Lerninhalte finden
Features
Entdecke
Für stochastisch unabhängige Zufallsvariablen gelten spezielle Eigenschaften. Doch wann sind Zufallsvariablen unabhängig? Was genau unabhängige Zufallsvariablen sind, welche Bedeutung die Verteilungsfunktion spielt und wie typische Aufgaben für die Unabhängigkeit von Zufallsvariablen aussehen, erfährst Du in dieser Erklärung anhand von Beispielen.
Lerne mit Millionen geteilten Karteikarten
Leg kostenfrei losDie Zufallsvariablen \(X,Y\) sind unabhängig. Welche Aussage gilt dann für ihre Verteilungsfunktionen? Wähl aus.
Welche Eigenschaft für den Erwartungswert zweier unabhängiger Zufallsvariablen ist richtig? Wähl aus.
Zwei Zufallsvariablen \(X,Y\) sind genau dann unabhängig, wenn ...Wähl aus.
Die diskreten Zufallsvariablen \(X,Y\) sind unabhängig.Dann gilt:$$P(X=x,Y=y)=$$
Welche Aussage über den Beweis von unabhängigen Zufallsvariablen ist richtig? Wähl aus.
Die Zufallsvariablen \(X,Y\) sind unabhängig. Welche Aussage gilt dann für ihre Verteilungsfunktionen? Wähl aus.
Welche Eigenschaft für den Erwartungswert zweier unabhängiger Zufallsvariablen ist richtig? Wähl aus.
Zwei Zufallsvariablen \(X,Y\) sind genau dann unabhängig, wenn ...Wähl aus.
Die diskreten Zufallsvariablen \(X,Y\) sind unabhängig.Dann gilt:$$P(X=x,Y=y)=$$
Welche Aussage über den Beweis von unabhängigen Zufallsvariablen ist richtig? Wähl aus.
Review generated flashcards
Erstelle unlimitiert Karteikarten auf StudySmarter
Team Unabhängige Zufallsvariablen Lehrer
Wenn ein Zufallsexperiment durchgeführt wird, gibt es verschiedene mögliche Ergebnisse \(\omega\), die den Ergebnisraum \(\Omega\) bilden. Diese Ergebnisse können Begriffe, Buchstaben und Zahlen sein. Damit lässt sich nur schwer rechnen. Eine Zufallsvariable ordnet nun jedem Ergebnis eine reelle Zahl zu.
Die Zufallsvariable \(X\) ist eine Funktion, die jedem Ergebnis \(\omega\) aus \(\Omega\) genau eine reelle Zahl zuordnet.
Die Unabhängigkeit von Zufallsvariablen ergibt sich aus der Unabhängigkeit von Ereignissen. Zwei Zufallsvariablen \(X,Y\) sind stochastisch unabhängig, wenn sie für alle möglichen Werte der Zufallsvariablen unabhängig sind.
Die Zufallsvariablen \(X_1,\ldots,X_n\) heißen unabhängig, genau dann wenn
Wendest Du die Verteilungsfunktion \(F:\mathbb{R} \to [0;1]\) mit \(F(x)=P(X\leq x)\) an, so ergibt sich
Häufig findet die Unabhängigkeit bei zwei Zufallsvariablen Anwendung. Für zwei Zufallsvariablen kannst Du dann die folgende, vereinfachte, Definition verwenden.
Zwei Zufallsvariablen \(X,Y\) sind unabhängig, genau dann, wenn
Daraus folgt direkt:
Aber was bedeutet das Ganze überhaupt? Sieh Dir dazu das folgende Beispiel an.
Ein Würfel wird zweimal geworfen. Die Zufallsvariable \(X\) gibt die Augenzahl im 1. Wurf an, die Zufallsvariable \(Y\) die Augenzahl im 2. Wurf.
Das mehrmalige Werfen eines Würfels ist voneinander unabhängig.
Deswegen sind die Zufallsvariablen \(X,Y\) stochastisch unabhängig.
Wenn Zufallsvariablen unabhängig sind, muss diese Unabhängigkeit für alle möglichen Werte der Zufallsvariablen gelten.
Ein Würfel wird zweimal geworfen. Die Zufallsvariable \(X\) gibt die Augenzahl im 1. Wurf an. Die Zufallsvariable \(Y\) hingegen ordnet die Augensumme beider Würfel zu.
