Einführung in die Stochastik, Prof. Lerche - Abteilung für ...
Einführung in die Stochastik, Prof. Lerche - Abteilung für ...
Einführung in die Stochastik, Prof. Lerche - Abteilung für ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
96 11 WAHRSCHEINLICHKEITSMAßE MIT DICHTEN<br />
Bemerkung zum S<strong>in</strong>n <strong>die</strong>ser Def<strong>in</strong>ition<br />
1) Man will P ({ω|X(ω) ∈ B}) = P ({X ∈ B}) = P (X −1 (B)) wohldef<strong>in</strong>iert haben für<br />
alle B ∈ B.<br />
2) Damit X Zufallsvariable ist genügt es für alle α ∈ R zu fordern: {X ≤ α} =<br />
X −1 ((−∞, α]) ∈ A.<br />
11.2.4 Def<strong>in</strong>ition (Wahrsche<strong>in</strong>lichkeitsverteilung e<strong>in</strong>er Zufallsvariable)<br />
Sei X e<strong>in</strong>e Zufallsvariable. Die Verteilung von X ist def<strong>in</strong>iert durch Q(B) := P (X −1 (B))<br />
für alle B ∈ B. Damit ist Q e<strong>in</strong> Wahrsche<strong>in</strong>lichkeitsmaß auf (R, B).<br />
Bemerkung: Zur Dichte f existiert stets e<strong>in</strong>e Zufallsvariable X so, dass <strong>die</strong> Verteilung<br />
von X <strong>die</strong> Dichte f hat. Wähle X(z) = z für z ∈ R.<br />
11.3 Erwartungswert und Varianz<br />
11.3.1 Def<strong>in</strong>ition (Erwartungswert)<br />
Sei X Zufallsvariable und sei f Wahrsche<strong>in</strong>lichkeits-Dichte und g : R → R messbar (d.h.<br />
g −1 (B) ∈ B für B ∈ B). Dann heißt<br />
∫<br />
Eg(X) := g(x)f(x)dx<br />
der Erwartungswert von g(X).<br />
Bemerkung: Der Erwartungswert e<strong>in</strong>er Zufallsvariable X mit Dichte f ist<br />
R<br />
E(X) =<br />
∫ ∞<br />
−∞<br />
xf(x)dx und E(X p ) =<br />
∫ ∞<br />
−∞<br />
x p f(x)dx<br />
ist das p-te Moment. Diese Erwartungswerte existieren genau dann, wenn <strong>die</strong> uneigentlichen<br />
Integrale existieren. Existiert E(X 2 ), so gilt:<br />
Var(X) =<br />
∫ ∞<br />
(x − E(X)) 2 f(x)dx = E((X − E(X)) 2 ) = E(X 2 ) − (EX) 2 .<br />
−∞<br />
Im Übrigen gelten <strong>die</strong> gleichen Gesetze wie im diskreten Fall.<br />
11.3.2 Beispiele<br />
Ist X normalverteilt nach N(µ, σ 2 ), d.h. F X (α) = P (X ≤ α) =<br />
so gilt E(X) = µ und Var(X) = σ 2 , denn<br />
α∫<br />
−∞<br />
√ 1<br />
/2σ 2<br />
2πσ<br />
dx,<br />
2 e−(x−µ)2