n(n − 1)p (p + (1 − p))n−2 = n(n − 1)p2
418 / 469
Insgesamt erhält man:
E X 2 = n(n − 1)p2 + np
V (X ) = E X 2 − (E(X ))2 = n(n − 1)p2 + np − (np)2
= np(1 − p)
419 / 469
Varianz der geometrischen Verteilung
G(p)–Verteilung: p({X = k }) = p(1 − p)k −1 , k ∈ N.
∞
X
2
E X =
k 2 p(1 − p)k −1
=
k =1
∞
X
k (k − 1)p(1 − p)k −1 +
∞
X
k =1
k =1
|
= p(1 − p)
kp(1 − p)k −1
∞
X
{z
=E(X )=1/p
k (k − 1)(1 − p)k −2 +
k =2
1
p
Weiter gilt:
∞
∞
X
X
k (k − 1)(1 − p)k −2 = f 00 (1 − p) mit f (x) =
xk =
k =2
=> f 0 (x) =
}
k =0
1
1−x
2
1
, f 00 (x) =
2
(1 − x)3
(1 − x)
420 / 469
=>
E X 2 = p(1 − p)
=
2
1
2p(1 − p) p2
+
=
+ 3
(1 − (1 − p))3 p
p3
p
2p − p2
p3
2p − p2
1
V (X ) = E X 2 − (E(X ))2 =
− 2
p3
p
p − p2
1−p
=
=
3
p
p2
421 / 469
Überabzählbare Wahrscheinlichkeitsräume
Beispiel:
Zwei Personen beschließen, sich zwischen 12 Uhr und 13 Uhr
zum Mittagessen treffen. Jeder der beiden kommt zu einem
zufällig ausgewählten Zeitpunkt und soll genau 20 Minuten auf
den anderen warten. Wie groß ist die Wahrscheinlichkeit, dass
sich beide treffen?
Mathematische Beschreibung:
Variable t ∈ [0, 1] bedeutet: Ankunft t Stunden nach 12 Uhr.
Zwei Ankunftszeiten t1 , t2 ∈ [0, 1]
=> Zufallsvariable ω = (t1 , t2 ) ∈ [0, 1]2
=> Wahrscheinlichkeitsraum Ω = [0, 1]2
mit überabzählbar vielen Elementen.
422 / 469
Ereignis „beide Personen treffen sich“:
Menge A = {(t1 , t2 ) ∈ [0, 1]2 | |t1 − t2 | ≤ 1/3} ⊂ Ω
t2
Ω
A
t1
Zuordnung von Wahrscheinlichkeiten:
Jeder Zeitpunkt t1 , t2 soll gleichwahrscheinlich sein.
Problem:
Wir können nicht jedem ω ∈ Ω eine feste Wahrscheinlichkeit
zuordnen, da Ω unendlich viele Elemente hat, und damit
1
p({ω}) = ∞
(= 0?) sein müsste.
423 / 469
Lösung:
Betrachte Zerlegung von Ω in kleine Rechtecke der Form
Qij = ((i − 1)h, ih] × ((j − 1)h, jh], h = 1/n, i, j = 1, . . . , n.
Insgesamt: n2 Rechtecke
Wahrscheinlichkeit für ω ∈ Qij :
1
=h
n
1
p({t2 ∈ ((j − 1)h, jh]}) = = h
n
1
p(Qij ) = 2 = h2 = |Qij | mit der Fläche |Qij | von Qij .
n
p({t1 ∈ ((i − 1)h, ih]}) =
424 / 469
[
Approximation für Menge A: Ah :=
Qij
Qij ⊂A
Wahrscheinlichkeit p(Ah ) =
X
|Qij | = |Ah |
i,j=1,...,n
Qij ⊂A
Grenzübergang h → 0: p(A) = |A|
Folgerung: p(A) ist proportional zur Fläche von A.
Lösung des Beispiels: p(A) = 1 − 2 ·
1 2 2
4 5
· · =1− =
2 3 3
9 9
425 / 469
Messbare Mengen
Sei Ω ⊂ Rn .
Wir wollen auf Ω ein Wahrscheinlichkeitsmaß definieren durch
|A|
für A ⊂ Ω
p(A) =
|Ω|
Frage: Kann man jeder beliebigen Teilmenge des R (bzw. Rn )
eine Länge (bzw. eine Fläche, ein Volumen) zuordnen?
Antwort: Nein!
Folgerung: Wir können p nicht auf der gesamten
Potenzmenge P(Ω) definieren.
Eine Menge M ⊂ Rn , der wir ein n–dimensionales Volumen |M|
zuordnen können, heißt messbar.
426 / 469
Beispiele für messbare Mengen
Intervalle I = (a, b) (oder I = (a, b] oder I = [a, b]) in R:
|I| = b − a
Quader
Q = (a, b) = {x ∈ Rn | ai < xi < bi für i = 1, . . . , n}:
|Q| =
n
Y
(bi − ai )
i=1
In Teil I der Vorlesung (Integration) wurde eine Menge A
als messbar bezeichnet, wenn das (Riemann-) Integral
(
Z
Z
1 für x ∈ A
χA (x) dx mit χA (x) =
1 dx =
0 für x ∈
/A
A
Rn
existiert. Dann ist:
Z
|A| =
1 dx
A
427 / 469
Wahrscheinlichkeitsraum, 1. Versuch
Ein Wahrscheinlichkeitsraum (Ω, M , p) besteht aus einer
Ergebnismenge Ω, einem System messbarer Teilmengen
M ⊂ P(Ω) und einer Abbildung p : M → [0, 1] mit folgenden
Eigenschaften:
(i) p(Ω) = 1
(ii) Aj ∈ M für j ∈ N, Aj ∩ Ak = ∅ für j 6= k =>
[ X
∞
p
Aj =
p(Aj )
j∈N
j=1
Damit man die Bedingungen (i)–(ii) an p : M → [0, 1]
formulieren kann, muss M folgende Bedingungen erfüllen:
(i) Ω ∈ M
(ii) A ∈ M => Ω \ A ∈ M
S
(iii) Aj ∈ M für j ∈ N => j∈N Aj ∈ M
Ein System M ⊂ P(Ω) mit diesen Eigenschaften heißt eine
σ–Algebra.
428 / 469
Borelsche σ–Algebra
Die kleinste σ–Algebra in Rn , in der alle Intervalle bzw. alle
Quader enthalten sind, heißt Borelsche σ–Algebra, sie wird mit
Bn bezeichnet.
Sie besteht aus allen Mengen, die man durch Bilden von
(möglicherweise unendlich vielen) Schnitt- und
Vereinigungsmengen aus Intervallen bzw. Quadern
konstruieren kann.
Problem:
Die Borelsche σ–Algebra ist größer als die Menge
Z
n
A ⊂ R das Riemann–Integral
χA (x) dx existiert
Rn
Beispiel: A = (0, 1) ∩ Q (Q Menge der rationalen Zahlen):
Z
A ∈ B1 , aber
χA (x) dx existiert nicht
R
429 / 469
Auf Bn kann man in eindeutiger Weise eine Abbildung
µ : Bn → [0, +∞]
definieren, die auf der Menge der Intervalle bzw. Quader die
Länge bzw. das Volumen liefert, das sogenannte
Lebesgue–Maß.
Damit kann man eine allgemeinere Definition des Integrals
konstruieren, das sog. Lebesgue–Integral, so dass
Z
χA (x) dx für alle A ∈ Bn existiert
Rn
Das Lebesgue–Integral wird hier nicht näher beschrieben, da
man (fast) alle praktisch relevanten Fälle auch mit dem
Riemann–Integral lösen kann.
430 / 469
Wahrscheinlichkeitsraum, korrekte Definition
Definition
Ein Wahrscheinlichkeitsraum (Ω, M , p) besteht aus einer
Ergebnismenge Ω, einer σ–Algebra M ⊂ P(Ω) und einer
Abbildung p : M → [0, 1] mit folgenden Eigenschaften:
(i) p(Ω) = 1
(ii) Aj ∈ M für j ∈ N, Aj ∩ Ak = ∅ für j 6= k =>
[ X
∞
p
Aj =
p(Aj )
j∈N
j=1
Die Abbildung p heißt Wahrscheinlichkeitsverteilung oder
Wahrscheinlichkeitsmaß.
431 / 469
Beispiele für Wahrscheinlichkeitsräume
(i) Jeder endliche oder diskrete Wahrscheinlichkeitsraum
(Ω, p) mit M = P(Ω)
|A|
(ii) Ω ⊂ Rn , Ω ∈ Bn , M = {A ∩ Ω | A ∈ Bn }, p(A) =
|Ω|
Diese Wahrscheinlichkeitsverteilung heißt Gleichverteilung
(iii) Ω, M wie in (ii),
Z
p(A) =
f (x) dx
A
mit einer integrierbaren Funktion f : A → R mit den
Eigenschaften
f (x) ≥ 0 für alle x ∈ Ω
Z
f (x) dx = 1
Ω
432 / 469
Definition
Sei (Ω, M , p) ein Wahrscheinlichkeitsraum mit Ω ⊂ Rn .
