Momente

Einleitung

Diese Seite zum Thema Momente kann als Wiki2Reveal Folien angezeigt werden. Einzelne Abschnitte werden als Folien betrachtet und Änderungen an den Folien wirken sich sofort auf den Inhalt der Folien aus. Dabei werden die folgenden Teilaspekte im Detail behandelt:

• (1) Definition von Momenten
• (2) Erwartungswert
• (3) Varianz

Motivation - Erwartungswert

Vorbemerkung: Zwei Personen $A$ und $B$ vereinbaren ein Würfelspiel.

• Ausgang '1': $A$ zahlt an $B$ 5€
• Ausgang '2', ..., '6': $B$ zahlt an $A$ 1€

Die Gewinnerwartung für die beiden Spieler beträgt hier Null: Erwarteter Gewinn von $B$:

$5\cdot {\frac {1}{6}}-1\cdot {\frac {1}{6}}-...-1\cdot {\frac {1}{6}}=0$

("faires Spiel").

Bemerkung - Wahrscheinlichkeit und Wert der Zufallsgröße

In der obigen Gleichung

$5\cdot {\frac {1}{6}}-1\cdot {\frac {1}{6}}-...-1\cdot {\frac {1}{6}}=0$

setzen sich die einzelnen Terme (z.B. $5\cdot {\frac {1}{6}}$) aus dem Wert der Zufallsgröße $X(1)=5$ und der Wahrscheinlichkeit ${\frac {1}{6}}$ für das Eintretens des Ereignisse ("1 gewürfelt") zusammen.

Definition - Erwartungswert

Die Definition des Erwartungswertes wird in folgende Fälle unterteilt:

• diskrete Zufallsgröße und
• absolute stetige Zufallsgröße.

Definition - Erwartungswert - diskreter Fall

Sei $X:\Omega \to \mathbb {R}$ eine auf einem diskreten Wahrscheinlichkeitsraum $(\Omega ,{\mathcal {S}},P)$ definierte Zufallsvariable, dann heißt

$E(X)=\sum _{x\in X(\Omega )}x\cdot P(X=x)=\sum _{x\in X(\Omega )}x\cdot P^{X}(\lbrace x\rbrace )$

Erwartungswert von $X$, vorausgesetzt, dass $\sum _{x\in X(\Omega )}|x|\cdot P(X=x)<\infty$.

Bemerkung - Anzahl Summanden - diskreter Fall

Die Zufallsgröße $X:\Omega \to \mathbb {R}$ nimmt nur zwei Werte an, nämlich $X(\omega )=5$ für $\omega =1$ und $X(\omega )=-1$ für $\omega =2,3,4,5,6$. Dabei besteht der Erwartungswert in der obigen Notation nur aus zwei Summanden, da $X(\Omega )=\{-1,5\}$.

Bemerkung 1 - Notation zum diskreten Beispiel

Möchte man den Erwartungswert analog zur obigen Notation mit 6 Summand definieren:

${\begin{array}{rcl}E(X)&=&\sum _{\omega \in \Omega }X(\omega )\cdot P(\{\omega \})\\&=&5\cdot {\frac {1}{6}}+\underbrace {(-1)\cdot {\frac {1}{6}}+...+(-1)\cdot {\frac {1}{6}}} _{=(-1)\cdot {\frac {5}{6}}}\\&=&5\cdot {\frac {1}{6}}+-1\cdot {\frac {5}{6}}=\displaystyle \sum _{x\in X(\Omega )=\{5,-1\}}x\cdot P^{X}(\{x\})\\&=&0\end{array}}$

Bemerkung 2 - diskret verteilte Zufallsgröße

Die Reihe $\sum _{x}|x|\cdot P(X=x)<\infty$ hat nur abzählbar viele Elemente $x$ mit $P(X=x)\not =0$, weil $X:\Omega \to \mathbb {R}$ eine diskrete Zufallsgröße ist.

Bemerkung 3 - Erwartungswert - absolute Konvergenz

Mit $\sum _{x}|x|\cdot \underbrace {P(X=x)} _{\geq 0}$ ist die Reihe in der Definition zum Erwartungswert absolut konvergent. Die Fälle $E(x)=+\infty$ und $E(x)=-\infty$ werden also ausgeschlossen. In solchen Fällen existiert der Erwartungswert nicht.

