Y = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2

Transkript

1 Bsp. 72 (BOX MÜLLER Transformation) Es seien U 1 und U 2 zwei unabhängige, über dem Intervall [0, 1[ gleichverteilte Zufallsgrößen (U i R(0, 1), i = 1, 2), U = (U 1,U 2 ) T ein zufälliger Vektor. Wir betrachten den zufälligen Vektor V = g(u) = (X,Y ) T, wobei: X = g 1 (U 1,U 2 ) = 2 ln U 1 cos 2πU 2 Y = g 2 (U 1,U 2 ) = 2 ln U 1 sin 2πU 2 Wir suchen die Dichtefunktionen für die zufälligen Variablen X und Y. Wir bestimmen zunächst die Umkehrfunktion zur Abbildung g. Es gilt: U = g 1 (V) = (ψ 1 (X,Y ),ψ 2 (X,Y )). 430 W.Kössler, Humboldt-Universität zu Berlin

2 Wir ermitteln die Teilfunktionen ψ 1 und ψ 2. Dazu berechnen wir X 2 + Y 2 = ( 2 ln U 1 cos 2 (2πU 2 )) + ( 2 ln U 1 sin 2 (2πU 2 )) = ( 2 ln U 1 ) (cos 2 (2πU 2 ) + sin 2 (2πU 2 )) = 2 ln U 1 Durch Umstellen erhalten wir: U 1 = ψ 1 (X,Y ) = e 1 2 (X2 +Y 2). Weiterhin gilt: Y X = tan 2πU W.Kössler, Humboldt-Universität zu Berlin

3 Daraus folgt: U 2 = ψ 2 (X,Y ) = 1 2π arctan Bestimmung von J. Wir wissen bisher: ( ) Y. X Dann gilt für ψ 1 (x,y) = e 1 2 (x2 +y 2) = u 1 ψ 2 (x,y) = 1 ( y ) 2π arctan x J = ψ 1 x ψ 2 x ψ 1 y ψ 2 y = u W.Kössler, Humboldt-Universität zu Berlin

4 x exp( 1 2 J = (x2 + y 2 )) y exp( 1 2 (x2 + y 2 )) 1 y 1 1 2π 1+ y2 x 2 x 2 2π 1+ y2 x 2 x = 1 ( 2π exp 1 ) ( 2) x 2 (x2 + y 2 2 ) x 2 + y + y2 2 x 2 + y = (x2 +x 2 ) 2π e Für die Dichtefunktion des zufälligen Vektors V gilt nach der Transformationsformel: f V (x,y) = f U (ψ 1 (x,y),ψ 2 (x,y)) J. Da die Zufallsgrößen U 1 und U 2 unabhängig sind, gilt: f V (x,y) = f U1 (ψ 1 (x,y)) f U2 (ψ 2 (x,y)) J. 433 W.Kössler, Humboldt-Universität zu Berlin

5 Nun sind U 1,U 2 R(0, 1). Daraus folgt aber: f V (x,y) = J = 1 2π e = f X (x) f Y (y). 1 2 (x2 +y 2) = 1 e 1 2 x2 2π 1 2π e 1 2 y2 mit f X (x) = f Y (y) = 1 2π e 1 2 x2 1 2π e 1 2 y2 Das bedeutet, daß die Zufallsgrößen X und Y unabhängig und standardnormalverteilt sind: X N(0, 1), Y N(0, 1). 434 W.Kössler, Humboldt-Universität zu Berlin

6 Bsp. 73 (Treffen einer Zielscheibe ) Es seien folgende Bedingungen erfüllt V1: Die Randverteilungen von X und Y seien stetig V2: Die Dichte h(x,y) von (X,Y ) hängt nur vom Abstand x 2 + y 2 vom Nullpunkt ab (Radialsymmetrie) V3: Die Fehler in x- und y-richtung sind unabhängig. Sei Z die zufällige Abweichung in beliebiger Richtung. Dann ist Z N(0,σ 2 ). Beweis: Seien p(x) und q(y) Randdichten von (X,Y ). Aus 435 W.Kössler, Humboldt-Universität zu Berlin

7 V2 und V3 folgt Substitutionsmethode: p(x)q(y) = s(r), r 2 = x 2 + y 2 (3) x = 0: p(0)q(y) = s(y), p(0) 0 y = 0: q(0)p(x) = s(x), damit p(0)p(y) = s(y) q(0) 0 x = y: p(x) = q(x) und Teilen obige Funktionalgleichung durch p(0) 2, p(x) p(0) p(y) p(0) = s(r) p(0) = p(r) 2 p(0) 436 W.Kössler, Humboldt-Universität zu Berlin