Die Wahrscheinlichkeitsverteilung p habe die Dichte f : Ω → R
⇔
Z
p(A) =
f (x) dx für alle A ∈ M
A
Beispiel:
|A|
1
, denn
hat die Dichte f (x) =
|Ω|
|Ω|
Z
Z
1
1
|A|
dx =
1 dx =
|Ω| A
|Ω|
A |Ω|
Die Gleichverteilung p(A) =
433 / 469
Eindimensionale Wahrscheinlichkeitsverteilungen
Ziel: Beschreibung von Wahrscheinlichkeitsverteilungen
auf Ω = R
1. Möglichkeit: Dichte f : R → R der W.-Verteilung p
Z
p(A) =
f (x) dx
A
Problem: Nicht jede Verteilung hat eine Dichte.
Beispiel: Fortsetzung der geometrischen Verteilung auf R
(
(1 − p)k −1 p für x = k ∈ N
p({x}) =
0
sonst
Die Existenz einer Dichte bedeutet, dass die
Wahrscheinlichkeitsverteilung über ein Kontinuum verteilt ist,
und die Einzelwahrscheinlichkeiten p({ω}) alle gleich Null sind.
434 / 469
Verteilungsfunktion
Definition
Sei p eine Wahrscheinlichkeitsverteilung auf Ω ⊂ R. Dann heißt
F : R → [0, 1], F (x) := p({y ∈ R | y ≤ x}) = p((−∞, x])
die Verteilungsfunktion von p.
Beispiel: Gleichverteilung auf [0, 1].
Für A = (a, b) ⊂ [0, 1] gilt: p(A) = (b − a)
Damit folgt:
F (x) = p((−∞, x])


0 für x < 0
= x für x ∈ [0, 1]


1 für x > 1
1
1
435 / 469
Beispiel: Geometrische Verteilung
(
(1 − p)k −1 p
Sei p({x}) =
0
für x = k ∈ N
sonst
Für x ∈ [n, n + 1) mit n ∈ N gilt:
n
n
X
X
p({k }) =
(1 − p)k −1 p
F (x) = p((−∞, x]) =
k =1
=p
n−1
X
(1 − p)k = p
k =0
k =1
1 − (1 − p)n
= 1 − (1 − p)n
1 − (1 − p)
Mit [x] := max{n ∈ Z | n ≤ x} folgt
(
1 − (1 − p)[x]
F (x) =
0
für x ≥ 1
für x < 1
436 / 469
Verteilungsfunktion der Geometrischen Verteilung für p = 1/2:
1
1
2
3
4
5
437 / 469
Eigenschaften der Verteilungsfunktion
Satz
Für die Verteilungsfunktion F einer
Wahrscheinlichkeitsverteilung auf R gilt:
(i) F ist monoton steigend
(ii)
lim F (x) = 0, lim F (x) = 1
x→−∞
x→+∞
(iii) F ist rechtsseitig stetig, d.h.
lim F (x + h) = F (x) für alle x ∈ R.
h→0
h>0
(iv) Die Wahrscheinlichkeitsverteilung hat eine Dichte f
⇔ F ist differenzierbar
In diesem Fall gilt f (x) = F 0 (x)
Eigenschaft (iii) bedeutet, dass die Verteilungsfunktion an
Sprungstellen immer den rechtsseitigen Grenzwert annimmt
438 / 469
Beweisskizze
Zu (i): Für x < y gilt wegen (−∞, x] ⊂ (−∞, y ]:
F (x) = p((−∞, x]) ≤ p((−∞, y ]) = F (y )
Zu (ii):
lim F (n) = lim p((−∞, n]) = p
n→−∞
n→−∞
∞
\
!
(−∞, −n]
n=1
= p(∅) = 0
lim F (n) = lim p((−∞, n]) = p
n→∞
n→∞
∞
[
!
(−∞, n]
= p(R) = 1
n=1
Zu (iii):
lim F (x + 1/n) = lim p((−∞, x + 1/n])
n→∞
!