Stell Dir nun vor, im 1. Wurf wird eine 2 geworfen. Die Summe nach dem 2. Wurf soll 7 sein. Damit dies gelingt, muss im 2. Wurf eine 7 geworfen werden. Dann ist
\begin{align} P(X=2,Y=7)& =\underbrace{\frac{1}{6}}_{\text{2 im 1. Wurf}}·\underbrace{\frac{1}{6}}_{\text{5 im 2. Wurf}} \\ & = \frac{1}{36} \end{align}
Betrachte jetzt die beiden Zufallsvariablen einzln:
Für \(Y=7\) gibt es verschieden Möglichkeiten: \( (1,6),(2,5),(3,4),(4,3),(5,2),(6,1) \)
Dies sind sechs Möglichkeiten. Jede dieser Möglichkeiten hat eine Wahrscheinlichkeit von \(\frac{1}{36}\). Deswegen ist
Es ist:
\begin{array}{rrcl}\,& P(X=2,Y=7) & = & \frac{1}{36} \\ & P(X=2) · P(Y=7) & = & \frac{1}{6} · \frac{1}{6} = \frac{1}{36} \\[0.5 cm]\Rightarrow & P(X=2,Y=7) & = & P(X=2)·P(Y=7) \end{array}
Die Zufallsvariablen \(X,Y\) sind für \(X=2,Y=7\) stochastisch unabhängig. Damit die Zufallsvariablen aber generell unabhängig sind, muss dies für alle Werte von \(X,Y\) gelten.
Wieder wird im 1. Wurf eine 2 geworfen. Die Summe der Augenzahlen soll nun aber 8 sein.
\begin{align} P(X=2,Y=8)& =\underbrace{\frac{1}{6}}_{\text{2 im 1. Wurf}}·\underbrace{\frac{1}{6}}_{\text{6 im 2. Wurf}} \\ & = \frac{1}{36} \end{align}
Es bleibt bei \(P(X=2)=\frac{1}{6}\).
Für \(Y=8\) gibt es folgende fünf Möglichkeiten: \( (2,6),(3,5),(4,4),(5,3),(6,2) \)
Auch hier hat jede dieser fünf Möglichkeiten eine Wahrscheinlichkeit von \(\frac{1}{36}\). Dann ist
Daraus folgt
\begin{array}{rrcl}& P(X=2,Y=8)&=&\frac{1}{36} \\ &P(X=2)·P(X=8)&=&\frac{1}{6}·\frac{5}{36}=\frac{5}{216} \\ \Rightarrow & P(X=2,Y=8) & \neq & P(X=2)·P(X=8)\end{array}
Sobald Du ein Gegenbeispiel gefunden hast, weißt Du, dass die Zufallsvariablen nicht unabhängig sind. Die Zufallsvariablen \(X,Y\) sind in diesem Beispiel also nicht stochastisch unabhängig.
Um zu zeigen, dass zwei Zufallsvariablen stochastisch unabhängig sind, genügt es also nicht, diese Unabhängigkeit für zwei spezielle Werte der Zufallsvariablen zu zeigen.
Wenn ein Beweis für die Unabhängigkeit von Zufallsvariablen gefordert ist, bedeutet dies, dass Du nachweist, dass die Zufallsvariablen unabhängig sind. Dafür benötigst Du die gemeinsame Wahrscheinlichkeit \(P(X=x,Y=y)\) für alle Werte von \(X\) und \(Y\) oder es gibt eine allgemeine Möglichkeit, diese Wahrscheinlichkeit zu berechnen.
Da die Unabhängigkeit manchmal schwer nachzuweisen ist, wird sie in einigen Aufgaben angenommen, ohne sie nachzuweisen.
Für unabhängige Zufallsvariablen \(X,Y\) gibt es spezielle Eigenschaften, die aufgrund der Unabhängigkeit gelten.
Erwartungswert \(E\): \(E(X·Y)=E(X)·E(Y)\)
Varianz \(V\): \(V(X+Y)=V(X)+V(Y) \)
Diese Eigenschaften ermöglichen einfachere Berechnungen.
Hast Du ein Produkt aus Zufallsvariablen, so kannst Du dessen Erwartungswert direkt aus den einzelnen Erwartungswerten berechnen, wenn die Zufallsvariablen unabhängig sind.
Für unabhängige Zufallsvariablen \(X,Y\) mit Erwartungswerten \(E(X),E(Y)\) gilt:
Diese Eigenschaft für unabhängige Zufallsvariablen kann Dir helfen, den Erwartungswert schnell zu berechnen.
Bei einem Stand auf einem Fest wird ein Würfel für jede Person zweimal geworfen. Die Zufallsvariable \(X\) gibt die Augenzahl beim 1. Wurf an, die Zufallsvariable \(Y\) beim 2. Wurf.
Jede Person multipliziert die gewürfelten Augenzahlen und erhält dieses Produkt an Punkten.
Die Veranstalter möchten gerne wissen, welche Punktzahl sie im Schnitt zu erwarten haben und wollen den Erwartungswert bestimmen. Gesucht ist \(E(X·Y)\)
Dazu können sie nun alle möglichen Produkte berechnen, deren Wahrscheinlichkeiten bestimmen und daraus den Erwartungswert berechnen.
Alternativ können die Veranstalter aber auch verwenden, dass die Zufallsvariablen \(X\) und \(Y\) unabhängig sind. Für einen Wurf ist der Erwartungswert \(E(X)=3{,}5=E(Y)\). Daraus ergibt sich:
\begin{align}E(X·Y)&=E(X)·E(Y) \\ &=3{,}5·3{,}5 \\ & = 12{,}25\end{align}
Die Veranstalter sollten mit einer durchschnittlichen Punktzahl von 12{,}5 rechnen.
Aus der Definition von unabhängigen Zufallsvariablen folgt eine wichtige Eigenschaft für ihre Verteilungsfunktion.
Für unabhängige Zufallsvariablen \(X,Y\) mit Verteilungsfunktionen \(F_X(x),F_Y(y)\) gilt:
Wenn Du also die Verteilungsfunktion von zwei multiplizierten und unabhängigen Zufallsvariablen suchst, kannst Du die einzelnen Verteilungsfunktionen multiplizieren. Die Voraussetzung dafür ist, dass sie unabhängig sind.
Verteilungsfunktionen von Produkten sind häufig komplizierter zu bestimmen. Deswegen ist es ein echter Vorteil, wenn die Zufallsvariablen unabhängig sind.
Für mehr als zwei Zufallsvariablen ist auch die paarweise Unabhängigkeit von Bedeutung.
Die Zufallsvariablen \(X_1,\ldots,X_n\) sind paarweise unabhängig, wenn gilt:
Mehrere Zufallsvariablen können also paarweise unabhängig sein, wenn für jedes Paar von zwei Zufallsvariablen die Unabhängigkeit gilt. Aber Achtung, auch wenn alle Zufallsvariablen paarweise unabhängig sind, müssen sie nicht insgesamt unabhängig sein.
Es ist möglich, dass zwei Zufallsvariablen abhängig sind, sie aber unter der Bedingung einer dritten Zufallsvariable unabhängig sind. Dann handelt es sich um eine bedingte Unabhängigkeit.
Zwei Zufallsvariablen \(X,Y\) sind bedingt unabhängig unter der Zufallsvariable \(Z\), wenn gilt:
Wendest Du die Wahrscheinlichkeitsfunktion an, ergibt sich:
Hier findest Du Aufgaben zu unabhängigen Zufallsvariablen.
Aufgabe 1
Das folgende Glücksrad wird einmal gedreht. Du gewinnst, wenn ein Feld mit außen gelb und innen blau angezeigt wird.
Die Zufallsvariable \(X\) steht für das äußere Feld und ist \(1\), wenn das äußere Feld gelb ist, ansonsten \(0\). Die Zufallsvariable \(Y\) steht für das innere Feld und ist \(1\), wenn das innere Feld blau ist, ansonsten \(0\).
Zeige, dass die Zufallsvariablen \(X,Y\) nicht unabhängig sind.
Lösung
Betrachten wird \(X=1,Y=1\). Die Zufallsvariablen nehmen diese Werte an, wenn außen gelb und innen blau ist.
Es gibt zwei Felder, bei denen dieses Ereignis eintritt. Deswegen ist
Für die einzelnen Wahrscheinlichkeiten gilt:
\begin{align}P(X=1)=\frac{3}{8} \\ P(Y=1)=\frac{3}{8}\end{align}
Für das Produkt der beiden Zufallsvariablen folgt:
Insgesamt ist dann
Die Zufallsvariablen \(X,Y\) sind daher nicht stochastisch unabhängig. Die Unabhängigkeit wurde widerlegt.
Aufgabe 2
Es werden zwei verschiedene, unabhängige Zufallsexperimente durchgeführt. Bei beiden Experimenten können Punkte gesammelt werden. Die Zufallsvariable \(X\) ordnet den Ergebnissen des 1. Experiments ihre Punktzahl zu. Die Zufallsvariable \(Y\) ordnet den Ergebnissen des 2. Experiments die Punktzahl zu.
Der Veranstalter hat die Zufallsexperimente so konzipiert, dass die Erwartungswerte \(E(X)=2\) und \(E(Y)=3\) sind.
Als besonderen Anreiz gibt es zum Schluss das Produkt der Punkte in Euro als Gewinn ausgezahlt.
Berechne, welchen durchschnittlichen Gewinn Du erwarten kannst.
Lösung
Gesucht ist \(E(X·Y)\). Die Zufallsexperimente sind unabhängig voneinander, deswegen auch die Zufallsvariablen \(X,Y\). Du kannst die Eigenschaft des Erwartungswerts für stochastisch unabhängige Zufallsvariablen verwenden.
Du kannst mit einem durchschnittlichen Gewinn von \(6\,\text{€}\) rechnen.
Melde dich kostenlos an, um Zugriff auf all unsere Karteikarten zu erhalten.
Wann sind Zufallsvariablen unabhängig?
Zwei Zufallsvariablen X,Y sind unabhängig, wenn für ihre Verteilungsfunktionen gilt: F(x,y)=F(x)·F(y)
Das bedeutet, dass Zufallsvariablen unabhängig sind, wenn ihre gemeinsame Verteilungsfunktion dem Produkt der einzelnen Verteilungsfunktionen entspricht.
Wann ist eine Zufallsvariable diskret?
Eine Zufallsvariable ordnet den Ergebnissen eines Zufallsexperiments Werte zu. Eine Zufallsvariable ist diskret, wenn sie nur endlich viele Werte annimmt.
Was heißt stochastisch unabhängig?
Sowohl Ereignisse als auch Zufallsvariablen können stochastisch unabhängig sein.
Zwei Ereignisse sind stochastisch unabhängig, wenn das Eintreten des einen Ereignisses keine Auswirkung auf die Wahrscheinlichkeit des anderen Ereignisses hat.
Zwei Zufallsvariablen sind stochastisch unabhängig, wenn ihre gemeinsame Verteilungsfunktion dem Produkt der einzelnen Verteilungsfunktionen entspricht.
Sind unkorrelierte Zufallsvariablen unabhängig?
Zwei unkorrelierte Zufallsvariablen müssen nicht unabhängig sein. Umgekehrt gilt die Folgerung: Aus Unabhängigkeit folgt Unkorreliertheit.
Aber aus Unkorreliertheit folgt nicht automatisch Unabhängigkeit.
Bei StudySmarter haben wir eine Lernplattform geschaffen, die Millionen von Studierende unterstützt. Lerne die Menschen kennen, die hart daran arbeiten, Fakten basierten Content zu liefern und sicherzustellen, dass er überprüft wird.
Lily Hulatt ist Digital Content Specialist mit über drei Jahren Erfahrung in Content-Strategie und Curriculum-Design. Sie hat 2022 ihren Doktortitel in Englischer Literatur an der Durham University erhalten, dort auch im Fachbereich Englische Studien unterrichtet und an verschiedenen Veröffentlichungen mitgewirkt. Lily ist Expertin für Englische Literatur, Englische Sprache, Geschichte und Philosophie.
Lerne Lily kennen
Gabriel Freitas ist AI Engineer mit solider Erfahrung in Softwareentwicklung, maschinellen Lernalgorithmen und generativer KI, einschließlich Anwendungen großer Sprachmodelle (LLMs). Er hat Elektrotechnik an der Universität von São Paulo studiert und macht aktuell seinen MSc in Computertechnik an der Universität von Campinas mit Schwerpunkt auf maschinellem Lernen. Gabriel hat einen starken Hintergrund in Software-Engineering und hat an Projekten zu Computer Vision, Embedded AI und LLM-Anwendungen gearbeitet.
Lerne Gabriel kennen
StudySmarter ist ein weltweit anerkanntes Bildungstechnologie-Unternehmen, das eine ganzheitliche Lernplattform für Schüler und Studenten aller Altersstufen und Bildungsniveaus bietet. Unsere Plattform unterstützt das Lernen in einer breiten Palette von Fächern, einschließlich MINT, Sozialwissenschaften und Sprachen, und hilft den Schülern auch, weltweit verschiedene Tests und Prüfungen wie GCSE, A Level, SAT, ACT, Abitur und mehr erfolgreich zu meistern. Wir bieten eine umfangreiche Bibliothek von Lernmaterialien, einschließlich interaktiver Karteikarten, umfassender Lehrbuchlösungen und detaillierter Erklärungen. Die fortschrittliche Technologie und Werkzeuge, die wir zur Verfügung stellen, helfen Schülern, ihre eigenen Lernmaterialien zu erstellen. Die Inhalte von StudySmarter sind nicht nur von Experten geprüft, sondern werden auch regelmäßig aktualisiert, um Genauigkeit und Relevanz zu gewährleisten.
Erfahre mehrSpeichere Erklärungen in deinem persönlichen Bereich und greife jederzeit und überall auf sie zu!
Mit E-Mail registrieren Mit Apple registrierenDurch deine Registrierung stimmst du den AGBs und der Datenschutzerklärung von StudySmarter zu.
Du hast schon einen Account? Anmelden
Melde dich an für Notizen & Bearbeitung. 100% for free.
Schule 
Studium 
Karteikarten 
StudySmarter AI 
Notizen 
Lernplan 
Spaced Repetition 
Lernsets 
Finde einen Job 
Finde dein Studium 
Studentenrabatte 
Ausbildungen 
Magazine 
Mobile App 
Für Unternehmen