8 Logarithmieren ln( p(x) p(0) ) + ln(p(y) p(0) ) = ln(p(r) p(0) ) Mit f(x) := ln( p(x) p(0) ): f(x) + f(y) = f(r), r 2 = x 2 + y 2 y = 0,x = x 1 : f( x) = f( x ) wegen f(0) = 0. x 2 = x x 2 2: f(r) = f(y)+f(x 1 )+f(x 2 ), r 2 = y 2 +x 2 1 +x W.Kössler, Humboldt-Universität zu Berlin

9 Wiederholtes Einsetzen: f(r) = f(x 1 )+f(x 2 )+...+f(x k ), r 2 = k = n 2,x = x 1 =... = x k : k i=1 x 2 i f(nx) = n 2 f(x) x=1 f(n) = n 2 f(1) x = m n,m Z: n 2 f( m n ) = f(nm n ) = f(m) = m2 f(1) f( m n ) = f(1)( m n ) 2 f(x) = cx 2, c = f(1) 438 W.Kössler, Humboldt-Universität zu Berlin

10 für alle rationalen x. Wegen der Stetigkeit (V1) folgt diese Relation für alle x R. p(x) = p(0)e cx2 p(x) > 0 da Wkt.dichte, c < 0, c := 1 1 = p(x)dx = p(0) 2σ 2. p(x) = 1 σ 2π e Gemeinsame Dichte von (X,Y ): e cx2 dx = p(0)σ 2π x 2 2σ 2 p(x)p(y) = 1 x 2 +y 2 σ 2 2π e 2σ W.Kössler, Humboldt-Universität zu Berlin

11 Fehler in einer beliebigen Richtung, θ, 0 θ 2π: Z = X cos(θ) + Y sin(θ) Variablentransformation z = x cos(θ) + y sin(θ) u = x cos(θ) y sin(θ) 1 0 Jacobi-Determinante J: J = 0 1 = 1 = 1 Quadrieren liefert z 2 u 2 = x 2 cos 2 (θ) + y 2 sin 2 (θ) + 2xy cos(θ) sin(θ) = x 2 cos 2 (θ) + y 2 sin 2 (θ) 2xy cos(θ) sin(θ) Addition: x 2 + y 2 = z 2 + u 2 also gemeinsame Dichte von 440 W.Kössler, Humboldt-Universität zu Berlin

12 (Z,U): h 1 (z,u) = 1 z 2 +u 2 σ 2 2π e 2σ 2 = 1 σ 2π e z 2 1 2σ 2 σ 2π e d.h. Z und U sind unabhängig, h 1 (z,u) = h Z (z)h U (u) und u 2 2σ 2 h Z (z) = 1 σ 2π e z 2 2σ W.Kössler, Humboldt-Universität zu Berlin

13 Satz 32 (Transformationssatz für EW) Es sei X = (X 1,...,X p ) T ein zufälliger Vektor und g: R p R eine Abbildung. a) Es sei X diskret mit Wkt.funktion (Zähldichte) f. Falls g(x) f(x) < so gilt: E(g(X)) = g(x)f(x). x x b) Es sei X stetig. f : R p R sei die Dichtefunktion des zufälligen Vektors X. Falls g(x 1,...,x p ) f(x 1,...,x p )dx 1...dx p < R p 442 W.Kössler, Humboldt-Universität zu Berlin

14 gilt, so: Eg(X) = g(x 1,...,x p ) f(x 1,...,x p )dx 1...dx p. R p Bem.: Der Beweis des Satzes erfordert Maßtheorie. Wir haben eine eingeschränkte Version bereits im Abschnitt Erwartungswerte gezeigt. Bsp. 74 Es sei X = (X 1,X 2 ) T ein stetiger zufälliger Vektor mit Dichtefunktion f(x 1,x 2 ). Wir definieren die Funktion g: R 2 R durch g(x) := X 1 + X 2. Dann gilt:

15 Eg(X) = E(X 1 + X 2 ) = g(x 1,x 2 ) f(x 1,x 2 )dx 1 dx 2 R = (x 1 + x 2 ) f(x 1,x 2 )dx 1 dx 2 = = x 1 f(x 1,x 2 )dx 1 dx 2 + x 2 f(x 1,x 2 )dx 1 dx 2 R 2 R f(x 1,x 2 )dx 2 dx 1 + x 1 + x 2 + f(x 1,x 2 )dx 1 dx 2

16 Eg(X) = + x 1 f X1 (x 1 )dx x 2 f X2 (x 2 )dx 2 = EX 1 + EX 2 Allgemeiner erhalten wir also für zwei stetige zufällige Variablen X 1 und X 2 : E(c X 1 + d X 2 ) = c EX 1 + d EX 2. Das ist ein Beweis der Aussage 5 in Satz 11 für stetige zufällige Variablen. 445 W.Kössler, Humboldt-Universität zu Berlin