∞
\
=p
(−∞, x + 1/n] = p((−∞, x]) = F (x)
n→∞
n=1
439 / 469
Zu (iv): Falls F differenzierbar ist, gilt:
Z
Z x
0
F (x) = p((−∞, x]) =
F (y ) dy =
−∞
F 0 (y ) dy
(−∞,x]
Die Wahrscheinlichkeitsverteilung p hat eine Dichte f ⇔
Z
p(A) =
f (y ) dy für alle A ∈ B1
A
Jede Menge A ∈ B1 lässt sich durch (unendliche) Schnitte und
Vereinigungen aus Intervallen konstruieren.
Jedes Intervall (a, b] hat die Form
(a, b] = (−∞, b] \ (−∞, a]
=> p hat eine Dichte ⇔
Z
Z
p((−∞, x]) =
f (y ) dy =
(−∞,x]
x
f (y ) dy für alle x ∈ R
−∞
440 / 469
Exponentialverteilung
Ziel: Verteilung der Wartezeit t ∈ [0, +∞) bis zum
erstmaligen Eintreten eines bestimmten Ereignisses
Ansatz: Unterteilung der kontinuierlichen Zeitachse [0, +∞)
in kleine Intervalle Ik ,h = ((k − 1)h, kh] mit k ∈ N, h > 0.
I k,h
0
h
2h
3h
(k−1)h kh
Wahrscheinlichkeit für Eintreten des Ereignisses in Ik ,h :
qh ∼ h,
qh = λh mit λ > 0
Verteilung für „Ereignis tritt erstmals im Intervall Ik ,h ein“:
G(qh )–Verteilung, ph (Ik ,h ) = (1 − qh )k −1 qh
441 / 469
Verteilungsfunktion der G(qh )–Verteilung:
ph ([0, kh]) =
k
X
p(I`,h ) = 1 − (1 − qh )k (s. S. 436)
`=1
Grenzübergang h → 0 bei qh = λh und festem kh = x:
F (x) = lim ph ([0, x]) = 1 − lim
h→0
h→0
(1 − λh)x/h
{z
}
|
x h→0
= (1−λh)1/h
= 1 − e−λx
→ e−λx
Das ist die Verteilungsfunktion der Exponentialverteilung für
x ∈ [0, ∞)
Die Dichte der Exponentialverteilung ist
f (x) = F 0 (x) = λ e−λx
Die Exponentialverteilung ist eine kontinuierliche Version der
geometrischen Verteilung.
442 / 469
Reellwertige Zufallsvariablen
Definition
Sei (Ω, M , p) ein Wahrscheinlichkeitsraum.
Eine Abbildung X : Ω → R heißt Zufallsvariable ⇔
X −1 ((−∞, x]) := ω ∈ Ω | X (ω) ≤ x ∈ M für alle x ∈ R
Die Verteilung pX der Zufallsvariablen X ist gegeben durch
pX (A) := p({ω ∈ Ω | X (ω) ∈ A}) = p X −1 (A) für alle A ∈ B1
Die Verteilungsfunktion FX von pX heißt auch
Verteilungsfunktion der Zufallsvariablen X .
Falls pX eine Dichte fX hat, dann heißt fX auch Dichte der
Zufallsvariablen X .
Bemerkung:
Die Bedingung X −1 ((−∞, x]) ∈ M für alle x ∈ R stellt sicher,
dass X −1 (A) ∈ M für alle A ∈ B1 . Sie ist eine Voraussetzung
für die Existenz der Verteilung pX von X .
443 / 469
Transformationsregeln für Verteilungsfunktionen
Satz
Sei FX die Verteilungsfunktion einer reellwertigen
Zufallsvariablen X und Y = αX + β mit α > 0, β ∈ R.
Dann hat Y die Verteilungsfunktion
x − β FY (x) = FX
α
Falls X eine Dichte fX hat, dann hat Y die Dichte
1 x − β fY (x) = fX
α
α
Beweis: Wegen Y = αX + β ≤ x ⇔ X ≤ x−β
α folgt
FY (x) = p({Y ≤ x}) = p X ≤ x−β
= FX
α
x−β α
Falls FX eine Dichte fX hat, dann gilt FX0 (x) = fX (x) und
1
x−β FY0 (x) = α1 FX0 x−β
=
f
X
α
α
α
444 / 469
Erwartungswert und Varianz
Definition
Sei X eine reellwertige Zufallsvariable mit Dichte
f : R → [0, +∞). Dann sind Erwartungswert E(X ) und Varianz
V (X ) definiert durch
Z ∞
E(X ) =
x f (x) dx
−∞
Z ∞
V (X ) =
(x − E(X ))2 f (x) dx
−∞
Eigenschaften: Für Zufallsvariable X , Y und α, β ∈ R gilt
V (X ) = E X 2 − (E(X ))2
E(αX + βY ) = α E(X ) + β E(Y )
V (αX + β) = α2 V (X ) für α > 0
445 / 469
Motivation: Rückführung auf Definition für diskrete
Zufallsvariable
Für kleines h (und stetige Dichte f ) gilt:
Z x+h
f (x) h ∼
f (y ) dy = p({X ∈ (x, x + h)})
x
Mit xn = nh, n ∈ Z, gilt
Z ∞
∞
X
x f (x) dx ∼
xn f (xn )(xn+1 − xn )
−∞
∼
n=−∞
∞
X
xn p({X ∈ (xn , xn+1 )})
n=−∞
und analog
Z
∞
(x − E(X ))2 f (x) dx
−∞
∼
∞
X
(xn − E(X ))2 p({X ∈ (xn , xn+1 )})
n=−∞
446 / 469
Folgerung aus dieser Motivation:
Satz
Ist X eine reellwertige Zufallsvariable, Φ : R → R und
Y := Φ(X ).
dann gilt
Z ∞
E(Y ) =
Φ(x) f (x) dx
−∞
447 / 469
Beispiel: Exponentialverteilung
(
λ e−λx
Dichte der Exponentialverteilung: f (x) =
0
für x > 0
für x ≤ 0
Erwartungswert:
Z ∞
Z ∞
E(X ) =
x f (x) dx =
xλ e−λx dx
−∞
0
h
i∞ Z ∞
1 −λx ∞
1
−λx
−λx
= −xe
+
e
dx = − e
=
λ
λ
0
0
0
Varianz:
Z ∞
h
i∞ Z ∞
2
2
−λx
2 −λx
E X =
x λe
dx = − x e
+
2x e−λx dx
0
0
0
Z
2 ∞
2
=
xλ e−λx dx = 2
λ 0
λ
2
2
1
1
=> V (X ) = 2 −
= 2
λ
λ
λ
448 / 469
Die Standard–Normalverteilung
Die Normalverteilung (N(µ, σ 2 )–Verteilung) ist eine der
wichtigsten Wahrscheinlichkeitsverteilungen auf R.
Sie wird häufig für die Beschreibung der Streuung von Daten
um einen Mittelwert verwendet.
Die Standard–Normalverteilung (N(0, 1)–Verteilung) ist
gegeben durch die Dichte
1
2
ϕ(x) = √ e−x /2
2π
Sie hat die Verteilungsfunktion
Z x
1
2
√ e−y /2 dy
Φ(x) =
2π
−∞
Für diese Funktion gibt es keine analytische Formel
449 / 469
Graph der Dichte:
Symmetrieeigenschaften:
ϕ(x) = ϕ(−x)
Φ(−x) = 1 − Φ(x)
450 / 469
Erwartungswert:
Z ∞
Z
E(X ) =
x ϕ(x) dx =
−∞
∞
−∞
x
2
√ e−x /2 dx = 0
2π
Varianz:
∞
x2
2
√ e−x /2 dx
V (X ) = E X − (E(X )) = E X =
2π
−∞
Z ∞
x
2
√ x e−x /2 dx
=
2π
−∞
Z ∞
x −x 2 /2 ∞
1
2
= −√ e
+√
e−x /2 dx
2π
2π −∞
−∞
Z
∞
√
√
2
Mit Substitution z = x/ 2 und
e−z dy = π
2
2
2
Z
−∞
(siehe S. 281/282) folgt:
Z ∞
1
1 √
2 √
V (X ) = √
e−z 2 dz = √
π=1
π
2π −∞
451 / 469
Approximation der B(n, p)–Verteilung
Wir betrachten n Zufallsexperimente mit
Erfolgswahrscheinlichkeit p
Die Zufallsvariable Xn misst die Anzahl der Erfolge
=> Xn ist B(n, p)–verteilt
Erwartungswert: E(Xn ) = np =: µn
Varianz: V (Xn ) = np(1 − p) =: σn2 mit σn =
p
np(1 − p)
Neue Zufallsvariable Yn = α Xn + β
Wahl von α, β so, dass E(Yn ) = 0, V (Yn ) = 1:
!
E(Yn ) = α E(Xn ) + β = αµn + β = 0
V (Yn ) = α2 V (Xn ) = α2 σn2
!