Definition - Erwartungswert - absolut stetig

Sei $X:\Omega \to \mathbb {R}$ eine auf einem diskreten Wahrscheinlichkeitsraum $(\Omega ,{\mathcal {S}},P)$ bei die Wahrscheinlichkeitsverteilung durch eine Dichtefunktion $p:\Omega \to \mathbb {R} _{0}^{+}$ bzw. die induzierte Dichte $p^{X}:\mathbb {R} \to \mathbb {R} _{0}^{+}$ gegeben ist. Dann heißt

$E(X):=\int _{\Omega }X(\omega )\cdot p(\omega )\,d(\omega ):=\int _{\mathbb {R} }x\cdot p^{X}(x)\,dx$

Erwartungswert der absolut stetigen Verteilung, wenn die Bedingung

$E(|X|)=\int _{\Omega }|X(\omega )|\cdot p(\omega )\,d(\omega )=\int _{\mathbb {R} }|x|\cdot p^{X}(x)\,dx<\infty$

erfüllt ist.

Bemerkung - induzierte Dichtefunktion

Für die induzierte Dichtefunktion gilt alle $B$ aus der Borelschen $\sigma$-Algebra ${\mathcal {B}}(\mathbb {R} )$:

$\int _{X^{-1}(B)}X(\omega )\cdot p(\omega )\,d(\omega ):=\int _{B}x\cdot p^{X}(x)\,dx$

Satz - Erwartungswert für diskrete Zufallsvariablen

Bezeichnet $p_{\omega }=P(\lbrace \omega \rbrace )$ die Wahrscheinlichkeitsfunktion von $P$ auf $\Omega$, so gilt für eine auf $(\Omega ,{\mathcal {S}},P)$ definierte Zufallsvariable $X:\Omega \to \mathbb {R}$:

$E(X)=\sum _{\omega \in \Omega }X(\omega )\cdot p_{\omega }$

(sofern $\sum |X(\omega )|\cdot p_{\omega }<\infty$).

Beweis

Es ist

${\begin{array}{rcl}\displaystyle \sum _{\omega \in \Omega }X(\omega )\cdot p_{\omega }&=&\displaystyle \sum _{x\in X(\Omega )}\sum _{\omega :X(\omega )=x}X(\omega )\cdot p_{\omega }\\&=&\displaystyle \sum _{x\in X(\Omega )}x\sum _{\omega :X(\omega )=x}p_{w}\\&=&\displaystyle \sum _{x\in X(\Omega )}x\cdot P^{X}(\lbrace x\rbrace )\\&=&E(X)\\\end{array}}$

Bemerkung zum Beweis

In den Beweis geht der große Umordnungssatz für konvergente Reihen aus der Analysis ein. Die Anwendung Umordnungssatzes ist möglich, da $E(|X|)<\infty$ gilt und damit die Reihe absolut konvergent ist.

Bemerkungen - Existenz Erwartungeswertes

Im Fall absoluter Konvergenz der Reihen (Beispiele oben) sagt man:

• $X$ besitzt einen Erwartungswert, oder
• der Erwartungswert von $X$ existiert.

$X$ besitzt genau dann einen Erwartungswert, falls $E|X|=\sum _{w}|X(w)|p_{w}<\infty$.

Endlicher Ergebnisraum

Dies ist bei endlichen $\Omega$ immer der Fall.

Schreibweise

Statt $E(X)$ auch $EX$ oder $E_{P}X$, wenn man kenntlich machen möchte, bzgl. welchem Wahrscheinlichkeitsmaß $P$ der Erwartungswert berechnet wurde.

Elementare Folgerungen

Aus dem obigen Satz zum Erwartungswert folgt: $E(1)=1,E(X)\leq E(Y)$, falls $X(w)\leq Y(w)$ für alle $w\in \Omega$ gilt.

Beispiel

Ist $X(w)=\lbrace w_{1},...,w_{m}\rbrace$, und ist $P_{X}$ die Gleichverteilung auf $X(\Omega )$, so lautet der Erwartungswert

$E(X)={\frac {1}{m}}\sum _{i=1}^{m}x_{i}$ ("arithmetisches Mittel").

(Der Erwartungswert der Augenzahl beim Würfeln ist 3,5.)

Beispiel

Für die Indikatorvariable $X=1_{A}$ eines Ereignisses $A\subset \Omega$ gilt:

$E(1_{A})=0\cdot P(1_{A}=0)+1\cdot P(1_{A}=1)=P(A)$

Eine direkte Folgerung aus der Behauptung ist der folgende Satz.