17 11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient ϱ(x 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen X 1 und X 2. Ist cov (X 1,X 2 ) = 0 dann heißen die beiden Zufallsgrößen unkorreliert. Bem.: X 1 und X 2 unabhängig cov (X 1,X 2 ) = 0. Die Umkehrung der Aussage gilt im allgemeinen nicht. 446 W.Kössler, Humboldt-Universität zu Berlin

18 Bsp. 75 (2x2 Tafel) Y X Raucher Nichtraucher Summe w p 11 p 12 p 1. m p 21 p 22 p 2. Summe p.1 p.2 1 X Bi(1,p.2 ) Y Bi(1,p 2. ) E(X) = p.2 var(x) = p.2 (1 p.2 ) = p.2 p.1 E(Y ) = p 2. var(y ) = p 2. (1 p 2. ) = p 2. p 1. cov(x,y ) = E(X Y ) E(X)E(Y ) = p 22 p.2 p W.Kössler, Humboldt-Universität zu Berlin

19 Korrelationskoeffizient: ρ = p 22 p.2 p 2. p.2 p 1. p 2. p.1 = p 11p 22 p 12 p 21 p.2 p 2. p 1. p.1 p 22 p 2. p.2 = p 22 (p 21 + p 22 )(p 12 + p 22 ) = p 22 (p 21 p 12 + p 22 p 12 + p 21 p 22 + p 2 22) = p 22 (1 p 12 p 21 p 22 ) p 21 p 12 = p 22 p 11 p 21 p W.Kössler, Humboldt-Universität zu Berlin

20 Satz 33 Es seien X 1 und X 2 zwei Zufallsgrößen, für die σ X1,σ X2 > 0 ist. Dann gilt für den Korrelationskoeffizienten dieser beiden zufälligen Variablen: 1 ϱ(x 1,X 2 ) 1. Beweis: Wir definieren eine Funktion A wie folgt: A(t,u) := E[t (X 1 EX 1 ) + u (X 2 EX 2 )] W.Kössler, Humboldt-Universität zu Berlin

21 Nun gilt für alle t,u R: A(t,u) = E(t 2 (X 1 EX 1 ) 2 + u 2 (X 2 EX 2 ) 2 ) +2tuE(X 1 EX 1 )(X 2 EX 2 ) = t 2 E(X 1 EX 1 ) 2 + u 2 E(X 2 EX 2 ) 2 +2tuE((X 1 EX 1 )(X 2 EX 2 )) = t 2 VarX t u cov (X 1,X 2 ) + u 2 VarX 2 0 Wir setzen t := σ X2 und u := σ X1. Außerdem dividieren wir 450 W.Kössler, Humboldt-Universität zu Berlin

22 durch σ X1 σ X2 : A(σ X2,σ X1 ) σ X1 σ X2 = σ2 X 2 σ 2 X 1 +2 σ X1 σ X2 cov (X 1,X 2 )+σ 2 X 1 σ 2 X 2 σ X1 σ X2 = σ X1 σ X2 + 2 cov (X 1,X 2 ) + σ X1 σ X2 = 2 σ X1 σ X2 + 2 cov (X 1,X 2 ) 0 Also: σ X1 σ X2 + cov (X 1,X 2 ) 0. Andererseits gilt aber auch mit t := σ X2 und u := σ X1 sowie derselben Herleitung wie oben: A( σ X2,σ X1 ) σ X1 σ X2 = σ2 X 2 σ 2 X 1 2 σ X1 σ X2 cov (X 1,X 2 )+σ 2 X 1 σ 2 X 2 σ X1 σ X2 = 2 σ X1 σ X2 2 cov (X 1,X 2 ) W.Kössler, Humboldt-Universität zu Berlin

23 Also: σ X1 σ X2 cov (X 1,X 2 ) 0. Das heißt jedoch, daß gilt: σ X1 σ X2 cov (X 1,X 2 ) σ X1 σ X2. Wir stellen etwas um und erhalten: 1 cov (X 1,X 2 ) σ X1 σ X2 = ϱ(x 1,X 2 ) W.Kössler, Humboldt-Universität zu Berlin

24 Bem. 16 Die Ungleichung kann auch direkt aus der Cauchy-Schwarz schen Ungleichung hergeleitet werden. Satz 34 Es seien X 1 und X 2 zwei Zufallsgrößen, für die σ X1,σ X2 > 0 ist. Dann gilt ϱ(x 1,X 2 ) = 1 genau dann, wenn es Zahlen a,b R (a 0) gibt, so daß gilt: P(X 1 = a X 2 + b) = 1. Beweis: ( =) Es seien die Zahlen a,b R so gewählt, daß gilt P(X 1 = a X 2 + b) = 1. Für Erwartungswert und Varianz der Zufallsgröße X W.Kössler, Humboldt-Universität zu Berlin

