Einheit 6 - Fakultät für Mathematik - Otto-von-Guericke-Universität ...
Einheit 6 - Fakultät für Mathematik - Otto-von-Guericke-Universität ...
Einheit 6 - Fakultät für Mathematik - Otto-von-Guericke-Universität ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Pseudo-Inverse der Verteilungsfunktion<br />
Eng verwandt mit dem Begriff des Quantils:<br />
” verallgemeinerte Umkehrfunktion <strong>von</strong> F“ (Pseudo-Inverse)<br />
F − (q) = sup{x : F (x) < q} = inf{x : F (x) ≥ q}<br />
” kleinstes q-Quantil“ (auch: unteres q-Quantil)<br />
Wenn die Verteilungsfunktion F stetig und streng monoton, dann ist F − die Umkehrfunktion<br />
F −1<br />
Beispiel: X exponential-(λ)-verteilt, d.h.<br />
F (x) =<br />
�<br />
0 , x ≤ 0<br />
1 − exp(−λx) , x > 0<br />
Für q ∈ (0, 1): F −1 (q) = − log(1 − q)/λ (vgl. Aufgabe 18)<br />
Damit Median: x0.5 = F −1 (0.5) = log(2)/λ ≈ 0.69/λ ( ” Halbwertszeit“)<br />
Erzeugen <strong>von</strong> Zufallszahlen zu gegebener Verteilungsfunktion<br />
Sei Z auf [0; 1] gleichverteilt und F − die Pseudo-Inverse einer Verteilungsfunktion. Setzt<br />
man X = F − (Z), dann hat X die Verteilungsfunktion F .<br />
Begründung:<br />
P (X ≤ x) = P (F − (Z) ≤ x) = P (Z ≤ F (x)) = F (x)<br />
Umgekehrt ist <strong>für</strong> stetige Zufallsvariablen X mit streng monotoner Verteilungsfunktion<br />
F die Zufallsvariable U = F (X) gleichverteilt auf [0, 1], denn<br />
P (U ≤ u) = P (F (X) ≤ u) = P (X ≤ F −1 (u)) = F (F −1 (u)) = u<br />
QQ-Plots<br />
Bei QQ-Plots werden die Quantile einer bestimmten Verteilung mit den ” empirischen<br />
Quantilen“ verglichen werden:<br />
Hat man unabhängige Beobachtungen X1, X2, . . . , Xn und ordnet diese an, so entstehen<br />
die Werte X(1), X(2), . . . , X(n).<br />
Nach obigem Argument verhalten sich dann F (X(1)), . . . , F (X(n)) wie unabhängige, auf<br />
[0, 1] gleichverteilte Beobachtungen, die man angeordnet hat. Daher hofft man, dass<br />
F (X(i)) ≈<br />
i − 1/2<br />
n − 1<br />
<strong>für</strong> i = 1, . . . , n<br />
(in Randpunkten besseres Verhalten als das vielleicht naheliegendere i/n). Daher plotet<br />
man die Punkte � F −1� � � i−1/2<br />
, X(i) <strong>für</strong> i = 1, . . . , n und hofft, dass diese annähernd auf<br />
n−1<br />
der Winkelhalbierenden liegen.<br />
Will man überprüfen, ob die Beobachtungen normal-(µ, σ)-verteilt sind, dann hofft man<br />
daher, dass<br />
X(i) − µ<br />
≈ Φ<br />
σ<br />
−1<br />
�<br />
i − 1/2<br />
�<br />
<strong>für</strong> i = 1, . . . , n bzw.<br />
n − 1<br />
X(i) ≈ Φ −1<br />
�<br />
i − 1/2<br />
�<br />
· σ + µ <strong>für</strong> i = 1, . . . , n.<br />
n − 1<br />
2