Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

Stetige Verteilungen und Dichtefunktionen

Heinrich-Heine Universität Düsseldorf

Vorlesungsaufzeichnung Stetige Verteilungen

Das Wort abgeschlossen ist dabei keine Dekoration. Ohne es wäre der Schnitt für jede Verteilung mit Dichte leer: Für X∼U([0,1])X \sim U([0,1]) hat [0,1]∖{x}[0,1] \setminus \{x\} für jedes einzelne xx noch Wahrscheinlichkeit 1 (einzelne Punkte sind Nullmengen, dazu gleich mehr), also läge kein Punkt in allen diesen Mengen. Verlangt man abgeschlossene Mengen, kommt [0,1][0,1] heraus, wie es sein soll. (Dass der Schnitt selbst wieder Wahrscheinlichkeit 1 hat, weil man mit abzählbar vielen der AA auskommt, benutzen wir nicht weiter.)

Abgeschlossen sind zum Beispiel jedes Intervall der Form [a,b][a,b], ganz R\mathbb{R} und jede endliche Menge. Nicht abgeschlossen ist dagegen (0,1](0,1]: Die Folge 1k\frac1k liegt darin, ihr Grenzwert 0 nicht. Der Abschluss von (0,1](0,1] ist [0,1][0,1].

Für eine diskrete Verteilung mit pmf pp und endlich vielen Werten vereinfacht sich der Träger zu

supp⁡(X)={ x ∣ p(x)>0 },\operatorname{supp}(X) = \{\, x \ \mid\ p(x) > 0 \,\},

also zu der Menge der Werte, die überhaupt vorkommen können (bei unendlich vielen Werten kommen noch deren Häufungspunkte dazu, denn der Träger ist abgeschlossen).

Der Träger ist auch für diskrete reelle Zufallsvariablen definiert - der offensichtliche Unterschied ist, dass der Träger einer diskreten Zufallsvariable kein Intervall enthält.

Dichtefunktionen

Gegeben eine reelle Zufallsvariable X ⁣:Ω→RX \colon \Omega \to \mathbb{R}, deren Verteilung PXP_X durch eine Dichte ff gegeben ist, gilt also für A⊆RA \subseteq \mathbb{R}

∫X−1(A)dP(ω)=P(X∈A)=PX(A)=∫Af(x)dx\int_{X^{-1}(A)} dP(\omega) = P(X \in A) = P_X(A) = \int_A f(x) dx

Dieses rechte Integral ist nun ein Integral im Wertebereich von XX. Analog können wir auch den Erwartungswert und die Varianz berechnen:

Das ist das stetige Gegenstück zur Summe über die Wahrscheinlichkeitsmassefunktion im Kapitel Erwartungswert und Varianz: An die Stelle der pmf tritt die Dichte, an die Stelle der Summe das Integral. Dass wir auch andere Funktionen von XX auf diese Weise integrieren dürfen, sagt der folgende Satz.

Wir beweisen den Satz nicht (er folgt aus dem Transformationssatz für Integrale), benutzen ihn aber ständig: Die Definition der Varianz ist gerade der Spezialfall g(x)=(x−E(X))2g(x) = (x - \mathbb{E}(X))^2, und mit g(x)=x2g(x) = x^2 erhalten wir wie im diskreten Fall

V(X)=E(X2)−(E(X))2=∫Dx2f(x)dx−(E(X))2.\mathbb{V}(X) = \mathbb{E}(X^2) - {\left( \mathbb{E}(X) \right)}^2 = \int_D x^2 f(x) dx - {\left( \mathbb{E}(X) \right)}^2.

Allgemein heißt E(Xk)=∫Dxkf(x)dx\mathbb{E}(X^k) = \int_D x^k f(x) dx das kk-te Moment von XX.

Die cdf steigt also genau dort steil an, wo die Dichte groß ist. Im Kapitel Wichtigste stetige Verteilungen werden pdf und cdf jeweils gemeinsam geplottet; beobachten Sie das dort.