25 gilt dann: EX 1 = E(a X 2 + b) = a EX 2 + b, σx 2 1 = σa X 2 2 +b = σa X 2 2 = a 2 σx 2 2. Damit gilt für den Korrelationskoeffizienten der 454 W.Kössler, Humboldt-Universität zu Berlin

26 Zufallsgrößen X 1 und X 2 : ϱ(x 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 = E((X 1 EX 1 ) (X 2 EX 2 )) a σ X2 σ X2 = E([(a X 2+b) (a EX 2 +b)] (X 2 EX 2 )) a σ 2 X 2 = a E(X 2 EX 2 ) 2 = a σ2 X 2 a σx 2 a σ 2 2 X 2 = Das bedeutet: ϱ(x 1,X 2 ) = 1. 1, falls a > 0 1, falls a < W.Kössler, Humboldt-Universität zu Berlin

27 (= ) Es gelte ϱ(x 1,X 2 ) = 1. Nun gilt: ϱ(x 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 = E((X 1 EX 1 ) (X 2 EX 2 )) σ X1 σ X2 = E Wir definieren zwei Zufallsgrößen: ( ) X 1 EX 1 σ X1 X2 EX 2 σ X2 X 1 := X 1 EX 1 σ X1, X 2 := X 2 EX 2 σ X2. Für die Varianz dieser Zufallsgrößen X i (i = 1, 2) gilt 456 W.Kössler, Humboldt-Universität zu Berlin

28 dann: σ 2 X i = E (X i EX i ) 2 = E (Xi ) 2 (EXi ) 2 ( ) 2 X = E i EX i σ Xi (E ( )) 2 X i EX i σ Xi = 1 σ 2 X i (E(X i EX i ) 2 (E(X i EX i )) 2) = 1 σ 2 X i σ 2 X i EX i = 1 σ 2 X i σ 2 X i = W.Kössler, Humboldt-Universität zu Berlin

29 Wir ermitteln jetzt die Erwartungswerte (i = 1, 2): ( ) EXi X = E i EX i σ Xi = 1 σ Xi (EX i E(EX i )) = 1 σ Xi (EX i EX i ) = 0 Daraus folgt: ϱ(x 1,X 2 ) = E (X 1 X 2). Wir unterscheiden zwei Fälle: ϱ(x 1,X 2 ) = 1: Wir untersuchen die Varianz der 458 W.Kössler, Humboldt-Universität zu Berlin

30 Zufallsgröße X 1 X 2: σ 2 X 1 X 2 = E ((X1 X2) E (X1 X2)) 2 = E ((X1 X2) EX1 + EX2) 2 = E (X1 X2) 2 = E (X1) 2 2 E (X1 X2) + E (X2) 2 Für i = 1, 2 gilt nun: E (X i ) 2 = E (X i EX i ) 2 = σ 2 X i = W.Kössler, Humboldt-Universität zu Berlin

31 Damit erhalten wir dann: σ 2 X 1 X 2 = E (X 1) 2 2 E (X 1 X 2) + E (X 2) 2 = 2 2 ϱ(x 1,X 2 ) = 0 Nun gilt aber σx 2 = 0 genau dann, wenn es ein 1 X 2 c R gibt, so daß P (X1 X2 = c) = 1 ist. Das bedeutet aber, daß gilt: E (X1 X2) = c. Wegen EX1 = EX 2 = 0 ist c = 0, woraus folgt P (X1 = X2) = W.Kössler, Humboldt-Universität zu Berlin

32 Dann gilt: 1 = P (X 1 = X 2) = P = P = P ( ) X 1 EX 1 σ X1 = X 2 EX 2 σ X2 ( ) X 1 = σ X 1 X 2 σ X1 EX 2 σ X2 + EX 1 ( ) X 1 = σ X 1 σ X2 X 2 σ X 1 σ X2 EX 2 + EX 1 Wir definieren a := σ X 1 σ X2 > 0 und b := σ X 1 σ X2 EX 2 + EX 1, und die Aussage ist für diesen Fall gezeigt. ϱ(x 1,X 2 ) = 1: Hier untersucht man die Varianz der Zufallsgröße X 1 + X 2 und zeigt, daß sie ebenfalls gleich Null ist. Danach verläuft der Beweis völlig 461 W.Kössler, Humboldt-Universität zu Berlin

33 analog zum Fall ϱ(x 1,X 2 ) = 1. Bem. 17 Eine Zufallsgröße, deren Erwartungswert gleich Null und deren Varianz gleich Eins sind, heißt standardisierte Zufallsgröße. 462 W.Kössler, Humboldt-Universität zu Berlin