Mehrdimensionale Zufallsvariablen

Willkommen zu unserem umfassenden Leitfaden über mehrdimensionale Zufallsvariablen! Wenn du dich fragst, wie man mehrere Zufallsvariablen gleichzeitig betrachtet und analysiert, bist du hier genau richtig. Dieses Thema ist ein Kernstück der Wahrscheinlichkeitsrechnung und Statistik und hilft dir, komplexe Zusammenhänge in Daten zu verstehen. Wir erklären dir die Grundlagen, wichtige Konzepte wie Randverteilungen, Unabhängigkeit und Kovarianz, und das alles in einer verständlichen Sprache.

Was sind Mehrdimensionale Zufallsvariablen?

Eine mehrdimensionale Zufallsvariable $X = (X_{1}, \ldots,X_{k})$ ist eine Funktion (Abbildung) von einem Ereignisraum $S$ in einen Vektor reeller Zahlen. Stell dir vor, du hast ein Experiment und möchtest nicht nur ein Ergebnis messen, sondern gleich mehrere damit verbundene Größen gleichzeitig erfassen. Jede Koordinate $X_i$ in diesem Vektor ist dabei eine eigenständige, eindimensionale Zufallsvariable.

Beispiel: Würfelwurf

Stellen wir uns eine 2-dimensionale Zufallsvariable $X = (X_{1}, X_{2})$ vor, die aus einem einzigen Würfelwurf entsteht:

• $X_{1}$ bildet auf die Augenzahl ab (Werte: 1, 2, 3, 4, 5, 6).
• $X_{2}$ ist 1, wenn die Augenzahl gerade ist, und 0, wenn sie ungerade ist.

Wenn nun das Ereignis $e_3$ (eine 3 wird gewürfelt) eintritt, dann ist der Vektor der Zufallsvariablen $X(e_3) = (X_1(e_3), X_2(e_3)) = (3, 0)$. Die Wahrscheinlichkeit dafür wäre $W(X_1 = 3, X_2 = 0) = W(e_3) = 1/6$.

Wahrscheinlichkeits- und Verteilungsfunktion bei Mehrdimensionalen Zufallsvariablen

Ähnlich wie bei eindimensionalen Zufallsvariablen gibt es auch hier Wahrscheinlichkeits- und Verteilungsfunktionen, die die Wahrscheinlichkeit für bestimmte Werte oder Wertebereiche angeben.

Für diskrete Zufallsvariablen

Die Verteilungsfunktion einer mehrdimensionalen diskreten Zufallsvariablen $X = (X_{1}, \ldots,X_{k})$ ist gegeben durch:

$W(X_{1} \leqslant x_{1}, \ldots, X_{k} \leqslant x_{k}) = \sum_{v_{1} \leqslant x_{1}} \ldots \sum_{v_{k} \leqslant x_{k}} f(v_{1}, \ldots, v_{k})$

wobei $f(v_{1}, \ldots, v_{k})$ die zugehörige gemeinsame Wahrscheinlichkeitsfunktion ist. Es gilt auch $W(X_{1} = x_{1}, \ldots, X_{k} = x_{k}) = f(x_{1}, \ldots, x_{k})$.

Beispiel einer gemeinsamen Wahrscheinlichkeitsfunktion ($f(x,y)$)

Beispiel einer gemeinsamen Verteilungsfunktion ($F(x,y)$)

Für stetige Zufallsvariablen

Bei stetigen mehrdimensionalen Zufallsvariablen $X = (X_{1}, \ldots,X_{k})$ wird die Verteilungsfunktion durch Integration der Dichtefunktion $f(v_{1}, \ldots, v_{k})$ bestimmt:

$W(X_{1} \leqslant x_{1}, \ldots, X_{k} \leqslant x_{k}) = \int_{-\infty}^{x_{1}} \ldots \int_{-\infty}^{x_{k}} f(v_{1}, \ldots, v_{k}) , dv_{k} \ldots dv_{1}$

Randverteilung von Zufallsvariablen verstehen

Die Randverteilung einer einzelnen Komponente $X_i$ einer mehrdimensionalen Zufallsvariablen $X = (X_{1}, \ldots,X_{k})$ beschreibt die Wahrscheinlichkeitsverteilung dieser Komponente, unabhängig von den Werten der anderen Komponenten. Du "summierst" oder "integrierst" also über alle möglichen Werte der anderen Variablen.

Diskreter Fall: Die Wahrscheinlichkeitsfunktion für $X_1$ ist:

$f_{X_{1}}(x) = \sum_{v_{2}} \ldots \sum_{v_{k}} f(x, v_{2}, \ldots, v_{k})$

Stetiger Fall: Die Dichtefunktion für $X_1$ ist:

$f_{X_{1}}(x) = \int_{-\infty}^{\infty} \ldots \int_{-\infty}^{\infty} f(x, v_{2}, \ldots, v_{k}) , dv_{k} \ldots dv_{2}$

Diese Konzepte gelten analog für alle anderen $X_i$. Die Verteilungsfunktionen der Randverteilungen ergeben sich direkt aus der jeweiligen Dichte- bzw. Wahrscheinlichkeitsfunktion.

Unabhängigkeit von Mehrdimensionalen Zufallsvariablen

Stochastische Unabhängigkeit ist ein zentrales Konzept. Zufallsvariablen $X_{1}, \ldots,X_{k}$ sind genau dann stochastisch unabhängig, wenn für alle $x_{1}, \ldots,x_{k}\in \mathbb{R}$ gilt:

$W(X_{1} \leqslant x_{1}, \ldots, X_{k} \leqslant x_{k}) = \prod_{i = 1}^{k} W(X_{i} \leqslant x_{i})$

Das bedeutet, die gemeinsame Verteilungsfunktion ist das Produkt der einzelnen Rand-Verteilungsfunktionen. Dies überträgt sich auch auf die Dichte- bzw. Wahrscheinlichkeitsfunktionen:

$f(x_{1}, \ldots, x_{k}) = f_{X_{1}}(x_{1}) \cdot \ldots \cdot f_{X_{k}}(x_{k})$

Beispiel für Unabhängigkeit

Betrachten wir eine 2-dimensionale diskrete Zufallsvariable $(X,Y)$:

Um die Unabhängigkeit zu prüfen, vergleichen wir die gemeinsame Wahrscheinlichkeit $f(x_i, y_i)$ mit dem Produkt der Randwahrscheinlichkeiten $f_X(x_i) \cdot f_Y(y_i)$ für alle Kombinationen:

• $f(0,1) = 0,06$ und $f_X(0) \cdot f_Y(1) = 0,3 \cdot 0,2 = 0,06$. (Passt)
• $f(0,2) = 0,24$ und $f_X(0) \cdot f_Y(2) = 0,3 \cdot 0,8 = 0,24$. (Passt)
• $f(1,1) = 0,14$ und $f_X(1) \cdot f_Y(1) = 0,7 \cdot 0,2 = 0,14$. (Passt)
• $f(1,2) = 0,56$ und $f_X(1) \cdot f_Y(2) = 0,7 \cdot 0,8 = 0,56$. (Passt)

Da alle Vergleiche übereinstimmen, sind $X$ und $Y$ stochastisch unabhängig.

Abhängigkeit und Kovarianz als Maß für den Zusammenhang

Wenn Zufallsvariablen nicht unabhängig sind, sind sie voneinander abhängig. Die Kovarianz ist ein Maß für die Stärke und Richtung des linearen Zusammenhangs zwischen zwei Zufallsvariablen $X$ und $Y$. Sie ist definiert als:

$\operatorname{Cov}(X, Y) = \operatorname{E}\left[ [X - \operatorname{E}(X)] [Y - \operatorname{E}(Y)] \right]$.

Wichtige Bemerkungen zur Kovarianz:

• Der Wertebereich der Kovarianz liegt zwischen $-\sigma_{X} \sigma_{Y}$ und $\sigma_{X} \sigma_{Y}$.
• Wenn $X$ und $Y$ stochastisch unabhängig sind, dann ist $\operatorname{Cov}(X, Y) = 0$. Beachte jedoch, dass die Umkehrung nicht zwingend gilt: Eine Kovarianz von 0 bedeutet nicht immer Unabhängigkeit, sondern nur das Fehlen eines linearen Zusammenhangs.

