Zufallsvariablen , Verteilungsfunktionen

1. Zufallsvariable

 Die Urbilder von [-, r]  R zur  - Algebra A gehoeren und ein

Wahrscheinlichkeitsmass haben.
 {   : X()  I} A fuer jedes I  R (aus den Eigenschaften der  -
Algebra), Wahrscheinlichkeitsmass hat: P(X  I):
P(X  I) = P({   : X()  I})
2. Verteilungsfunktion

Zufallexperiment, Ergebnismenge (Viederholung):

Die zugehoerige Verteilungsfunktion ist binomialverteilung:

Binomialverteilung:
Das ist eine Teleskopsumme =>
 =

und geht weiter der Beweis aehnlich wie oben.

Fall: Wertebereich von X – nicht endlich:

Gleichmaessige Verteilung:

Normalverteilung:
Definition von Erwartungswert:
Gleichmassig Verteilung (Viederholung):
Varianz:
Zufallexperiment mit mehrere Zufallsvariablen
Man hat gezeigt, dass der Erwartungswert eine lineare Abbildung ist:
Die Varianz:


Kovarianz:

Bemerkung:
1. Cov(X, Y) > 0 => X(w) gross, wenn Y(w) gross ist
2. Cov(X, Y) < 0 => X(w) gross, wenn Y(w) klein ist und umgekehrt.

Vergleich von stochastischen Unabhangigkeit und Unkorreliertheit von X und Y:

Eigenschaften der Kovarianz:

(X, Y -> stochastische Unabhaengigkeit 

  P(X=6) = 1/6 ; P(Y=6) = 1/6; P(x = 6, Y = 6) = 1/36 = 1/6 * 1/6

Die Zufallsvariablen unkorreliert 

nach Beispiel 5.26 Var(X) = np(1 – p); X und Y sind stochastisch unabhaengig  p fuer X und
Y ist gleich  Var(Y) = np(1 – p) und Var(X) = Var(Y)