Satz - Linearität des Erwartungswertes

Besitzen die Zufallsvariablen $X_{1},X_{2}$ Erwartungswerte, so auch die Zufallsvariablen $aX_{1},bX_{2},a,b\in \mathbb {R}$, und es gilt:

$E(aX_{1}+bX_{2})=aE(X_{1})+bE(X_{2})$ ("Linearität")

Bemerkung - Aufgabe - Beweis

Der Beweis der Linearität wird über das Einsetzen der Definition und der Anwendung elementaren Umformungen geführt. Versuchen Sie diesen Beweis zunächst ohne Hilfen selbst durchzuführen und sich erst danach den in Wikiversity angegebenen Beweis zu Linearität des Erwartungswertes anzusehen

Anwendungsbeispiel für die Linearität des Erwartungswertes

Alle $n$ Zufallsgrößen $X_{k}$ mit $k\in \{1,\ldots ,n\}$ seinen $B(1,p)$-verteilt. Dann ist $X:=X_{1}+\ldots +X_{n}$ ein $B(n,p)$-verteilt und für den Erwartungswert erhält man mit der Linearität des Erwartungswertes $X$ gilt:

$E(X)=np$

Beweismöglichkeiten

1. $E(X)=\sum _{k=k}^{n}k{\binom {n}{k}}p^{k}(1-p)^{n-k}=...=n\cdot p$

2. Für die Binominalverteilung gilt $X=X_{1}+..+X_{n}$ mit $EX_{i}=p$. Dann ist

$E(X)=E(X_{1})+...+E(X_{n})=n\cdot p$ (wg. Linearität).

Der Erwartungswert von Funktionen $\phi \circ X$ einer Zufallsgröße berechnet sich wie folgt.

Satz - Verkettung von messbaren Abbildungen

Ist $X:\Omega \to \Omega '$ Zufallsgröße auf $(\Omega ,P)$ und $\phi :\Omega '\to \mathbb {R}$ eine Abbildung, dann gilt

$E(\phi \circ X)=\sum _{x\in X(\Omega )}\phi (x)P_{X}(\lbrace x\rbrace )$

(Falls die Reihe absolut konvergiert).

Beweis

$E_{P}(\phi \circ X)=\sum _{w\in \Omega }\phi (X(w))p_{w}=\sum _{x\in X(w)}\sum _{w:X(w)=x}\phi (X(w))p_{w}$

$=\sum _{x\in X(w)}\phi (x)\sum _{w:X(w)=x}p_{w}=\sum _{x\in X(w)}\phi (x)P_{X}(\lbrace x\rbrace ).$

(Großer Umordnungssatz für absolut konvergente Reihen)

Beispiele

Gemäß der Behauptung gilt z.B.

Mit $\phi _{1}(x):=x^{2}$ erhält man $E(\phi _{1})=\sum _{x}x^{2}P_{X}(\lbrace x\rbrace )$

Mit $\phi _{2}(x):=e^{x}$ erhält man $E(\phi _{2})=\sum _{x}e^{x}P_{X}(\lbrace x\rbrace )$

usw.

Bemerkung

Die rechte Seite der Behauptung kann man auch als $E_{P_{X}}(\phi )$ schreiben.
In der Tat, $P_{X}(\lbrace x\rbrace )$ ist Wahrscheinlichkeitsfunktion auf $\Omega '$ und $\phi$ wird als Zufallsvariable auf $(\Omega ',P_{X})$ aufgefasst:

$E_{P}(\phi \circ X)=E_{P_{X}}(\phi )$

Satz - Multipkikation von unabhängigen Zufallsgrößen

Die Zufallsvariablen $X,Y$ mögen unabhängig sein und Erwartungswerte besitzen. Dann besitzt auch $X\cdot Y$ einen Erwartungswert und es gilt

$E(X\cdot Y)=E(X)\cdot E(Y)$

Beweis (i.1)

Zur Existenz von $E(X\cdot Y)$:

$E(|X\cdot Y|)=\sum _{w\in \Omega }|X(w)\cdot Y(w)|p_{w}$

$=\sum _{x\in X(\Omega )}\sum _{y\in Y(\Omega )}\sum _{w:X(\omega )=x,Y(\omega )=y}|X(w)\cdot Y(w)|p_{w}$

$=\sum _{x\in X(\Omega )}\sum _{y\in Y(\Omega )}|x\cdot y|P(X=x,Y=y)$

Beweis (i.2)

$=\sum _{x\in X(\Omega )}|x|\cdot P(X=x)\sum _{y\in Y(\Omega )}|y|\cdot P(Y=y)$

$=E|X|\cdot E|Y|<\infty$

(Reihe links oben also absolut konvergent.)

Beweis (ii)

Die gleiche Rechnung wie in (i) ohne Betragsstriche liefert:

$E(X\cdot Y)=\sum _{w\in \Omega }X(w)\cdot Y(w)p_{w}$

$=...=\sum _{x\in X(\Omega )}x\cdot P(X=x)\sum _{y\in Y(\Omega )}y\cdot P(Y=y)$

$=E(X)\cdot E(Y)$

Es wurde angewandt: Doppelreihensatz und Umordnungssatz für Reihen mit nicht negativen Gliedern (in (i)) und für absolut konvergente Reihen (in (ii)).

Bemerkung

1. Allgemein gilt für unabhängige Zufallsvariablen $X_{1},...,X_{n}$ mit existierenden Erwartungswerten:

$E(X_{1}\cdot ...\cdot X_{n})=E(X_{1})\cdot ...\cdot E(X_{n})$

2. Bei fehlender Unabhängigkeit folgt aus $P|X|<\infty ,P|Y|<\infty$ nicht notwendigerweise $P|X\cdot Y|<\infty$.

Definition - Bedingter Erwartungswert

Sei $(\Omega ,{\mathcal {S}},P)$ diskreter Wahrscheinlichkeitsraum, $X$ Zufallsvariable mit existierendem Erwartungswert und $A\subset \Omega$ mit $P(A)>0$. Dann heißt

$E(X|A)=E_{P_{(\cdot |A)}}(X)$

der bedingte Erwartungswert von $X$ unter (der Bedingung) $A$.
[ $P(\cdot |A)$ ist die bedingte Wahrscheinlichkeitsverteilung auf $\Omega$ unter $A$.]

Formeln zu Berechnung

$E(X|A)=\sum _{w\in \Omega }X(w)P(\lbrace w\rbrace |A)=\sum X(w){\frac {P(\lbrace w\rbrace \cap A)}{P(A)}}$

$={\frac {1}{P(A)}}\sum _{w\in A}X(w)p_{w}={\frac {1}{P(A)}}\sum _{w\in \Omega }1_{A}(w)X(w)p_{w}={\frac {1}{P(A)}}E(1_{A}X)$

Bemerkungen

• Da $\sum _{\omega \in \Omega }X(\omega )\cdot p_{\omega }$ absolut konvergiert, so konvergiert auch $\sum _{\omega \in A}X(\omega )\cdot p_{\omega }$. Damit existiert der bedingte Erwartungswert $E(X|A)$.
• Spezialfälle: $E(1_{A}|A)=1,E(X|\Omega )=E(X)$
  

• Der hier eingeführte Begriff des bedingten Erwartungswertes spielt eine untergeordnete Rolle. In der allgemeinen Wahrscheinlichkeitstheorie definiert man bedingte Erwartungswerte der Art $E(X|Y)$, $Y$ Zufallsvariable, welche von großer Wichtigkeit sind (jedoch hier in der Einführung nicht gebraucht werden).

Momente

In dem obigen Beispiel wurde der Erwartungswert $E(X)$ als Spezialfall von Momenten $E(X^{k})$ betrachtet, die im Folgenden definiert werden.

Definition - Momente

Es sei $X$ eine Zufallsvariable und $k$ eine natürliche Zahl. Dann bezeichnet man als Moment der Ordnung $k$ von $X$ oder kürzer als $k$-tes Moment von $X$ den Erwartungswert der $k$‑ten Potenz von $X$ (unter der Voraussetzung, dass dieser existiert):

$m_{k}:=\operatorname {E} \left(X^{k}\right),$

und als $k$-tes absolutes Moment von $X$ wird der Erwartungswert der $k$-ten Potenz des Absolutbetrages $|X|$ von $X$ bezeichnet:

$M_{k}:=\operatorname {E} \left(\left|X\right|^{k}\right).$

Bemerkung - nichtganzzahlige Momente

In theoretischen Untersuchungen werden mitunter auch Momente nichtganzzahliger Ordnung $\kappa$ betrachtet.

Bemerkung - Existenz von Momenten

Die Existenz von Momenten einer bestimmten Ordnung liefert allgemein Aussagen über die Verteilung der Wahrscheinlichkeitsmasse.

Bemerkung - Erwartungswert als Moment 1. Ordnung

Das erste Moment ist der Erwartungswert. Er wird meist mit $\mu$ bezeichnet und kann als Mittelwert angesehen werden.

Siehe auch

• Linearität des Erwartungswertes
• Varianz
• Kovarianz
• Erzeugende Funktionen
• Kurs:Stochastik

Seiteninformation

Dieser Wiki2Reveal Foliensatz wurde für den Lerneinheit Kurs:Stochastik' erstellt der Link für die Wiki2Reveal-Folien wurde mit dem Wiki2Reveal-Linkgenerator erstellt.

• Die Seite wurde als Dokumententyp PanDocElectron-SLIDE erstellt.
• Link zur Quelle in Wikiversity: https://de.wikiversity.org/wiki/Momente
• siehe auch weitere Informationen zu Wiki2Reveal und unter Wiki2Reveal-Linkgenerator.
• Nächster Inhalt des Kurses ist [[]]