Dichtetransformation und Untersuchung der Standardnomalverteilung
Dichtetransformation und Untersuchung der Standardnomalverteilung
Dichtetransformation und Untersuchung der Standardnomalverteilung
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Dichtetransformation</strong> <strong>und</strong> <strong>Untersuchung</strong> <strong>der</strong><br />
<strong>Standardnomalverteilung</strong><br />
Janina Alkan<br />
Humboldt Universität zu Berlin<br />
Mathematisch-Naturwissenschaftliche Fakultät II<br />
Institut für Mathematik<br />
Stochastische Methoden<br />
Dozent: Dr. B. Gerlach<br />
28.10.2012<br />
1 Mehrdimensionale Verteilungsdichten<br />
Bisher wurden Dichten von eindimensionalen Zufallsvariablen betrachtet. Im folgenden soll<br />
dieser Begriff auch auf mehrdimensionale Zufallsvektoren ausgeweitet werden. Beginnen wir<br />
mit <strong>der</strong> Definition <strong>der</strong> mehrdimensionalen Dichtefunktion.<br />
Definition 1 Eine Riemann-integrierbare Funktion f : R n → R heißt Dichte über R n , falls<br />
f(x) ≥ 0, x ∈ R n <strong>und</strong><br />
gilt.<br />
∫ ∞<br />
−∞<br />
. . .<br />
∫ ∞<br />
−∞<br />
f(x 1 , . . . , x n )dx 1 . . . dx n = 1 , x = (x 1 , . . . , x n ) T<br />
Bemerkung 1 Ist f eine Dichte über R n , so ist die zugehörige Verteilungsfunktion F stetig<br />
<strong>und</strong> gegeben durch:<br />
Zudem gilt dann:<br />
F (x 1 , . . . , x n ) =<br />
∫x n<br />
−∞<br />
. . .<br />
∫ x 1<br />
−∞<br />
f(y 1 , . . . , y n )dy 1 . . . dy n , (x 1 , . . . , x n ) ∈ R n .<br />
δ n<br />
δx 1 , . . . δ, x n<br />
F (x 1 , . . . , x n ) = f(x 1 , . . . , x n ).<br />
Verteilungen <strong>der</strong> einzelnen Zufallsvariablen eines n dimensionalen Zufallsvektors lassen sich aus<br />
<strong>der</strong> gemeinsamen Verteilung gewinnen wie die folgende Definition zeigt.<br />
Definition 2 Sei X = (X 1 , . . . , X n ) ein Zufallsvektor des R n mit <strong>der</strong> zugehörigen Dichte f X .<br />
Dann gilt für die i-te Randdichte (bzw. Dichtefunktion <strong>der</strong> i-ten Randverteilung) f Xi : R → R<br />
<strong>der</strong> i-ten Komponente X i mit i ∈ {1, . . . , n} <strong>und</strong> t ∈ R:<br />
f Xi (t) =<br />
∫ ∞<br />
−∞<br />
. . .<br />
∫ ∞<br />
−∞<br />
f(x 1 , . . . , x i−1 , t, x i+1 , . . . , x n )dx 1 . . . dx i−1 , dxi + 1, dx n .<br />
Betrachten wir den also im zweidimensionalen Fall den zufälligen Vektor (X 1 , X 2 ) mit <strong>der</strong><br />
zweidimensionalen Verteilung F (x 1 , x 2 ). Für die Randverteilungen F 1 (x 1 ) <strong>und</strong> F 2 (x 2 ) gilt:<br />
F (x 1 , ∞) = F 1 (x 1 )<br />
F (∞, x 2 ) = F 2 (x 2 )<br />
1
<strong>und</strong> für die zweidimensionale Randdichte gilt dann:<br />
f 1 (x 1 ) =<br />
f 2 (x 2 ) =<br />
∫ ∞<br />
−∞<br />
∫ ∞<br />
−∞<br />
f(x 1 , x 2 )dx 2<br />
f(x 1 , x 2 )dx 1 .<br />
Abschließend soll in diesem Kapitel die stochastische Unabhängigkeit von Zufallsvariablen betrachtet<br />
werden.<br />
Definition 3 Sei n ∈ N <strong>und</strong> X 1 , . . . , X n Zuvallsvariablen über dem selben Wahrscheinlichkeitsraum<br />
(Ω, F, P ) <strong>und</strong> I eine nichtleere Indexmenge I ⊆ {1, . . . , n}. Dann heißen die Zufalssvariablen<br />
stochastisch Unabhängig, wenn für alle A 1 , . . . A n ∈ F gilt:<br />
( )<br />
⋂ n∏<br />
P {X i ∈ A i } = P {X 1 ∈ A 1 , . . . , X n ∈ A n } = P (X i ∈ A i ).<br />
i∈I<br />
i=1<br />
Zudem sind dann n- stetige Zufallsvariablen X 1 , . . . , X n über einem gemeinsamen Wahrscheinlichkeitsraum<br />
(Ω, F, P ) stochastisch Unabhängig, wenn <strong>der</strong> Zufallsvektor X = (X 1 , . . . , X n )<br />
stetig ist <strong>und</strong> eine gemeinsame Dichte f X bzw. Randdichten f X1 , . . . , f Xn existieren, so dass für<br />
alle x = (x 1 , . . . , x n ) ∈ R n gilt:<br />
f X (x) =<br />
n∏<br />
f Xi (x 1 ).<br />
i=1<br />
Bemerkung 2 Weiterhin gilt für stochastisch unabhängige Zufallsvariablen X 1 , . . . , X 2 mit<br />
Verteilungsdichten F X1 , . . . , F Xn :<br />
F X1,...,X n<br />
(x 1 , . . . , x n ) = F X1 (x 1 ) · · · · · F Xn (x n ), d.h.<br />
P (X 1 ≤ x 1 , . . . X n ≤ x n ) = P (X 1 ≤ x 1 ) · · · · · P (X n ≤ x n ) ∀(x 1 , . . . x n ) ∈ R n .<br />
2 Verteilungstransformation<br />
2.1 Betrachtung des skalaren Falls<br />
Sei X eine Zufallsgröße mit <strong>der</strong> Verteilungsfunktion f X . Außerdem sei eine streng monotone<br />
stetig differenzierbare Funktion g(x) mit <strong>der</strong> inversen Transformation g −1 (y) = h(y) gegeben,<br />
dann besitzt Y = g(X) eine Dichte f Y , die gegeben ist durch:<br />
f Y (y) = f X (h(y)) · |h ′ (y)|<br />
y ∈ W b(g)<br />
= 0 y ∉ W b(g).<br />
Dies folgt aus <strong>der</strong> Betrachtung zweier Fallunterscheidungen:<br />
1. Fall h ′ (ẋ) ≥ 0:<br />
2. Fall h ′ (ẋ) ≤ 0:<br />
F y (y) = P (Y ≤ y) = P (h(Y ) ≤ h(y)) = P (X ≤ x) = F x (x) = F x (h(y))<br />
⇒ f y (y) = f x (h(y)) · h ′ (y) (1)<br />
F y (y) = P (Y ≤ y) = P (h(Y ) ≥ h(y)) = 1 − P (X ≤ x) = 1 − F x (x) = 1 − F x (h(y))<br />
⇒ f y (y) = −f x (h(y)) · h ′ (y) (2)<br />
Zusammen aus (1) <strong>und</strong> (2) ergibt sich die Formel zur <strong>Dichtetransformation</strong> im eindimensionalen<br />
Fall.<br />
Zum besseren Verständnis wird die folgende Transformation <strong>der</strong> Normalverteilung betrachtet.<br />
2
Beispiel 1 Es sei die Zufallsvariable X ∼ N(µ, σ 2 ) mit f X (x) = 1 √<br />
2πσ 2 e− 1 2( x−µ<br />
σ ) 2 gegeben. Sie<br />
soll durch y = g(x) = (x−µ)<br />
σ<br />
transformiert werden. Also ist:<br />
x = yσ + µ = h(y) <strong>und</strong> h ′ (y) = σ<br />
Und mit f Y (y) = f x (h(y)) · |h ′ (y)| folgt dann:<br />
f Y (y) = √ 1 e − 1 2( y+µ−µ<br />
σ ) 2 · |σ| = √ 1 e − 1 2 y2<br />
2πσ 2π<br />
⇔ Y ∼ N(0, 1)<br />
Das heißt also eine lineare Transformation Y einer normalverteilten Zufallsvariablen X ist<br />
wie<strong>der</strong> normalverteilt <strong>und</strong>. An<strong>der</strong>sherum gilt auch: Ist Y ∼ N(0, 1), so gilt X = σX + µ ∼<br />
N(0, 1).<br />
2.2 Betrachtung des n-dimensionalen Falls<br />
Sei im folgenden X = (X 1 , . . . , X n ) T ein n-dimensionaler Zufallsvektor des R n mit <strong>der</strong> Dichte<br />
f X . Weiterhin sei U eine offene Menge aus R n mit P x (U) = 1 <strong>und</strong> h eine eindeutige stetig<br />
differenzierbare Funktion von U auf V ⊆ R n , <strong>der</strong>en Jacobimatrix<br />
( δhi (x)<br />
J (x) :=<br />
δx i<br />
)i,j=1,...,n<br />
nirgends auf U singulär ist. Mit g = h −1 werde die Inverse Funktion zu h bezeichnet.<br />
Dann hat <strong>der</strong> Zufallsvektor Y := h(X) eine Dichte f Y mit<br />
{<br />
f X (g(Y)) · |detJ g (y)| , falls y ∈ V<br />
f Y (y) =<br />
0 , falls y ∈ R n \ V<br />
Nun kann auch im mehrdimensionalen Fall zu einer gegebenen Dichte f X die Dichte f Y <strong>der</strong><br />
Funktion h : x → y mit Hilfe <strong>der</strong> <strong>Dichtetransformation</strong>sformel ermittelt werden. Im folgenden<br />
Abschnitt wird diese Formel ihre Anwendung finden.<br />
3 <strong>Untersuchung</strong> <strong>der</strong> Standardnormalverteilung<br />
Im folgenden soll nun gezeigt werden, dass die Dichte f X einer normalverteilten Zufallsgröße<br />
X ∼ N(µ, σ 2 ) mit f X (x) = √ 1 1 2πσ 2 e− 2( x−µ<br />
σ ) 2 tatsächlich eine Dichte ist. Da jede Normalverteilung<br />
durch eine lineare Transformation auf eine Standardnormalverteilung transformiert werden<br />
kann <strong>und</strong> umgekehrt (s. Beispiel 1), genügt es, die Standardnormalverteilung zu untersuchen.<br />
Satz 1 Sei X ∼ N(0, 1) mit f X (x) = 1 √<br />
2π<br />
e − 1 2 x2 , dann ist f X eine Dichte.<br />
Beweis 1 Falls f X eine Dichte ist, müssen zwei Bedingungen erfüllt sein.<br />
(i) Zum einen muss gelten: f X (x) ≥ 0 ∀x ∈ R. Dies ist offensichtlich erfüllt.<br />
(ii) z.z. bleibt also:<br />
∞∫<br />
−∞<br />
f X (x)dx = 1<br />
Hierfür wird <strong>der</strong> zweidimensionale Fall betrachtet, d.h. die unabhängigen Zufallsgrößen<br />
X 1 , X 2 ∼ N(0, 1) mit den Dichten<br />
f X1 (x 1 ) = 1 √<br />
2π<br />
e − 1 2 x2 1<br />
f X2 (x 2 ) = 1 √<br />
2π<br />
e − 1 2 x2 2 .<br />
Da X 1 <strong>und</strong>X 2 unabhängig verteilt sind, gilt:<br />
<strong>und</strong><br />
f(x 1 , x 2 ) = f X1 (x 1 ) · f X2 (x 2 ).<br />
3
Es ist:<br />
∫ ∞<br />
∫ ∞<br />
−∞ −∞<br />
f(x 1 , x 2 )dx 1 dx 2 =<br />
Zu zeigen ist also:<br />
I :=<br />
∫ ∞<br />
∫ ∞<br />
−∞ −∞<br />
∫ ∞<br />
∫ ∞<br />
−∞ −∞<br />
f X1 (x 1 )f X2 (x 2 )dx 1 dx 2 =<br />
1<br />
√ e − 1 1<br />
2 x2 1 · √ e − 1 2 x2 2 dx1 dx 2 =<br />
2π 2π<br />
∫ ∞<br />
∫ ∞<br />
−∞ −∞<br />
∫ ∞<br />
−∞<br />
f X1 (x 1 )dx 1<br />
∫∞<br />
−∞<br />
1<br />
2π e− 1 2(x 2 1 +x2 2) dx1 dx 2 = 1<br />
f X2 (x 2 )dx 2 .<br />
Nun lässt sich das Integral mit Hilfe <strong>der</strong> folgenden Transformation in Polarkoordinaten<br />
umwandeln:<br />
Hierbei ist h : (x 1 , x 2 ) → (r, φ) mit:<br />
x 1 = r cos(φ)<br />
x 2 = r sin(φ).<br />
h(y) = (x 1 , x 2 ) T = (r cos(φ), r sin(φ)) T<br />
Der Integrationsbereich bzw. <strong>der</strong> Bildbereich V wird dadurch die Menge:<br />
M = {(r, φ) : 0 ≤ r < ∞, 0 ≤ φ < 2π} = [0, ∞) [0, 2π) .<br />
Hierbei ergibt sich für die Jacobideterminante:<br />
J (x) =<br />
∣ cos φ<br />
−r sin φ<br />
sin φ r cos φ ∣ = r(cos2 φ + sin 2 φ) = r<br />
Nach Einsetzen in die Formel für die <strong>Dichtetransformation</strong> ergibt sich dann:<br />
∫<br />
I =<br />
2π∫ ∞<br />
0<br />
∫<br />
=<br />
=<br />
1<br />
2π e− 1 2(r 2 cos 2 φ+r 2 sin 2 φ) · |r| drdφ<br />
0<br />
2π∫ ∞<br />
0 0<br />
∫2π<br />
∫ ∞<br />
0<br />
∫<br />
=<br />
2π<br />
0<br />
0<br />
1<br />
2π e− 1 2(r 2 (cos 2 φ+sin 2 φ)) · |r| drdφ<br />
1<br />
2π e− 1 2 r2 · r dφdr<br />
∫∞<br />
1<br />
2π dφ e − 1 2 r2 · r dr.<br />
0<br />
Hierbei handelt es sich also um zwei bekannte Dichten, die integriert werden sollen, zum<br />
einen um die Gleichverteilung auf dem Intervall [0, 2π] <strong>und</strong> zum an<strong>der</strong>en um die Weibullverteilung<br />
zum Parameter r. Auf dem angegebenen Integrationsbereichen ergeben beide<br />
Verteilungen 1, womit auch die zweite Bedingung erfüllt ist.<br />
4