=1
=>
α = 1/σn
β = −µn /σn
=>
Yn =
1
µn
Xn −
σn
σn
452 / 469
Satz (de Moivre–Laplace)
Sei Xn eine B(n, p)–verteilte Zufallsvariable
Yn =
p
1
µn
Xn −
mit µn = np, σn = np(1 − p)
σn
σn
Dann gilt für die Verteilungsfunktion FYn von Yn :
Z x
1
2
n→∞
√ e−y /2 dy = Φ(x)
FYn (x) := p({Yn ≤ x}) →
2π
−∞
Andere Formulierung des Satzes:
Ist Xn eine B(n, p)–verteilte Zufallsvariable, dann konvergiert
die Verteilungsfunktion von Yn = σ1n Xn − µσnn mit µn = np,
p
σn = np(1 − p) für n → +∞ gegen die
Standard–Normalverteilung.
453 / 469
Folgerung
Sei X eine B(n, p)–verteilte Zufallsvariable
p mit Erwartungswert
µ = np und Standardabweichung σ = np(1 − p) und
Y =
µ
1
X−
σ
σ
Dann gilt
FY (y ) ∼ Φ(y )
Aus dem Transformationssatz (S. 444) folgt für X = σY + µ
x − µ
x − µ
∼Φ
FX (x) = FY
σ
σ
Satz
Die Verteilungsfunktion der B(n, p)–Verteilung wird für großes n
approximiert durch
x − µ
p
FX (x) ∼ Φ
mit µ = np, σ = np(1 − p)
σ
454 / 469
Definition (Normalverteilung)
Eine Wahrscheinlichkeitsverteilung auf R mit der
Verteilungsfunktion
x − µ
Φµ,σ (x) = Φ
σ
heißt Normalverteilung zu den Parametern µ (Erwartungswert)
und σ 2 (Varianz), oder kurz N(µ, σ 2 )–Verteilung.
Die Dichte der N(µ, σ 2 )–Verteilung ist
1
1 x − µ
2
2
= √ σe−(x−µ) /(2σ )
ϕµ,σ (x) = ϕ
σ
σ
2π
455 / 469
Beispiel 1
Wir wollen die Wahrscheinlichkeit abschätzen, dass beim Wurf
von 600 Würfeln die Anzahl der gewürfelten 6–en zwischen 90
und 110 liegt.
Die Zufallsvariable X messe die Anzahl der 6–en
=> X ist B(600, 1/6)–verteilt
=> gesucht ist
p(90 ≤ X ≤ 110) = pX ([90, 110]) = FX (110) − FX (89)
q
q
q
250
Mit µ = 600 · 16 = 100, σ = 600 · 61 · 56 = 500
=
6
3 folgt:
x − µ
q
3
FX (x) ∼ Φ
=Φ
(x
−
100)
250
σ
und damit
q
q
3
3
p(90 ≤ X ≤ 110) ∼ Φ
10
−
Φ
−
11
250
250
∼ 0,757 ∼ 76%
456 / 469
Beispiel 2
Ein Meinungsforschungsinstitut wird von Partei A beauftragt,
durch eine Meinungsumfrage das Wahlergebnis der Partei in
einer bevorstehenden Wahl zu schätzen.
Es sollen so viele Personen befragt werden, dass das Ergebnis
mit einer Wahrscheinlichkeit von mindestens 95% bis auf einen
Fehler von höchstens 1% genau ist.
Wieviele Personen müssen dafür befragt werden?
Daten:
Anteil p der Wähler von Partei A (unbekannt)
Anzahl n der zu befragenden Personen (zu bestimmen)
Die Zufallsvariable Xn misst die Anzahl der befragten Personen,
die angeben, für Partei A zu stimmen.
457 / 469
Xn
n
Der Fehler ist kleiner als 1%
Schätzer für p: pn =
⇔ |pn − p| ≤ 0,01 ⇔ |Xn − np| ≤ 0, 01n
Aufgabenstellung: Ermittle n so, dass
p({|Xn − np| ≤ 0,01n}) ≥ 0,95
Xn ist B(n, p)–verteilt => Verteilungsfunktion
FXn (x) = p({Xn ≤ x}) ∼ Φ √ x−np
np(1−p)
{|Xn − np| ≤ 0,01n} = {np − 0,01n ≤ Xn ≤ np + 0,01n} =>
p({|Xn − np| ≤ 0,01 n}) = FXn (n(p + 0, 01)) − FXn (n(p − 0,01))
√ !
= Φ √ 0,01n
− Φ √−0,01n
= 2 Φ √0,01 n − 1 ≥ 0,95
np(1−p)
np(1−p)
p(1−p)
458 / 469
=>
√ !
Φ √0,01 n ≥ 0,975
p(1−p)
Mit Φ−1 (0,975) ∼ 1,96 folgt:
√
p
√ !
0,01 n !
p
≥ 1,96 ⇔ n ≥ 100 p(1 − p)1,96
p(1 − p)
Wegen p(1 − p) ≤ 1/4 folgt, dass es sicher ausreicht,
n ≥ (50 · 1,96)2 = 9604
zu wählen.
459 / 469
Mehrdimensionale Wahrscheinlichkeitsräume
Eine n–dimensionale Wahrscheinlichkeitsverteilung ist
eine Wahrscheinlichkeitsverteilungen auf Ω ⊂ Rn , oder
die W.–Verteilung einer Zufallsvariablen X : Ω → Rn
Eine n–dimensionale W.-Verteilung kann man beschreiben
mit einer Dichte f : Rn → [0, ∞),
Z
p(A) =
f (x) dx für alle A ∈ Bn
A
(falls eine Dichte existiert), oder
mit einer Verteilungsfunktion F : Rn → R,
F (x) = p({ω ∈ Ω | ωj ≤ xj für j = 1, . . . , n})
= p((−∞, x1 ] × · · · × (−∞, xn ])
Beispiel: Die Gleichverteilung auf A ⊂ Rn hat die Dichte
(
1/|A| für x ∈ A
f (x) =
0
sonst
460 / 469
Eine Zufallsvariable X : Ω → Rn kann man auffassen als Vektor
(X1 , . . . , Xn )> von eindimensionalen Zufallsvariablen
Xj : Ω → R.
Definition
Zufallsvariablen X1 , . . . , Xn : Ω → R heißen unabhängig ⇔
Die Ereignisse {Xj ∈ Mj }, j = 1, . . . , n, sind stochastisch
unabhängig für alle M1 , . . . , Mn ∈ B1 .
Erinnerung:
Ereignisse A1 , . . . , An sind stochastisch unabhängig ⇔
p(Ai1 ∩ · · · ∩ Ai` ) = p(Ai1 ) · · · p(Ai` )
für alle i1 , . . . , i` ∈ {1, . . . , n} mit ij 6= ik für j 6= k
461 / 469
Satz
Seien X1 , . . . , Xn : Ω → R unabhängige Zufallsvariable und
X = (X1 , . . . , Xn )> : Ω → Rn .
Sei Fj die Verteilungsfunktion von Xj , j = 1, . . . , n. Dann ist
F (x) = F1 (x1 ) · F2 (x2 ) · · · · · Fn (xn )
die Verteilungsfunktion von X .
Wenn Xj die Dichte fj hat, j = 1, . . . , n, dann hat X die Dichte
f (x) = f1 (x1 ) · f2 (x2 ) · · · · · fn (xn )
Umgekehrt gilt: Hat X eine W.-Verteilung F oder eine Dichte f
der oben angegebenen Form, dann sind X1 , . . . , Xn unabhängig
und haben die W.–Verteilungen Fj bzw. die Dichten fj ,
j = 1, . . . , n.
462 / 469
Beweis: Der Einfachheit halber sei n = 2. Es gilt:
F (x) = p({ω ∈ Ω | X1 (ω) ∈ (−∞, x1 ], X2 (ω) ∈ (−∞, x2 ]})
= p({X1 ∈ (−∞, x1 ]}) · p({X2 ∈ (−∞, x2 ]})
= F1 (x1 ) · F2 (x2 )
Sind f1 und f2 Dichten von X1 und X2 , dann folgt:
Z x1
Z x2
f1 (y1 ) dy1
f2 (y2 ) dy2
F (x) = F1 (x1 ) · F2 (x2 ) =
−∞
−∞
Z
=
f1 (y1 ) f2 (y2 ) d(y1 , y2 )
(−∞,x1 ]×(−∞,x2 ]
Z
=
f (y ) dy
(−∞,x1 ]×(−∞,x2 ]
mit f (y ) = f (y1 , y2 ) = f1 (y1 ) f2 (y2 ).
Dies genügt, da sich jedes A ∈ B2 durch (unendliche) Schnitte
und Vereinigungen von Mengen der Form (−∞, x1 ] × (−∞, x2 ]
erzeugen lässt.
463 / 469
Beispiel: n–dimensionale Normalverteilung
Sei Xj eine N(µj , σj2 )–verteilte Zufallsvariable für j = 1, . . . , n,
und seien X1 , . . . , Xn unabhängig.
Dann hat X = (X1 , . . . , Xn )> die Dichte
f (x) = f1 (x1 ) · · · · · fn (xn )
1
1
2
2
2
2
=√
e−(x1 −µ1 ) /(2σ1 ) · · · · · √
e−(xn −µn ) /(2σn )
2πσ1
2πσn
1
2
2
2
2
e−(x1 −µ1 ) /(2σ1 )−···−(xn −µn ) /(2σn )
=
n/2
(2π) σ1 · · · · · σn
Im Fall gleicher Varianzen σj2 = σ 2 für alle j folgt
f (x) =
1
2
2
e−|x−µ| /(2σ)
n/2
n
(2π) σ
mit µ = (µ1 , . . . , µn )> .
Das ist die Dichte der n–dimensionalen Normalverteilung.
464 / 469
Satz
Seien X1 , X2 : Ω → R unabhängige Zufallsvariablen mit Dichten
f1 und f2 . Dann hat Y = X1 + X2 die Dichte
Z ∞
fY (y ) =
f1 (x) f2 (y − x) dx =: (f1 ∗ f2 )(y )
−∞
Den Ausdruck f1 ∗ f2 ,
Z ∞
Z
(f1 ∗ f2 )(y ) =
f1 (x) f2 (y − x) dx =
−∞
∞
f1 (y − x) f2 (x) dx
−∞
nennt man Faltung von f1 und f2 .
465 / 469
Beweis:
FY (y ) = p({Y ≤ y })
x2
= p({X1 + X2 ≤ y })
= pX ({x ∈ R2 | x1 + x2 ≤ y })
Z
=
f1 (x1 ) f2 (x2 ) d(x1 , x2 )
x 1 +x2 =y
{x∈R2 | x1 +x2 ≤y }
Z ∞ Z y −x1
f1 (x1 ) f2 (x2 ) dx2 dx1
=
−∞
x1
−∞
Mit Substitution z = z(x2 ) = x1 + x2 folgt:
Z ∞Z y
FY (y ) =
f1 (x1 ) f2 (z − x1 ) dz dx1
−∞ −∞
Z
Z y Z ∞
=
f1 (x1 ) f2 (z − x1 ) dx1 dz =
−∞ −∞
Z ∞
y
f (z) dz
−∞
f1 (x) f2 (z − x) dx
wobei f (z) =
−∞
466 / 469
Beispiel
Seien X1 und X2 unabhängige, exponentialverteilte
Zufallsvariable mit Parametern λ1 und λ2 .
Gesucht: Dichte fY von Y = X1 + X2
(
λj e−λj x
Dichte der Exponentialverteilung: fXj (x) =
0
für x > 0
für x ≤ 0
Dichte von Y :
Z
∞
fY (y ) =
−∞
fX1 (x) fX2 (y − x) dx
Für y < 0 gilt fY (y ) = 0.
Sei y ≥ 0. Dann folgt:
Z
y
λ1 e−λ1 x λ2 e−λ2 (y −x) dy
0
Z y
−λ2 y
= λ1 λ2 e
e(λ2 −λ1 )x dx
fY (y ) =
0
467 / 469
Dichte fY (y ) = λ1 λ2 e
−λ2 y
Z
y
e(λ2 −λ1 )x dx
0
Für λ1 6= λ2 folgt
"
fY (y ) = λ1 λ2 e−λ2 y
e(λ2 −λ1 )x
λ2 − λ1
#y
"
= λ1 λ2 e−λ2 y
0
e(λ2 −λ1 )y − 1
λ2 − λ1
#
λ1 λ2
=
e−λ1 y − e−λ2 y
λ2 − λ1
Für λ1 = λ2 = λ gilt:
2 −λy
Z
fY (y ) = λ e
y
1 dx = λ2 y e−λy
0
468 / 469
Zusammenfassung: Verteilungen
Diskrete Verteilungen:
Name
Ω
Binomial–V.
{0, . . . , n}
Geometr. V.
N
Poisson–V.
N ∪ {0}
p({k })
n
pk (1 − p)n−k
k
E
V
np
np(1 − p)
pk −1 p
1
p
λk
k!
1−p
p2
λ
λ
e−λ
Verteilungen auf Ω = R:
Name
Exponential–V.
Normalverteilung
Dichte
(
−λx
λe
für x > 0
0
für x ≤ 0
1
2
2
√
e−(x−µ) /(2σ )
2πσ
E
1
λ
V
1
λ2
µ
σ
469 / 469