Next: Zufallsvektoren
Up: Verteilung und Verteilungsfunktion
Previous: Satz über monotone Klassen
  Contents
Verteilungsfunktion;
absolutstetige Zufallsvariablen
Sei
ein beliebiger Wahrscheinlichkeitsraum und
eine beliebige Zufallsvariable.
- Definition
Die Funktion
mit
heißt Verteilungsfunktion von
.
Wir diskutieren nun zunächst einige Eigenschaften von Verteilungsfunktionen.
Theorem 3.3
Sei

eine beliebige
Zufallsvariable und
![$ F_{X}:\mathbb{R}\rightarrow [0,1]$](img607.png)
ihre
Verteilungsfunktion. Dann gilt
- 1.
- Asymptotisches Verhalten im Unendlichen:
 |
(6) |
- 2.
- Monotonie:
 |
(7) |
- 3.
- Rechtsstetigkeit:
ist rechtsseitig stetig, d.h. für jede Folge
mit
und
gilt
 |
(8) |
- Beweis
- Zu 2.
- Weil
, ergibt sich
aus Teilaussage 2 von Theorem 2.1, dass
- Zu 1.
- Wir zeigen nur die erste Teilaussage von
(6). Wegen der Monotonie von
können wir
o.B.d.A. annehmen, dass
monoton gegen
konvergiert. Aus Korollar 2.2 ergibt
sich dann, dass
Der Beweis der zweiten Teilaussage von (6)
verläuft analog.
- Zu 3.
- Ähnlich wie im Beweis von Teilaussage 1 ergibt sich
aus Korollar 2.2, dass
- Beachte
-
- Mit Hilfe der Verteilungsfunktion
lassen sich auch
die folgenden Wahrscheinlichkeiten ausdrücken
denn es gilt beispielsweise
- Im allgemeinen gilt jedoch nicht
, sondern
 |
(9) |
denn
- In Theorem 3.3 wurde gezeigt,
dass
- Verteilungsfunktionen monotone und beschränkte Funktionen sind.
- Hieraus folgt, dass Verteilungsfunktionen
für jedes
nur endlich viele Sprungstellen
besitzen können, deren Sprunghöhen größer als
sind.
- Insgesamt können Verteilungsfunktionen also höchstens
abzählbar viele Sprungstellen besitzen.
- Für die Verteilungsfunktion
einer diskreten Zufallsvariablen
gilt für jedes
:
wobei
.
- Die Verteilungsfunktion
einer diskreten
Zufallsvariablen
ist eine sogenannte Treppenfunktion, d.h. eine stückweise konstante Funktion
mit der Sprunghöhe
im Punkt
.
Theorem 3.4
Sei

eine beliebige
Zufallsvariable. Dann wird die Verteilung

von

durch die
Verteilungsfunktion

von

eindeutig bestimmt.
- Beweis
- Definition
Die Zufallsvariable
(bzw. ihre Verteilung) heißt absolutstetig,
falls die Verteilungsfunktion
von
die folgende
Integraldarstellung
 |
(12) |
besitzt, wobei
eine (Lebesgue-integrierbare)
Funktion mit nichtnegativen Werten ist, die Dichte (bzw. Wahrscheinlichkeitsdichte) von
genannt wird. Das
Integral in (12) wird im allgemeinen als Lebesgue-Integral
aufgefasst.
Die Verteilungsfunktion
(und damit auch die Verteilung
) einer absolutstetigen Zufallsvariablen
wird in dem
folgenden Sinne eindeutig durch die Dichte
bestimmt.
- Beweis
-
- Die Hinlänglichkeit der Bedingung (13) ist
offensichtlich, denn es genügt, in (13) die
spezielle Borel-Menge
einzusetzen, um
(12) zu erhalten.
- Die Notwendigkeit der Bedingung (13) ergibt sich
aus (12) und aus dem eineindeutigen Zusammenhang
zwischen Verteilung und Verteilungsfunktion, vgl.
Theorem 3.4.
- Die Notwendigkeit und Hinlänglichkeit von Bedingung
(14) ergibt sich aus den allgemeinen
(Eindeutigkeits-) Eigenschaften von Lebesgue-Integralen, vgl.
die Vorlesung Analysis III.
- Beachte
-
- Bei vielen Anwendungen ist die Dichte
eine (zumindest
stückweise) stetige Funktion. Das Integral in der
Definitionsgleichung (12) ist dann ein
uneigentliches Riemann-Integral.
- Falls
absolutstetig ist, dann hat die
Verteilungsfunktion
keine Sprünge, d.h.,
ist eine
(im üblichen Sinne) stetige Funktion. Hieraus und aus
(9) folgt insbesondere, dass
 |
(15) |
- Die Verteilungsfunktion
einer absolutstetigen
Zufallsvariablen
ist jedoch im allgemeinen nicht
überall differenzierbar. Und zwar ist
dort nicht
differenzierbar, wo die Dichte
Sprungstellen hat.
- Beispiele
Um die Verteilung einer absolutstetigen
Zufallsvariablen
zu beschreiben,
genügt es, die Dichte
zu betrachten, weil durch
die
Verteilungsfunktion
und damit auch die Verteilung
von
eindeutig bestimmt wird.
- Normalverteilung N
mit den
Parametern
und
:
 |
(16) |
Spezialfall: Standardnormalverteilung N
. Dann
nimmt die Dichte
in (16) die folgende Form
an:
 |
(17) |
- Exponentialverteilung Exp
mit Parameter
:
- Gleichverteilung U
mit den Parametern
, wobei
:
- Beachte
-
- Absolutstetige Verteilungen treten oft als
(asymptotische) Näherungslösungen auf.
- So lässt sich beispielsweise die Binomialverteilung mit den
Parametern
und
durch die Standardnormalverteilung
approximieren, falls
groß ist. Dies ist
der folgende zentrale Grenzwertsatz von
DeMoivre-Laplace.
Theorem 3.6
Für beliebige

und

mit

gilt
 |
(18) |
wobei

binomialverteilt (mit den Parametern

und

) und

standardnormalverteilt ist.
Der Beweis von Theorem 3.6 wird zunächst weggelassen und
später, in Abschnitt 5.3 der Vorlesung, in einem allgemeineren
Zusammenhang nachgeholt.
- Beachte
-
Next: Zufallsvektoren
Up: Verteilung und Verteilungsfunktion
Previous: Satz über monotone Klassen
  Contents
Ursa Pantle
2004-05-10