Stochastische Unabhängigkeit von Zufallsvariablen

Zwei Zufallsvariablen X und Y heißen stochastisch unabhängig , wenn der Wert der einen nichts über die Wahrscheinlichkeiten der anderen verrät. Das ist die Übertragung der stochastischen Unabhängigkeit von Ereignissen auf Zufallsvariablen – nur muss die Bedingung jetzt für alle Wertepaare gelten. In der Tabelle der gemeinsamen Verteilung heißt das: Jedes Feld ist das Produkt seiner Randwahrscheinlichkeiten. X (Werte x 1, ldots, x n ) und Y (Werte y 1, ldots, y m ) sind unabhängig , wenn für alle x i und y j gilt: P(X = x i; , Y = y j) = P(X = x i) cdot P(Y = y j) Ist diese Gleichung auch nur für ein Paar verletzt, sind X und Y abhängig . In Worten: gemeinsame Verteilung = Produkt der Randverteilungen. Folgerungen für unabhängige X , Y : - E(X cdot Y) = E(X) cdot E(Y) - text{Var}(X + Y) = text{Var}(X) + text{Var}(Y) Vorgehen: Randverteilungen bestimmen, für jedes Feld das Produkt der Ränder bilden und mit dem Feld vergleichen. Ein einziges Gegenbeispiel genügt für „abhängig“. Beispiel 1: Zwei Würfel X = Augenzahl des ersten Würfels, Y = Augenzahl des zweiten. Für jedes Paar gilt P(X = i; , Y = j) = frac{1}{36} = frac{1}{6} cdot frac{1}{6} = P(X = i) cdot P(Y = j) X und Y sind unabhängig – die Würfel beeinflussen sich nicht. Beispiel 2: Roulette ohne Null X = Auszahlung für „ungerade“ (20 € oder 0 €), Y = Auszahlung für „1 bis 18“ (20 € oder 0 €). Jede der vier Kombinationen tritt bei 9 von 36 Zahlen ein, also mit frac{1}{4} . Die Randwahrscheinlichkeiten sind jeweils frac{1}{2

Worum geht's?

Zwei Zufallsvariablen X X X und Y Y Y heißen stochastisch unabhängig , wenn der Wert der einen nichts über die Wahrscheinlichkeiten der anderen verrät. Das ist die Übertragung der stochastischen Unabhängigkeit von Ereignissen auf Zufallsvariablen – nur muss die Bedingung jetzt für alle Wertepaare gelten. In der Tabelle der gemeinsamen Verteilung heißt das: Jedes Feld ist das Produkt seiner Randwahrscheinlichkeiten.

Formel mit Erklärung

X X X (Werte x 1 , … , x n x_1, \ldots, x_n x 1 ​ , … , x n ​ ) und Y Y Y (Werte y 1 , … , y m y_1, \ldots, y_m y 1 ​ , … , y m ​ ) sind unabhängig , wenn für alle x i x_i x i ​ und y j y_j y j ​ gilt: P ( X = x i ;   Y = y j ) = P ( X = x i ) ⋅ P ( Y = y j ) P(X = x_i;\, Y = y_j) = P(X = x_i) \cdot P(Y = y_j) P ( X = x i ​ ; Y = y j ​ ) = P ( X = x i ​ ) ⋅ P ( Y = y j ​ ) Ist diese Gleichung auch nur für ein Paar verletzt, sind X X X und Y Y Y abhängig . In Worten: gemeinsame Verteilung = Produkt der Randverteilungen. Folgerungen für unabhängige X X X , Y Y Y : E ( X ⋅ Y ) = E ( X ) ⋅ E ( Y ) E(X \cdot Y) = E(X) \cdot E(Y) E ( X ⋅ Y ) = E ( X ) ⋅ E ( Y ) Var ( X + Y ) = Var ( X ) + Var ( Y ) \text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y) Var ( X + Y ) = Var ( X ) + Var ( Y ) Vorgehen: Randverteilungen bestimmen, für jedes Feld das Produkt der Ränder bilden und mit dem Feld vergleichen. Ein einziges Gegenbeispiel genügt für „abhängig“.

Beispiele

Leicht#1
Beispiel 1: Zwei Würfel X X X = Augenzahl des ersten Würfels, Y Y Y = Augenzahl des zweiten. Für jedes Paar gilt P ( X = i ;   Y = j ) = 1 36 = 1 6 ⋅ 1 6 = P ( X = i ) ⋅ P ( Y = j ) P(X = i;\, Y = j) = \frac{1}{36} = \frac{1}{6} \cdot \frac{1}{6} = P(X = i) \cdot P(Y = j) P ( X = i ; Y = j ) = 36 1 ​ = 6 1 ​ ⋅ 6 1 ​ = P ( X = i ) ⋅ P ( Y = j ) X X X und Y Y Y sind unabhängig – die Würfel beeinflussen sich nicht.

Zusammenfassung

X X X und Y Y Y sind unabhängig , wenn P ( X = x i ;   Y = y j ) = P ( X = x i ) ⋅ P ( Y = y j ) P(X = x_i;\, Y = y_j) = P(X = x_i) \cdot P(Y = y_j) P ( X = x i ​ ; Y = y j ​ ) = P ( X = x i ​ ) ⋅ P ( Y = y j ​ ) für alle Wertepaare gilt. Gemeinsame Verteilung = Produkt der Randverteilungen. Ein einziges Gegenbeispiel reicht für „abhängig“. Für unabhängige X X X , Y Y Y : E ( X ⋅ Y ) = E ( X ) ⋅ E ( Y ) E(X \cdot Y) = E(X) \cdot E(Y) E ( X ⋅ Y ) = E ( X ) ⋅ E ( Y ) und Var ( X + Y ) = Var ( X ) + Var ( Y ) \text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y) Var ( X + Y ) = Var ( X ) + Var ( Y ) .

Jetzt üben

Kostenlose Aufgaben mit Lösungsweg zu diesem Begriff: