Varianz einer Zufallsvariablen

Der Erwartungswert mu sagt, welchen Wert eine Zufallsvariable im Mittel annimmt. Er sagt aber nichts darüber, wie stark die Werte schwanken : Ein Spiel, bei dem man immer 1 € gewinnt, und eines, bei dem man entweder 101 € gewinnt oder 99 € verliert, können denselben Erwartungswert haben. Die Varianz misst diese Streuung: Sie ist die mittlere quadratische Abweichung vom Erwartungswert. Ihre Wurzel ist die Standardabweichung sigma . Für eine Zufallsvariable X mit den Werten x 1, ldots, x n und dem Erwartungswert mu = E(X) : text{Var}(X) = (x 1 - mu)^2 cdot P(X = x 1) + ldots + (x n - mu)^2 cdot P(X = x n) Standardabweichung: sigma(X) = sqrt{ text{Var}(X)} Vorgehen 1. Erwartungswert mu berechnen. 2. Für jeden Wert die Abweichung x i - mu bilden und quadrieren . 3. Mit der Wahrscheinlichkeit multiplizieren und alles addieren. Abkürzung (Verschiebungssatz): text{Var}(X) = E(X^2) - mu^2 mit E(X^2) = x 1^2 cdot P(X = x 1) + ldots Warum quadrieren? Sonst würden sich positive und negative Abweichungen gegenseitig aufheben – die Summe wäre immer 0 . Beispiel 1: Ein Würfel X = Augenzahl, mu = 3{,}5 , jeder Wert mit frac{1}{6} : text{Var}(X) = frac{1}{6} cdot big((-2{,}5)^2 + (-1{,}5)^2 + (-0{,}5)^2 + 0{,}5^2 + 1{,}5^2 + 2{,}5^2 big) = frac{1}{6} cdot 17{,}5 = frac{35}{12} approx 2{,}92 sigma(X) = sqrt{2{,}92} approx 1{,}71 Beispiel 2: Augensumme zweier Würfel X = Augensumme, mu = 7 (Diagramm oben). Die Abweichungen von 7 sind höchstens 5 : text{Var}(X) = (2 - 7)^2 cdot tfrac{1}{36} + (3

Worum geht's?

Der Erwartungswert μ \mu μ sagt, welchen Wert eine Zufallsvariable im Mittel annimmt. Er sagt aber nichts darüber, wie stark die Werte schwanken : Ein Spiel, bei dem man immer 1 € gewinnt, und eines, bei dem man entweder 101 € gewinnt oder 99 € verliert, können denselben Erwartungswert haben. Die Varianz misst diese Streuung: Sie ist die mittlere quadratische Abweichung vom Erwartungswert. Ihre Wurzel ist die Standardabweichung σ \sigma σ .
Augensumme bei zwei Würfeln
Augensumme23456789101112SummeAnzahl1234565432136
Hier entsteht gleich das Diagramm
Die Tabelle

Formel mit Erklärung

Für eine Zufallsvariable X X X mit den Werten x 1 , … , x n x_1, \ldots, x_n x 1 ​ , … , x n ​ und dem Erwartungswert μ = E ( X ) \mu = E(X) μ = E ( X ) : Var ( X ) = ( x 1 − μ ) 2 ⋅ P ( X = x 1 ) + … + ( x n − μ ) 2 ⋅ P ( X = x n ) \text{Var}(X) = (x_1 - \mu)^2 \cdot P(X = x_1) + \ldots + (x_n - \mu)^2 \cdot P(X = x_n) Var ( X ) = ( x 1 ​ − μ ) 2 ⋅ P ( X = x 1 ​ ) + … + ( x n ​ − μ ) 2 ⋅ P ( X = x n ​ ) Standardabweichung: σ ( X ) = Var ( X ) \sigma(X) = \sqrt{\text{Var}(X)} σ ( X ) = Var ( X ) ​ Vorgehen Erwartungswert μ \mu μ berechnen. Für jeden Wert die Abweichung x i − μ x_i - \mu x i ​ − μ bilden und quadrieren . Mit der Wahrscheinlichkeit multiplizieren und alles addieren. Abkürzung (Verschiebungssatz): Var ( X ) = E ( X 2 ) − μ 2 \text{Var}(X) = E(X^2) - \mu^2 Var ( X ) = E ( X 2 ) − μ 2 mit E ( X 2 ) = x 1 2 ⋅ P ( X = x 1 ) + … E(X^2) = x_1^2 \cdot P(X = x_1) + \ldots E ( X 2 ) = x 1 2 ​ ⋅ P ( X = x 1 ​ ) + … Warum quadrieren? Sonst würden sich positive und negative Abweichungen gegenseitig aufheben – die Summe wäre immer 0 0 0 .

Beispiele

Leicht#1
Beispiel 1: Ein Würfel X X X = Augenzahl, μ = 3,5 \mu = 3{,}5 μ = 3 , 5 , jeder Wert mit 1 6 \frac{1}{6} 6 1 ​ : Var ( X ) = 1 6 ⋅ ( ( − 2,5 ) 2 + ( − 1,5 ) 2 + ( − 0,5 ) 2 + 0,5 2 + 1,5 2 + 2,5 2 ) = 1 6 ⋅ 17,5 = 35 12 ≈ 2,92 \text{Var}(X) = \frac{1}{6} \cdot \big((-2{,}5)^2 + (-1{,}5)^2 + (-0{,}5)^2 + 0{,}5^2 + 1{,}5^2 + 2{,}5^2\big) = \frac{1}{6} \cdot 17{,}5 = \frac{35}{12} \approx 2{,}92 Var ( X ) = 6 1 ​ ⋅ ( ( − 2 , 5 ) 2 + ( − 1 , 5 ) 2 + ( − 0 , 5 ) 2 + 0 , 5 2 + 1 , 5 2 + 2 , 5 2 ) = 6 1 ​ ⋅ 17 , 5 = 12 35 ​ ≈ 2 , 92 σ ( X ) = 2,92 ≈ 1,71 \sigma(X) = \sqrt{2{,}92} \approx 1{,}71 σ ( X ) = 2 , 92 ​ ≈ 1 , 71

Zusammenfassung

Die Varianz misst, wie stark eine Zufallsvariable um ihren Erwartungswert streut. Var ( X ) = ∑ ( x i − μ ) 2 ⋅ P ( X = x i ) \text{Var}(X) = \sum (x_i - \mu)^2 \cdot P(X = x_i) Var ( X ) = ∑ ( x i ​ − μ ) 2 ⋅ P ( X = x i ​ ) Standardabweichung: σ = Var ( X ) \sigma = \sqrt{\text{Var}(X)} σ = Var ( X ) ​ – sie hat dieselbe Einheit wie X X X . Abkürzung: Var ( X ) = E ( X 2 ) − μ 2 \text{Var}(X) = E(X^2) - \mu^2 Var ( X ) = E ( X 2 ) − μ 2 . Große Varianz = Werte weit gestreut, kleine Varianz = Werte nahe am Erwartungswert.

Jetzt üben

Kostenlose Aufgaben mit Lösungsweg zu diesem Begriff: