Wahrscheinlichkeitstheorie und Statistik
Definitionen und Sätze
Prof. Dr. Christoph Karg
Studiengang Informatik Hochschule Aalen
Wintersemester 2021/2022
Diskrete Wahrscheinlichkeitsräume
Diskreter Wahrscheinlichkeitsraum
Definition 1.1 Sei Ω eine endliche oder abzählbar unendliche Menge. Sei Pr : Ω 7→ R eine Abbildung.
(Ω, Pr) ist ein diskreter Wahrscheinlichkeitsraum, falls folgende Bedingungen erfüllt sind:
1. Für alle ω ∈ Ω gilt: 0 ≤ Pr [ ω ] ≤ 1.
2. ∑
ω ∈ Ω Pr [ω ] = 1.
Diskrete Wahrscheinlichkeitsräume
Ereignis
Definition 1.2. Sei (Ω, Pr) ein diskreter Wahrscheinlichkeitsraum.
Eine Menge A ⊆ Ω heißt Ereignis. Die Wahrscheinlichkeit Pr [ A] des Ereignisses A ist definiert als
Pr [A ] = ∑
ω ∈ A
Pr [ ω] .
Diskrete Wahrscheinlichkeitsräume
Prinzip von Laplace
Prinzip von Laplace:
Wenn nichts dagegen spricht, kann man davon ausgehen, dass alle Elementarereignisse gleich wahrscheinlich sind.
Formal: Für alle ω ∈ Ω gilt:
Pr [ω ] = 1
kΩk .
Voraussetzung: kΩk < ∞
Rechenregeln
Additionssatz
Satz 2.1 (Additionssatz) Für zwei disjunkte Ereignisse A und B gilt:
Pr [ A ∪ B ] = Pr [ A] + Pr [ B] .
Allgemein: Sind die Ereignisse A 1 , . . . , A n paarweise disjunkt, dann gilt:
Pr [ n
∪
i=1
A i
]
=
∑ n i=1
Pr [ A i ] .
Für eine unendliche Menge von disjunkten Ereignissen A 1 , A 2 , . . . gilt:
Pr [ ∞
∪
i=1
A i ]
=
∑ ∞ i=1
Pr [ A i ] .
Rechenregeln
Elementare Rechenregeln
Satz 2.2 Für zwei beliebige Ereignisse A und B gilt:
1. Pr [ ∅ ] = 0, Pr [Ω] = 1.
2. 0 ≤ Pr [A] ≤ 1.
3. Pr [ A ]
= 1 − Pr [ A].
4. Wenn A ⊆ B, dann Pr [A] ≤ Pr [ B].
Rechenregeln
Siebformel
Satz 2.3 (Siebformel) Für zwei Ereignisse A und B gilt:
Pr [ A ∪ B] = Pr [A] + Pr [B ] − Pr [ A ∩ B] . Für drei Ereignisse A 1 , A 2 und A 3 gilt:
Pr [ A 1 ∪ A 2 ∪ A 3 ]
= Pr [A 1 ] + Pr [A 2 ] + Pr [ A 3 ]
−Pr [ A 1 ∩ A 2 ] − Pr [ A 1 ∩ A 3 ]
−Pr [ A 2 ∩ A 3 ] + Pr [ A 1 ∩ A 2 ∩ A 3 ] Allgemein: Für n ≥ 2 Ereignisse A 1 , . . . , A n gilt:
Pr [ A 1 ∪ . . . ∪ A n ]
= ∑
(−1) ∥ S ∥ +1 Pr [ ∩
A i
]
Bedingte Wahrscheinlichkeiten
Bedingte Wahrscheinlichkeiten
Definition 3.1 Gegeben sind die Ereignisse A und B, wobei Pr [B ] > 0.
Die bedingte Wahrscheinlichkeit Pr [A | B] von A gegeben B ist definiert durch
Pr [A | B] = Pr [ A ∩ B ]
Pr [ B] .
Bedingte Wahrscheinlichkeiten
Multiplikationssatz
Satz 3.5 (Multiplikationssatz) Gegeben sind die Ereignisse A 1 , . . . , A n .
Angenommen,
Pr [ A 1 ∩ . . . ∩ A n ] > 0.
Dann gilt:
Pr [A 1 ∩ . . . ∩ A n ] = Pr [A 1 ] · Pr [ A 2 | A 1 ] · Pr [A 3 | A 1 ∩ A 2 ]
· . . . · Pr [A n | A 1 ∩ . . . ∩ A n−1 ] .
Bedingte Wahrscheinlichkeiten
Beispiel: Geburtstagsproblem
0 0.5 1 1.5 2 2.5 3
-1 -0.5 0 0.5 1
y
x
exp(-x) 1-x
Approximation von 1 − x durch e −x
Bedingte Wahrscheinlichkeiten
Beispiel: Geburtstagsproblem (Forts.)
Bedingte Wahrscheinlichkeiten
Satz der totalen Wahrscheinlichkeit
Satz 3.7 (Satz der totalen Wahrscheinlichkeit) Angenommen die Ereignisse A 1 , . . . , A n bilden eine Partition von Ω, d.h.
∪ n
i=1 A i = Ω und für alle i 6 = j gilt A i ∩ A j = ∅ . Dann gilt für jedes Ereignis B ⊆ Ω:
Pr [B] =
∑ n i=1
Pr [B | A i ] · Pr [ A i ] .
Bedingte Wahrscheinlichkeiten
Satz von Bayes
Satz 3.9 (Satz von Bayes) Gegeben sind die paarweise disjunkten Ereignisse A 1 , . . . , A n . Falls B ⊆ A 1 ∪ . . . ∪ A n mit Pr [ B] > 0, dann ist für ein beliebiges i ∈ { 1, . . . , n }
Pr [ A i | B] = Pr [ B | A i ] Pr [A i ] Pr [B ]
= Pr [ B | A i ] · Pr [ A i ]
∑ n
j=1 Pr [B | A j ] Pr [A j ] .
Bedingte Wahrscheinlichkeiten
Satz von Bayes (Forts.)
Satz 3.9 (Satz von Bayes) Für eine unendliche Folge von paarweise disjunkten Ereignissen A 1 , A 2 , . . . mit B ⊆ ∪ ∞
i=1 A i gilt analog, dass Pr [ A i | B] = Pr [ B | A i ] Pr [A i ]
Pr [B ]
= Pr [ B | A i ] · Pr [ A i ]
∑ ∞
j=1 Pr [B | A j ] Pr [A j ] .
Unabhängige Ereignisse
Unabhängige Ereignisse
Definition 4.1 (Unabhängigheit) Die Ereignisse A und B sind unabhängig, falls
Pr [A ∩ B] = Pr [ A] Pr [B ] gilt.
Konsequenz: Für zwei unabhängige Ereignisse A und B gilt:
Pr [ A | B] = Pr [A] .
Unabhängige Ereignisse
Unabhängige Ereignisse (Forts.)
Definition 4.3 (Unabhängigkeit) Die Ereignisse A 1 , . . . , A n sind unabhängig, wenn für alle Teilmengen S ⊆ { 1, . . . , n } gilt, dass
Pr [ ∩
i ∈ S
A i
]
= ∏
i ∈ S
Pr [A i ] .
Unabhängige Ereignisse
Eine nützliche Eigenschaft
Notation: A 0 = A und A 1 = A.
Satz 4.4 Seien A 1 , . . . , A n beliebige Ereignisse. Sei k ∈ { 1, . . . , n } und sei { i 1 , . . . , i k } ⊆ { 1 , . . . , n } eine beliebige Auswahl von Indizes.
Angenommen, für alle (b 1 , . . . , b n ) ∈ { 0, 1 } n gilt:
Pr [
A b 1
1∩ . . . ∩ A b n
n]
= Pr [ A b 1
1]
· . . . · Pr [ A b n
n]
.
Dann gilt für alle (b i
1, . . . , b i
k) ∈ { 0 , 1 } k , dass Pr [
A b i
1i1∩ . . . ∩ A b i
kik]
= Pr [ A b i
1i1]
· . . . · Pr [ A b i
kik]
.
Unabhängige Ereignisse
Nachweis der Unabhängigkeit von Ereignissen
Satz 4.5 Die Ereignisse A 1 , . . . , A n sind genau dann unabhängig, wenn für alle (b 1 , . . . , b n ) ∈ { 0, 1 } n gilt, dass
Pr [
A b 1
1∩ . . . ∩ A b n
n]
= Pr [ A b 1
1]
· . . . · Pr [ A b n
n]
,
wobei A 0 i = A i und A 1 i = A i .
Unabhängige Ereignisse
Kombination von unabhängigen Ereignissen
Satz 4.6 Sind A, B und C unabhängige Ereignisse, dann sind auch
A ∩ B und C bzw. A ∪ B und C unabhängige Ereignisse.
Zufallsvariablen
Zufallsvariable
Definition 5.1 (Zufallsvariable) Gegeben ist ein Wahrscheinlichkeitsraum mit Ereignisraum Ω.
Eine Abbildung X : Ω 7→ R heißt Zufallsvariable (über Ω ). Eine
Zufallsvariable X über einer endlichen und abzählbar unendlichen
Ergebnismenge Ω heißt diskret.
Zufallsvariablen
Bedingte Zufallsvariable
Definition 5.2 (Bedingte Zufallsvariable) Sei X eine
Zufallsvariable und A ein Ereignis mit Pr [A] > 0. Die bedingte Zufallsvariable X | A besitzt die Dichte
f X | A (x) = Pr [ X = x | A] = Pr [
X −1 (x) ∩ A ]
Pr [ A] .
Zufallsvariablen
Dichte und Verteilung einer Zufallsvariablen
Definition 5.3 (Dichte und Verteilung) Sei X eine diskrete Zufallsvariable über dem Wahrscheinlichkeitsraum Ω.
Die Dichtefunktion (kurz: Dichte) von X ist die Funktion f X : R 7→ [0; 1] mit
f X (x) = Pr [X = x] = ∑
ω∈ X
−1(x)
Pr [ ω] .
Die Verteilungsfunktion (kurz: Verteilung) von X ist die Funktion F X : R 7→ [0; 1] mit
F X (x) = Pr [X ≤ x] = ∑
x
′≤ x
Pr [X = x ′ ] .
Zufallsvariablen
Beispiel: Summe zweier Würfel
Dichte der Augensumme zweier Würfel
Zufallsvariablen
Beispiel: Summe zweier Würfel (Forts.)
Verteilung der Augensumme zweier Würfel
Zufallsvariablen
Kombination Zufallsvariable und Funktion
Satz 5.7 Sei X eine Zufallsvariable über dem
Wahrscheinlichkeitsraum Ω und sei f : R 7→ R eine beliebige
Abbildung. Dann ist f(X) eine Zufallsvariable über Ω.
Erwartungswert
Erwartungswert
Definition 6.1 (Erwartungswert) Der Erwartungswert Exp [X]
einer diskreten Zufallsvariablen X ist definiert als Exp [X] = ∑
x ∈ W
Xx · Pr [ X = x]
= ∑
x ∈ W
Xx · f X (x)
vorausgesetzt die obige Summe konvergiert absolut.
Erwartungswert
Berechnung von Erwartungswerten
Satz 6.4 Sei X eine diskrete Zufallsvariable. Sei A 1 , . . . , A n eine Partition des Ereignisraums Ω.
Angenommen, es gilt Pr [A i ] > 0 für alle i ∈ { 1, . . . , n } . Dann ist:
Exp [X] =
∑ n i=1
Exp [X | A i ] · Pr [ A i ] .
Erwartungswert
Berechnung von Erwartungswerten (Forts.)
Satz 6.4 (Variante 2) Sei X eine diskrete Zufallsvariable. Sei A 1 , A 2 , A 3 , . . . eine Partition des Ereignisraums Ω.
Angenommen, es gilt Pr [A i ] > 0 für alle i ∈ { 1, 2, 3, . . .} , die Erwartungswerte Exp [X | A i ] existieren und die Summe
∑ ∞
i=1 Exp [X | A i ] · Pr [A i ] konvergiert.
Dann ist:
Exp [X] =
∑ ∞ i=1
Exp [X | A i ] · Pr [ A i ] .
Erwartungswert
Berechnung von Erwartungswerten (Forts.)
Satz 6.6 Sei X eine Zufallsvariable, deren Erwartungswert existiert.
Dann gilt:
Exp [X] = ∑
ω ∈ Ω
X(ω) · Pr [ω ] .
Erwartungswert
Monotonie des Erwartungswerts
Satz 6.7 (Monotonie des Erwartungswerts) Seien X und Y Zufallsvariablen über dem Wahrscheinlichkeitsraum Ω.
Falls für alle ω ∈ Ω die Ungleichung X(ω) ≤ Y(ω) gilt, dann gilt
Exp [X] ≤ Exp [Y].
Erwartungswert
Linearität des Erwartungswerts
Satz 6.8 (Linearität des Erwartungswerts) Sei X eine Zufallsvariable und seien a, b ∈ R beliebige Zahlen.
Dann gilt:
Exp [a · X + b] = a · Exp [X] + b.
Erwartungswert
Nochmals Berechnung von Erwartungswerten
Satz 6.9 Sei X eine Zufallsvariable mit W X ⊆ N 0 . Dann gilt:
Exp [X] =
∑ ∞ i=0
Pr [ X ≥ i ] .
Erwartungswert
Linearität des Erwartungswerts
Satz 6.10 (Linearität des Erwartungswerts) Seien X 1 , . . . , X n Zufallsvariablen und a 1 , . . . , a n ∈ R beliebige Zahlen.
Für die Zufallsvariable X = a 1 X 1 + . . . + a n X n gilt:
Exp [X] = a 1 · Exp [X 1 ] + . . . a n · Exp [X n ] .
Erwartungswert
Multipikativität des Erwartungswerts
Satz 6.12 (Multiplikativität des Erwartungswerts) Für unabhängige Zufallsvariablen X 1 , . . . , X n gilt
Exp [X 1 · . . . · X n ] = Exp [X 1 ] · . . . · Exp [X n ] .
Varianz und Standardabweichung
Varianz und Standardabweichung
Definition 7.2 (Varianz) Sei X eine Zufallsvariable mit dem Erwartungswert µ = Exp [X].
Die Varianz Var [X] von X ist definiert als Var [X] = Exp [
(X − µ) 2 ]
= ∑
x ∈ W
X(x − µ) 2 · Pr [ X = x] .
Definition 7.3 (Standardabweichung) Die Standardabweichung (Streuung) von X ist definiert als
σ X = √
Var [X].
Varianz und Standardabweichung
Berechnung der Varianz
Satz 7.6 Für eine beliebige Zufallsvariable X gilt Var [X] = Exp [
X 2 ]
− Exp [X] 2 .
Varianz und Standardabweichung
Varianz einer linearen Funktion
Satz 7.8 Für eine beliebige Zufallsvariable X und a, b ∈ R gilt
Var [a · X + b] = a 2 · Var [X] .
Varianz und Standardabweichung
Varianz unabhängiger Zufallsvariablen
Satz 7.10 Seien X 1 , . . . , X n unabhängige Zufallsvariablen. Sei X = X 1 + . . . + X n . Dann gilt:
Var [X] = Var [X 1 ] + . . . + Var [X n ] .
Diskrete Verteilungen Gleichverteilung
Gleichverteilung
Eine Zufallsvariable X mit W X = { 1, 2, . . . , n } , n ∈ N , ist gleichverteilt, falls
f X (k) = 1 n für alle k ∈ { 1, 2, . . . , n } .
Es gilt:
• Exp [X] = n+1 2
• Var [X] = n
212 −1
Diskrete Verteilungen Gleichverteilung
Bernoulli-Verteilung
Eine Zufallsvariable X mit W X = { 0, 1 } ist Bernoulli-verteilt mit dem Parameter p, 0 ≤ p ≤ 1, symbolisch X ∼ Ber(n, p), falls
f X (x) =
{ p x = 1, 1 − p x = 0.
