Podcast über Mehrdimensionale Zufallsvariablen

Kapitoly

Ein Würfel, zwei Ergebnisse

Das Würfel-Beispiel konkret

Wahrscheinlichkeit in der Tabelle

Wenn Zählen nicht mehr reicht

Die Randverteilung

Stochastische Unabhängigkeit

Kovarianz und Abhängigkeit

Kombinationen von Zufallsvariablen

Einführung in bedingte Verteilungen

Ein praktisches Beispiel

Zusammenfassung und Abschied

Přepis

Mia: Stell dir vor, du wirfst einen einzigen Würfel. Du achtest auf die Augenzahl, klar. Aber was, wenn du gleichzeitig noch darauf achtest, ob die Zahl gerade oder ungerade ist? Plötzlich beobachtest du zwei Dinge auf einmal, die vom selben Wurf abhängen.

Maximilian: Und genau da sind wir schon mitten im Thema. Du hast gerade, ohne es zu wissen, eine mehrdimensionale Zufallsvariable beschrieben. Ziemlich cool, oder?

Mia: Okay, das ging schnell! Und ja, das klingt machbar. Willkommen zum Studyfi Podcast, wo wir genau solche Themen knacken.

Maximilian: Perfekt. Also, eine mehrdimensionale Zufallsvariable ist im Grunde nur eine Funktion. Sie nimmt ein Ereignis – wie deinen Würfelwurf – und ordnet ihm mehrere Zahlen zu, einen Vektor.

Mia: Also bei meinem Beispiel: Ich würfle eine 3. Was wäre dann mein Vektor?

Maximilian: Tolle Frage. Wir definieren zwei Variablen. X1 ist die Augenzahl. X2 ist 1, wenn die Zahl gerade ist, und 0, wenn sie ungerade ist. Du würfelst eine 3.

Mia: Dann ist X1 gleich 3. Und da 3 ungerade ist, ist X2 gleich 0. Mein Ergebnis ist also der Vektor (3, 0)?

Maximilian: Exakt! Du hast es erfasst. Und die Wahrscheinlichkeit für genau dieses Ergebnis, also W(X = (3, 0)), ist einfach die Wahrscheinlichkeit, eine 3 zu würfeln. Also... ein Sechstel.

Mia: Das ist ja im Prinzip nur eine Erweiterung von dem, was wir schon kennen. Man packt einfach mehrere Beobachtungen zusammen.

Maximilian: Genau das ist es. Jede Koordinate des Vektors ist für sich genommen eine ganz normale, eindimensionale Zufallsvariable. Keine neue Magie, nur clever kombiniert.

Mia: Okay, aber wie sieht das in der Praxis aus, wenn man viele mögliche Ergebnisse hat? Ich stelle mir das unübersichtlich vor.

Maximilian: Dafür gibt es Tabellen! Stell dir eine Tabelle vor. In den Zeilen stehen die Werte für die eine Variable, sagen wir X, und in den Spalten die Werte für die andere, Y.

Mia: Ah, und in den Zellen steht dann die gemeinsame Wahrscheinlichkeit, dass X und Y genau diese Werte annehmen? Wie zum Beispiel die Wahrscheinlichkeit für (X=0, Y=1) ist 0,14.

Maximilian: Genau. Das ist die sogenannte Wahrscheinlichkeitsfunktion, oft als kleines f von x und y geschrieben. Und wenn du wissen willst, was die Wahrscheinlichkeit ist, dass X *höchstens* 1 und Y *höchstens* 1 ist, summierst du einfach alle Zellen oben links in der Ecke auf.

Mia: Das ist dann die Verteilungsfunktion, oder? Das große F? Man addiert quasi alle Wahrscheinlichkeiten bis zu einem bestimmten Punkt.

Maximilian: Richtig! Du addierst einfach die relevanten Felder. So wird aus der Wahrscheinlichkeitsfunktion die Verteilungsfunktion. Ziemlich intuitiv, wenn man es mal in der Tabelle sieht.

Mia: Eine Tabelle, der beste Freund jedes Statistik-Studenten. Aber was ist, wenn man die Ergebnisse nicht einfach zählen kann?

Maximilian: Du meinst stetige Zufallsvariablen? Wie Körpergröße und Gewicht? Du kannst ja nicht abzählen, wie viele mögliche Körpergrößen es gibt.

Mia: Genau. Da kann ich ja schlecht eine Tabelle aufstellen, die unendlich groß ist.

Maximilian: Korrekt. Hier kommt die Analysis ins Spiel. Statt die Wahrscheinlichkeiten in einer Tabelle aufzusummieren, integrieren wir über eine Dichtefunktion.

Mia: Okay, also Summe wird zu Integral. Und die Wahrscheinlichkeitsfunktion f wird zur Dichtefunktion f. Das Prinzip bleibt aber das gleiche: Wir sammeln die Wahrscheinlichkeit in einem bestimmten Bereich auf.

Maximilian: Du bringst es auf den Punkt. Ob du zählst und summierst bei diskreten Variablen oder misst und integrierst bei stetigen – die Idee, gemeinsame Wahrscheinlichkeiten zu betrachten, ist bei beiden genau dieselbe.

Mia: Okay, Maximilian, das mit den mehrdimensionalen Zufallsvariablen war schon ein Brett. Aber wie bekommen wir jetzt Infos über nur *eine* dieser Variablen, wenn wir die ganze Zeit mehrere betrachten?

Maximilian: Das ist eine super wichtige Frage, Mia. Und die Antwort ist die sogenannte Randverteilung.

Mia: Randverteilung? Das klingt, als würden wir die Variable an den Rand drängen.

Maximilian: Ein bisschen! Stell dir vor, du hast eine große Tabelle mit Daten zu zwei Variablen, sagen wir Körpergröße und Schuhgröße. Die Randverteilung der Körpergröße schaut sich nur die Körpergrößen an, egal welche Schuhgröße dazu gehört.

Mia: Ah, wir zoomen also quasi auf eine Spalte oder eine Zeile raus und ignorieren den Rest?

Maximilian: Genau das ist die Idee. Mathematisch heißt das: Bei diskreten Variablen summieren wir einfach über alle Werte der anderen Variablen auf. Bei stetigen Variablen integrieren wir sie quasi „weg“.

Mia: Okay, das macht Sinn. Und wann sind solche Variablen voneinander unabhängig?

Maximilian: Sie sind stochastisch unabhängig, wenn das Ergebnis der einen Variable absolut keinen Einfluss auf das Ergebnis der anderen hat. Der Wurf von zwei Würfeln ist das klassische Beispiel.

Mia: Und wie beweist man das mathematisch?

Maximilian: Dafür gibt es eine goldene Regel: Die gemeinsame Wahrscheinlichkeit muss immer das Produkt der einzelnen Randwahrscheinlichkeiten sein. Also, die Wahrscheinlichkeit von x und y muss gleich die Wahrscheinlichkeit von x *mal* die Wahrscheinlichkeit von y sein.

Mia: Gilt das immer?

Maximilian: Nur, wenn sie unabhängig sind! Lass uns das mal an dem Beispiel aus dem Skript durchgehen. Wir haben da diese Tabelle mit den Variablen X und Y.

Mia: Okay, nehmen wir mal den Fall x=0 und y=1. Die gemeinsame Wahrscheinlichkeit ist 0,06. Die Randverteilung für x=0 ist 0,3 und für y=1 ist 0,2. Und... 0,3 mal 0,2 ist... 0,06! Es stimmt!

Maximilian: Exakt! Und wenn du das für alle Kombinationen prüfst, siehst du: X und Y sind in diesem Fall unabhängig. Wenn das aber nicht für alle gilt, dann sind sie abhängig.

Mia: Und diese Abhängigkeit kann man messen?

Maximilian: Ja, dafür gibt es die Kovarianz. Sie misst den linearen Zusammenhang. Ist sie positiv, bewegen sich die Variablen tendenziell in die gleiche Richtung. Ist sie negativ, in entgegengesetzte Richtungen.

Mia: Und wenn sie null ist, sind sie unabhängig?

Maximilian: Vorsicht! Das ist eine Einbahnstraße. Wenn sie unabhängig sind, ist die Kovarianz immer null. Aber eine Kovarianz von null heißt nicht automatisch, dass sie unabhängig sind. Das ist ein häufiger Fehler.

Mia: Verstanden. Einbahnstraße, merke ich mir. Im Skript steht jetzt noch eine Tabelle zu Linearkombinationen... das sieht kompliziert aus.

Maximilian: Ist es aber nicht. Das ist quasi dein Rezeptbuch. Es zeigt dir, wie sich Erwartungswert und Varianz verändern, wenn du Zufallsvariablen addierst oder subtrahierst.

Mia: Besonders bei der Varianz taucht ja wieder die Kovarianz auf.

Maximilian: Genau! Das ist der Clou. Die Varianz der Summe ist nicht einfach die Summe der Varianzen – außer, die Variablen sind unabhängig. Dann fällt der Kovarianz-Term nämlich weg, weil er null ist.

Mia: Das ist wirklich ein starkes Werkzeug. Aber das bringt mich zu einer Frage über bestimmte, immer wiederkehrende Verteilungsmodelle...

Mia: Okay, nachdem wir jetzt die gemeinsamen Verteilungen kennen, was passiert, wenn wir schon eine Information haben? Wenn wir also wissen, dass ein Ereignis bereits eingetreten ist?

Maximilian: Das ist die perfekte Überleitung! Genau hier kommen die bedingten Verteilungen ins Spiel. Wir fragen uns: Wie wahrscheinlich ist X, *unter der Bedingung*, dass Y schon einen bestimmten Wert angenommen hat?

Mia: Also eine Art „Was-wäre-wenn“-Analyse für Wahrscheinlichkeiten? Klingt ein bisschen nach Detektivarbeit.

Maximilian: Kann man so sagen! Die Formel ist ganz einfach: Die Wahrscheinlichkeit von X gegeben Y ist die gemeinsame Wahrscheinlichkeit von beiden, geteilt durch die Randwahrscheinlichkeit von Y.

Mia: Okay, lass uns das mal an unserem Maschinenbeispiel durchgehen.

Maximilian: Gerne. Nehmen wir an, wir wissen, dass Bauteil 2 heute keinen einzigen Ausfall hatte. Y ist also gleich null. Die Randwahrscheinlichkeit dafür war ja 0,60.

Mia: Und wie beeinflusst dieses Wissen jetzt die Wahrscheinlichkeit für Ausfälle bei Bauteil 1?

Maximilian: Ganz einfach. Wir nehmen jetzt jeden Wert aus der Spalte für Y=0 unserer gemeinsamen Tabelle und teilen ihn durch diese 0,60. Dadurch normalisieren wir quasi die Wahrscheinlichkeiten auf diese neue Realität.

Mia: Ah, wir passen unsere Erwartungen also an die neue Information an! So entsteht eine ganz neue Verteilung für X. Clever!

Maximilian: Exakt. Und das ist der Kern der bedingten Verteilung. So, das war's mit den diskreten Zufallsvariablen für heute. Gar nicht so schlimm, oder?

Mia: Überhaupt nicht! Danke, Maximilian, für die super Erklärungen. Und danke an euch alle fürs Zuhören. Bis zum nächsten Mal hier beim Studyfi Podcast! Tschüss!