Bedingte Verteilungen verstehen

Die bedingte Verteilung gibt die Wahrscheinlichkeit an, dass eine Zufallsvariable einen bestimmten Wert annimmt, unter der Bedingung, dass eine andere Zufallsvariable bereits einen bestimmten Wert angenommen hat.

Für diskrete Zufallsvariablen:

$W(X = x_i / Y = y_j) = \frac{W(X = x_i, Y = y_j)}{W(Y = y_j)} = \frac{f(x_i, y_j)}{f_Y(y_j)} =: f(x_i / y_j)$

Analog gilt:

$W(Y = y_j / X = x_i) = \frac{W(X = x_i, Y = y_j)}{W(X = x_i)} = \frac{f(x_i, y_j)}{f_X(x_i)} =: f(y_j / x_i)$.

Beispiel zur bedingten Verteilung

Stellen wir uns eine Maschine mit zwei störanfälligen Bauteilen B1 und B2 vor. $X$ sei die Anzahl der Ausfälle pro Tag von B1 ($x \in {0, 1, 2}$) und $Y$ die Anzahl der Ausfälle pro Tag von B2 ($y \in {0, 1, 2}$). Die gemeinsame Wahrscheinlichkeitsfunktion mit Randverteilungen ist:

Nehmen wir an, es ist bekannt, dass $Y = 0$ eingetreten ist (Bauteil B2 hatte keine Ausfälle). Die bedingte Verteilung von $X$ ist dann:

$f(x_i/0) = \frac{f(x_i,0)}{f_Y(0)}$

| x | f(x,0) | f(x/0) | |---|---|---|---| | 0 | 0,30 | 0,50 | | 1 | 0,18 | 0,30 | | 2 | 0,12 | 0,20 | | ∑ | 0,60 | 1,00 |

Linearkombination von Zufallsvariablen berechnen

Oftmals ist es nötig, Erwartungswerte und Varianzen von Linearkombinationen von Zufallsvariablen zu berechnen. Für $Z = aX \pm bY$ gelten folgende Regeln:

Diese Formeln sind besonders nützlich, wenn du die Gesamtvarianz von Portfolios oder Messfehlern bestimmen möchtest, die aus mehreren variablen Komponenten bestehen.

Häufig gestellte Fragen zu Mehrdimensionalen Zufallsvariablen

Was ist der Unterschied zwischen gemeinsamer und Randverteilung?

Die gemeinsame Verteilung beschreibt die Wahrscheinlichkeit, dass alle Komponenten der mehrdimensionalen Zufallsvariablen bestimmte Werte annehmen. Die Randverteilung hingegen beschreibt die Wahrscheinlichkeit für eine einzelne Komponente, unabhängig von den Werten der anderen Komponenten. Du erhältst die Randverteilung, indem du über die anderen Variablen summierst oder integrierst.

Wann sind Zufallsvariablen stochastisch unabhängig?

Zufallsvariablen sind stochastisch unabhängig, wenn die gemeinsame Wahrscheinlichkeits- oder Dichtefunktion (oder Verteilungsfunktion) das Produkt ihrer einzelnen Randfunktionen ist. Dies bedeutet, dass das Eintreten eines Ereignisses bei einer Variablen keinen Einfluss auf die Wahrscheinlichkeit eines Ereignisses bei der anderen Variablen hat.

Was sagt die Kovarianz aus?

Die Kovarianz gibt Auskunft über die Richtung und Stärke des linearen Zusammenhangs zwischen zwei Zufallsvariablen. Ein positiver Wert deutet auf einen gleichgerichteten linearen Zusammenhang hin, ein negativer Wert auf einen entgegengesetzten linearen Zusammenhang, und eine Kovarianz von null bedeutet, dass kein linearer Zusammenhang besteht (aber möglicherweise ein nicht-linearer).

Kann man aus einer Kovarianz von Null auf Unabhängigkeit schließen?

Nein, aus einer Kovarianz von null kann nicht zwingend auf stochastische Unabhängigkeit geschlossen werden. Eine Kovarianz von null bedeutet lediglich, dass kein linearer Zusammenhang zwischen den Variablen existiert. Es können jedoch durchaus nicht-lineare Abhängigkeiten bestehen.