Es gilt:
• Exp [X] = p
• Var [X] = p − p 2
Diskrete Verteilungen Binomialverteilung
Binomialverteilung
Eine Zufallsvariable X mit W X = { 0, 1, 2, . . . , n } ist binomialverteilt mit den Parametern n und p, symbolisch X ∼ Bin(n, p), falls
Pr [X = k] = ( n
k )
p k (1 − p) n−k für alle k = 0, 1, 2, . . . , n.
Es gilt:
• Exp [X] = n · p
• Var [X] = n · p · (1 − p)
Diskrete Verteilungen Binomialverteilung
Binomialverteilung (Forts.)
Diskrete Verteilungen Binomialverteilung
Binomialverteilung (Forts.)
Satz 9.1 Wenn X ∼ Bin(n X , p) und Y ∼ Bin(n Y , p), dann gilt für
Z = X + Y, dass Z ∼ Bin(n X + n Y , p).
Diskrete Verteilungen Geometrische Verteilung
Geometrische Verteilung
Eine Zufallsvariable X mit W X = N ist geometrisch verteilt mit dem Parameter p, symbolisch X ∼ Geo(p), falls
Pr [X = k] = (1 − p) k−1 · p für alle k ∈ N .
Es gilt:
• Exp [X] = 1 p
• Var [X] = 1−p p
2Diskrete Verteilungen Geometrische Verteilung
Geometrische Verteilung (Forts.)
Diskrete Verteilungen Geometrische Verteilung
Geometrische Verteilung (Forts.)
Satz 9.2 (Gedächtnislosigkeit) Falls X ∼ Geo(p), dann gilt
Pr [ X > y + x | X > x ] = Pr [ X > y] .
Diskrete Verteilungen Poisson Verteilung
Poisson Verteilung
Eine Zufallsvariable X mit W X = N 0 ist Poisson verteilt mit dem Parameter λ, symbolisch X ∼ Poi(λ), falls
Pr [ X = k] = e −λ λ k k!
für alle k ∈ N 0 . Es gilt:
• Exp [X] = λ
• Var [X] = λ
Diskrete Verteilungen Poisson Verteilung
Poisson Verteilung (Forts.)
Diskrete Verteilungen Poisson Verteilung
Poisson Verteilung (Forts.)
Gesetz der seltenen Ereignisse: Für alle λ ∈ N gilt:
n lim →∞
( n k
) ( λ n
) k ( 1 − λ
n ) n−k
= λ k
k! e −λ
Diskrete Verteilungen Poisson Verteilung
Poisson Verteilung (Forts.)
Satz 9.5 Summe von Poisson Verteilungen Seien X 1 , . . . , X n unabhängige Zufallsvariablen, wobei X i ∼ Poi(λ i ) für alle i = 1, . . . , n.
Sei X = X 1 + . . . + X n . Dann gilt: X ∼ Poi(λ 1 + . . . + λ n ).
Diskrete Verteilungen Hypergeometrische Verteilung
Hypergeometrische Verteilung
Seien N, M, n näturliche Zahlen mit der Eigenschaft M ≤ N und n ≤ N.
Die Zufallsvariable X ist hypergeometrisch verteilt mit den Parametern N, M und n (symbolisch: X ∼ Hyp(N, M, n)), falls
Pr [ X = k] = ( M
k
)( N−M
n−k
) ( N
n
)
für alle k ∈ { 0 , 1 , . . . , n } . Es gilt:
• Exp [X] = n · N M
• Var [X] = n · M (
1 − M ) N−n
Diskrete Verteilungen Hypergeometrische Verteilung
Hypergeometrische Verteilung (Forts.)
Abschätzen von Wahrscheinlichkeiten Markov Ungleichung
Markov Ungleichung
Satz 10.1 (Markov Ungleichung) Sei X eine Zufallsvariable, die nur nicht-negative Werte annimmt.
Dann gilt für alle t ∈ R mit t > 0, dass Pr [ X ≥ t ] ≤ Exp [X]
t . Äquivalent:
Pr [ X ≥ t · Exp [X]] ≤ 1
t .
Abschätzen von Wahrscheinlichkeiten Ungleichung von Chebyshev
Ungleichung von Chebyshev
Satz 10.2 (Ungleichung von Chebyshev) Sei X eine Zufallsvariable und t ∈ R mit t > 0.
