1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich“ nicht immer ganz klar sein muss. ” Bertrand’sches Paradoxon Wir betrachten einen Kreis mit einem eingeschriebenen gleichseitigen Dreieck. Was ist die Wahrscheinlichkeit, mit der die Länge einer zufällig gewählten Sehne die Seitenlänge dieses Dreiecks übersteigt (Ereignis A)? DWT c Ernst W. Mayr 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 r 2 S 120Æ M DWT c Ernst W. Mayr d S M 1.4 Rechnen mit kontinuierlichen Zufallsvariablen ' 241/476 Beobachtungen: Die Seiten des Dreiecks haben Abstand 2r vom Mittelpunkt M . Die Lage jeder Sehne ist (bis auf Rotation um M ) durch einen der folgenden Parameter festgelegt: Abstand d zum Kreismittelpunkt, Winkel ϕ mit dem Kreismittelpunkt. Wir nehmen für jeden dieser Parameter Gleichverteilung an und ermitteln Pr[A]. 1 2 Sei d ∈ [0, r] gleichverteilt. A tritt ein, wenn d < 2r , und es folgt Pr[A] = 12 . Sei ϕ ∈ [0◦ , 180◦ ] gleichverteilt. Für A muss gelten ϕ ∈]120◦ , 180◦ ], und es folgt somit Pr[A] = 31 . Siehe auch diese graphischen Darstellungen! DWT c Ernst W. Mayr 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 242/476 2. Wichtige stetige Verteilungen 2.1 Gleichverteilung ( 1 b−a für x ∈ [a, b], 0 sonst. Z x 0 F (x) = f (t) d t = x−a b−a −∞ 1 f (x) = E[X] = DWT c Ernst W. Mayr für x < a, für a ≤ x ≤ b, für x > b. a+b (a − b)2 und Var[X] = . 2 12 2.1 Gleichverteilung 243/476 2.2 Normalverteilung Die Normalverteilung nimmt unter den stetigen Verteilungen eine besonders prominente Position ein. Definition 98 Eine Zufallsvariable X mit Wertebereich WX = R heißt normalverteilt mit den Parametern µ ∈ R und σ ∈ R+ , wenn sie die Dichte (x − µ)2 1 =: ϕ(x; µ, σ) · exp − f (x) = √ 2σ 2 2πσ besitzt. In Zeichen schreiben wir X ∼ N (µ, σ 2 ). N (0, 1) heißt Standardnormalverteilung. Die zugehörige Dichte ϕ(x; 0, 1) kürzen wir durch ϕ(x) ab. DWT c Ernst W. Mayr 2.2 Normalverteilung 244/476 Die Verteilungsfunktion zu N (µ, σ 2 ) ist Z x 1 (t − µ)2 √ F (x) = · exp − d t =: Φ(x; µ, σ) . 2σ 2 2πσ −∞ Diese Funktion heißt Gauß’sche Φ-Funktion (ϕ ist nicht geschlossen integrierbar). DWT c Ernst W. Mayr 2.2 Normalverteilung 245/476 Lemma 99 Z ∞ I := 2 /2 e−x dx = √ 2π. −∞ Beweis: Wir berechnen zunächst I 2 : Z ∞ Z ∞ −x2 /2 −y 2 /2 2 e dx e dy I = −∞ −∞ Z ∞Z ∞ 2 2 = e−(x +y )/2 d x d y . −∞ −∞ Wir gehen nun zu Polarkoordinaten über und setzen x := r cos φ und y := r sin φ. Dann ist ∂x ∂y sin φ ∂r ∂r cos φ = r(cos2 φ + sin2 φ) = r ∂x ∂y = −r sin φ r cos φ ∂φ ∂φ DWT c Ernst W. Mayr 2.2 Normalverteilung 246/476 Beweis (Forts.): und wir erhalten Z 2 2π Z I = ∞ −r2 /2 e 0 Z Z rdrdφ = 0 0 2π h −e−r 2 /2 i∞ 0 dφ 2π 1 d φ = 2π. = 0 DWT c Ernst W. Mayr 2.2 Normalverteilung 247/476 = 0;5 =1 =2 1,0 0,8 0,8 0,6 0,6 0,4 0,4 0,2 0,2 0,0 -3,0 -2,0 -1,0 = 0;5 =1 =2 1,0 0,0 1,0 2,0 3,0 0,0 -3,0 -2,0 Dichte und Verteilung von DWT c Ernst W. Mayr 2.2 Normalverteilung -1,0 0,0 1,0 2,0 3,0 N (0, σ 2 ) 248/476 Satz 100 (Lineare Transformation der Normalverteilung) Sei X eine normalverteilte Zufallsvariable mit X ∼ N (µ, σ 2 ). Dann gilt für beliebiges a ∈ R \ {0} und b ∈ R, dass Y = aX + b normalverteilt ist mit Y ∼ N (aµ + b, a2 σ 2 ). Beweis: Wir