Dann gilt
Pr [ | X − Exp [X] | ≥ t ] ≤ Var [X]
t 2 .
Stetige Zufallsvariablen Einführendes Beispiel
Beispiel Glücksrad
4 8 5 1 2
10
7
12
6 11 9
3
ϕ
Stetige Zufallsvariablen Definition
Stetige Zufallsvariable
Definition 11.2 (Stetige Zufallsvariable)
Eine stetige Zufallsvariable X ist definiert durch eine integrierbare Dichtefunktion f X : R 7→ R + 0 mit der Eigenschaft
∫ ∞
−∞
f X (x) dx = 1.
Die zu f X gehörende Verteilungsfunktion F X ist definiert als F X (x) = Pr [X ≤ x] =
∫ x
− ∞
f X (t) dt
Stetige Zufallsvariablen Definition
Ereignis
Definition 11.3 (Ereignis) Sei X eine stetige Zufallsvariable.
Eine Menge A ⊆ R , die durch Vereinigung A = ∪
k I k abzählbar vieler paarweise disjunkter Intervalle beliebiger Art (offen, halboffen,
geschlossen, einseitig unendlich) gebildet werden kann, heißt Ereignis.
Das Ereignis A tritt ein, wenn X einen Wert aus A annimmt. Die Wahrscheinlichkeit von A ist definiert als
Pr [A ] =
∫
A
f X (x) dx = ∑
k
∫
I
kf X (x) dx.
Stetige Zufallsvariablen Erwartungswert und Varianz
Erwartungswert und Varianz
Definition 11.7 (Erwartungswert und Varianz)
Sei X eine stetige Zufallsvariable. Der Erwartungswert von X ist Exp [X] =
∫ ∞
− ∞
t · f X (t) dt, falls das Integral ∫ ∞
− ∞ | t | · f X (t) dt endlich ist.
Die Varianz von X ist
Var [X] = Exp [
(X − Exp [X]) 2 ]
=
∫ ∞
− ∞
(t − Exp [X]) 2 f X (t) dt, wenn Exp [
(X − Exp [X]) 2 ]
existiert.
Stetige Zufallsvariablen Erwartungswert und Varianz
Formel zur Berechnung des Erwartungswerts
Satz 11.8 Sei X eine stetige Zufallsvariable und sei g : R 7→ R eine Abbildung. Für die Zufallsvariable Y = g(X) gilt:
Exp [Y] =
∫ ∞
− ∞
g(t) · f X (t) dt.
Stetige Verteilungen Gleichverteilung
Gleichverteilung
Die stetige Zufallsvariable X ist gleichverteilt über dem Intervall [a, b], wobei a < b, falls sie die Dichte
f X (x) = { 1
b−a x ∈ [a; b], 0 sonst.
besitzt. Die entsprechende Verteilung ist:
F X (x) =
0 x < a ,
x−a
b−a a ≤ x ≤ b , 1 x > b . Es gilt:
• Exp [X] = a+b 2
• Var [X] = (a−b)
2Stetige Verteilungen Normalverteilung
Normalverteilung
Eine stetige Zufallsvariable X ist normalverteilt mit den Parametern µ ∈ R und σ ∈ R , symbolisch X ∼ N (µ, σ 2 ), falls sie die Dichte
f X (x) = 1
√ 2πσ 2 · exp (
− (x − µ) 2 2σ 2
)
besitzt. Hierbei ist exp(x) = e x . Anstatt f X (x) schreibt man auch φ(x ; µ, σ).
N (0, 1) nennt man die Standardnormalverteilung.
Stetige Verteilungen Normalverteilung
Normalverteilung (Forts.)
Die Verteilungsfunktion von X ∼ N (µ, σ 2 ) ist
Φ(x; µ, σ) = 1
√ 2πσ 2
∫ x
−∞
exp (
− (t − µ) 2 2 σ 2
) dt
Diese Funktion nennt man Gauß’sche Phi-Funktion. Falls µ = 0 und σ = 1, dann schreibt man kurz Φ(x).