betrachten zunächst den Fall a > 0“: ” y−b Pr[Y ≤ y] = Pr[aX + b ≤ y] = Pr X ≤ a Z (y−b)/a 1 (u − µ)2 √ = · exp − d u. 2σ 2 2πσ −∞ Nach der Substitution u = (v − b)/a und d u = (1/a) · d v erhalten wir DWT c Ernst W. Mayr 2.2 Normalverteilung 249/476 Beweis (Forts.): 1 Pr[Y ≤ y] = √ · 2πaσ y (v − aµ − b)2 exp − 2a2 σ 2 −∞ Z dv. Also Y ∼ N (aµ + b, a2 σ 2 ). Für a < 0 verläuft der Beweis analog. DWT c Ernst W. Mayr 2.2 Normalverteilung 250/476 Sei also X eine beliebige N (µ, σ 2 )-verteilte Zufallsvariable X und Y := X−µ σ . Dann ist nach Satz 100 Y N (0, 1)-verteilt. Y heißt auch normiert. Ferner gilt a−µ b−µ Pr[a < X ≤ b] = Pr <Y ≤ σ σ b−µ a−µ =Φ −Φ . σ σ DWT c Ernst W. Mayr 2.2 Normalverteilung 251/476 Satz 101 X sei N (0, 1)-verteilt. Dann gilt E[X] = 0 und Var[X] = 1. Beweis: 1 E[X] = √ 2π ∞ x2 x · exp − 2 −∞ Z d x. Da der Integrand punktsymmetrisch zu (0, 0) ist, folgt E[X] = 0. DWT c Ernst W. Mayr 2.2 Normalverteilung 252/476 Beweis (Forts.): Mittels Lemma 99 und durch partielle Integration erhalten wir 2 Z ∞ √ x dx 2π = exp − 2 −∞ 2 ∞ 2 Z ∞ x x 2 = x exp − + dx x · exp − 2 −∞ 2 −∞ | {z } =0 Daraus folgt, dass E[X 2 ] = 1 ist und somit Var[X] = E[X 2 ] − E[X]2 = 1. DWT c Ernst W. Mayr 2.2 Normalverteilung 253/476 Satz 102 X sei N (µ, σ 2 )-verteilt. Dann gilt E[X] = µ und Var[X] = σ 2 . Beweis: Y := X−µ ist standardnormalverteilt. Ferner gilt gemäß der Rechenregeln für σ Erwartungswert und Varianz E[X] = E[σY + µ] = σ · E[Y ] + µ = µ und Var[X] = Var[σY + µ] = σ 2 · Var[Y ] = σ 2 . DWT c Ernst W. Mayr 2.2 Normalverteilung 254/476 2.3 Exponentialverteilung Die Exponentialverteilung ist in gewisser Weise das kontinuierliche Analogon zur geometrischen Verteilung. Wie die geometrische Verteilung ist sie gedächtnislos“. Sie ” spielt daher vor allem bei der Modellierung von Wartezeiten eine große Rolle. DWT c Ernst W. Mayr 2.3 Exponentialverteilung 255/476 Definition 103 Eine Zufallsvariable X heißt exponentialverteilt mit dem Parameter λ, λ > 0, wenn sie die Dichte ( λ · e−λx falls x ≥ 0, f (x) = 0 sonst besitzt. Für die entsprechende Verteilungsfunktion gilt (für x ≥ 0) Z x h ix F (x) = λ · e−λt d t = −e−λt = 1 − e−λx . 0 0 Für x < 0 gilt selbstverständlich F (x) = 0. DWT c Ernst W. Mayr 2.3 Exponentialverteilung 256/476 Z ∞ t · λ · e−λt d t 0 h i∞ Z ∞ e−λt d t = t · (−e−λt ) + 0 0 1 1 −λt ∞ = . =0+ − ·e λ λ 0 E[X] = DWT c Ernst W. Mayr 2.3 Exponentialverteilung 257/476 Analog erhalten wir 2 Z ∞ t2 · λ · e−λt d t 0 h i∞ Z 2 −λt + = t · (−e ) E[X ] = 0 =0+ ∞ 2t · e−λt d t 0 2 2 · E[X] = 2 λ λ und somit Var[X] = E[X 2 ] − E[X]2 = DWT c Ernst W. Mayr 2.3 Exponentialverteilung 1 . λ2 258/476 2,0 1,0 = 0;5 =1 =2 1,6 0,8 1,2 0,6 0,8 0,4 0,4 0,2 0,0 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 0,0 0,0 = 0;5 =1 =2 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 Dichte und Verteilung der Exponentialverteilung DWT c Ernst W. Mayr 2.3 Exponentialverteilung 259/476 2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable Y := aX wieder exponentialverteilt mit dem Parameter λ/a. Beweis: FY (x) = Pr[Y ≤ x] = Pr[aX ≤ x] h x xi = Pr X ≤ = FX a a − λx a =1−e . DWT c Ernst W. Mayr 2.3 Exponentialverteilung 260/476