Es gilt:
• Exp [X] = µ
• Var [X] = σ 2
Stetige Verteilungen Normalverteilung
Normalverteilung (Forts.)
Stetige Verteilungen Normalverteilung
Transformation einer Normalverteilung
Satz 12.2 Sei X eine normalverteilte Zufallsvariable mit X ∼ N (µ, σ 2 ).
Dann gilt für beliebige a ∈ R − { 0 } und b ∈ R , dass Y = aX + b
normalverteilt ist mit Y ∼ N (a µ + b , a 2 σ 2 ).
Stetige Verteilungen Normalverteilung
Additivität der Normalverteilung
Satz 12.5 (Additivität der Normalverteilung) Die
Zufallsvariablen X 1 , . . . , X n seien unabhängig und normalverteilt mit den Parametern µ i und σ i für i = 1 , . . . , n.
Dann ist die Zufallsvariable
Z = a 1 X 1 + . . . + a n X n
normalverteilt mit Erwartungswert µ = a 1 µ 1 + . . . + a n µ n und
Varianz σ 2 = a 2 1 σ 2 1 + . . . + a 2 n σ 2 n .
Stetige Verteilungen Exponentialverteilung
Exponentialverteilung
Eine Zufallsvariable X ist exponentialverteilt mit Parameter λ ∈ R , symbolisch X ∼ EX P ( λ ), falls sie die Dichte
f X (x) = {
λ · e −λx x ≥ 0 ,
0 sonst
besitzt.
Die Verteilungsfunktion einer exponentialverteilten Zufallsvariable X ist für x ≥ 0
F X (x) =
∫ x 0
αe −λt dt = 1 − e
−λx.
Für x < 0 ist F X (x) = 0.
Stetige Verteilungen Exponentialverteilung
Exponentialverteilung (Forts.)
Angenommen, X ∼ Exp(λ).
Dann gilt:
• Exp [X] = 1 λ
• Var [X] = λ 1
2Stetige Verteilungen Exponentialverteilung
Exponentialverteilung (Forts.)
Stetige Verteilungen Exponentialverteilung
Multiplikation mit einer Konstanten
Satz 12.7 Sei X eine exponentialverteilte Zufallsvariable mit Parameter λ .
Für jedes a > 0 ist die Zufallsvariable Y = aX exponentialverteilt mit
Parameter λ a .
Stetige Verteilungen Exponentialverteilung
Gedächtnislosigkeit
Satz 12.8 (Gedächtnislosigkeit) Eine stetige Zufallsvariable X mit Wertebereich R + ist genau dann exponentialverteilt, wenn für alle x, y > 0 gilt:
Pr [ X > x + y | X > y ] = Pr [ X > x] .
Stetige Verteilungen Exponentialverteilung
Minimum exponentialverteilter Zufallsvariablen
Satz 12.9 Gegeben sind die paarweise unabhängigen Zufallsvariablen X 1 , . . . , X n .
Angenommen, X i ist exponentialverteilt mit Parameter λ i für i = 1, . . . , n.
Dann ist die Zufallsvariable X = min { X 1 , . . . , X n } exponentialverteilt
mit dem Parameter λ 1 + . . . + λ n .
Grenzwertsätze Der Zentrale Grenzwertsatz
Der Zentrale Grenzwertsatz
Satz 13.1 (Zentraler Grenzwertsatz) Angenommen, die Zufallsvariablen X 1 , . . . , X n besitzen jeweils dieselbe Verteilung und seien unabhängig. Erwartungswert und Varianz von X i existieren für i = 1 , . . . , n und seien mit µ bzw. σ 2 bezeichnet, wobei σ 2 > 0 gelten soll.
Betrachte die Zufallsvariablen Y n = X 1 + . . . + X n für n ≥ 1.
Es gilt: Die Folge der Zufallsvariablen Z n = Y n − nµ
√ σ 2 n
konvergiert gegen die Standardnormalverteilung. Formal: Für alle x ∈ R gilt:
n lim →∞ Pr [Z n ≤ x ] = Φ(x).
Grenzwertsätze Grenzwertsatz von DeMoivre