Mit Hilfe von wahrscheinlichkeitserzeugenden Funktionen können Fragen und Probleme aus dem Bereich diskreter Zufallsvariablen (genauer: Zufallsvariablen die als Träger die natürlichen Zahlen einschließlich der 0 haben) in die Analysis verortet werden. Die wahrscheinlichkeitserzeugende Funktion einer solchen Zufallsvariablen ist dann als Potenzreihe gegeben. Neben einer einfachen Möglichkeit die üblichen Kenngrößen (Erwartungswert, Varianz und andere Momente) einer Zufallsvariablen zu berechnen, sind wahrscheinlichkeitserzeugende Funktionen vor allem in Anwendungsaufgaben von Bedeutung in denen man die genaue Verteilung der betrachteten Zufallsvariable nicht oder nur mit sehr großem Aufwand angeben kann. Die wahrscheinlichkeitserzeugende Funktion liefert auch in solchen Fällen Kenngrößen und sogar konkrete Wahrscheinlichkeiten.
Als Voraussetzung sind lediglich Grundkenntnisse der Analysis zum Umgang mit Reihen bzw. Potenzreihen und Grundkenntnisse der Stochastik notwendig, wie sie üblicherweise in einer Einführungsveran staltung gelehrt werden.
Inhaltsverzeichnis
1 Erzeugende Funktionen
2 Wahrscheinlichkeitserzeugende Funktionen
3 Erwartungswert und Varianz
4 Anwendung
5 Rekurrente Ereignisse
6 Charakterisierung von Verteilungsfunktionen
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist es, die Theorie der wahrscheinlichkeitserzeugenden Funktionen systematisch darzustellen und deren Nutzen als analytisches Werkzeug zur Untersuchung diskreter Zufallsvariablen aufzuzeigen. Dabei wird insbesondere untersucht, wie sich Kennzahlen wie Erwartungswert und Varianz effizient durch Ableitungen dieser Funktionen bestimmen lassen.
- Grundlagen der Analysis von Potenzreihen für stochastische Anwendungen.
- Methodik zur Berechnung von Momenten diskreter Zufallsvariablen.
- Anwendung der Theorie auf unabhängige Zufallsvariablen und Faltungen.
- Analyse rekurrenter Ereignisse mittels erzeugender Funktionen.
- Charakterisierung diskreter Verteilungsfunktionen durch Differenzengleichungen.
Auszug aus dem Buch
Definition 2.1
Sei X eine diskrete Zufallsvariable mit Träger T ⊆ N0, also P(X = k) = pk, k ∈ N0 und ∞ k=0 pk = 1. Die wahrscheinlichkeitserzeugende Funktion von X ist dann gegeben durch
P(s) := PX (s) := ∞ k=0 pks k = ∞ k=0 P(X = k)sk .
Eine kurze Anmerkung zur Definition der wahrscheinlichkeitserzeugenden Funktion:
Bemerkung 2.2
Eine alternative Definition für die wahrscheinlichkeitserzeugende Funktion einer diskreten Zufallsvariable X verwendet den Erwartungswert. Es gilt:
PX (s) = ∞ k=0 P(X = k)sk = E(sX).
Die wahrscheinlichkeitserzeugende Funktion ist lediglich ein Spezialfall einer erzeugenden Funktion. Sämtliche Aussagen aus dem ersten Kapitel können also zur Untersuchung wahrscheinlichkeitserzeugender Funktionen verwendet werden. Da wir weiter voraussetzen, dass X eine diskrete Zufallsvariable ist, d.h. die pk erfüllen ∞ k=0 pk = 1, ist insbesondere 0 ≤ pk ≤ 1 für alle k ∈ N0. Damit können wir eine erste Konvergenzaussage treffen.
Zusammenfassung der Kapitel
1 Erzeugende Funktionen: Dieses Kapitel führt den grundlegenden Begriff der erzeugenden Funktion als formale Potenzreihe ein und erläutert notwendige mathematische Konzepte wie Konvergenz und das Cauchy-Produkt.
2 Wahrscheinlichkeitserzeugende Funktionen: Hier wird die Theorie auf diskrete Zufallsvariablen übertragen und die wahrscheinlichkeitserzeugende Funktion als Spezialfall definiert sowie erste Konvergenzaussagen getroffen.
3 Erwartungswert und Varianz: Dieses Kapitel zeigt, wie durch einfaches Ableiten der wahrscheinlichkeitserzeugenden Funktionen der Erwartungswert und die Varianz von diskreten Zufallsvariablen berechnet werden können.
4 Anwendung: Anhand praktischer Beispiele wird illustriert, wie wahrscheinlichkeitserzeugende Funktionen bei der Analyse von Summen unabhängiger Zufallsvariablen und bei Produktionsprozessen unterstützen.
5 Rekurrente Ereignisse: Dieses Kapitel bietet einen Ausblick auf die Theorie rekurrenter Ereignisse und demonstriert deren Lösung mittels erzeugender Funktionen.
6 Charakterisierung von Verteilungsfunktionen: Das abschließende Kapitel behandelt Methoden zur Charakterisierung diskreter Verteilungsfunktionen durch Differenzengleichungen und deren graphische Identifikation.
Schlüsselwörter
wahrscheinlichkeitserzeugende Funktionen, Stochastik, diskrete Zufallsvariablen, Potenzreihen, Erwartungswert, Varianz, Faltung, rekurrente Ereignisse, Bernoulli-Prozess, Verteilungsfunktionen, Differenzengleichung, Binomialverteilung, Poissonverteilung, geometrische Verteilung, negative Binomialverteilung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Anwendung von erzeugenden Funktionen auf stochastische Fragestellungen, insbesondere für diskrete Zufallsvariablen.
Was sind die zentralen Themenfelder?
Die zentralen Felder umfassen die Definition und mathematischen Eigenschaften erzeugender Funktionen, ihre Verwendung zur Berechnung stochastischer Kenngrößen und ihre Anwendung auf spezielle Verteilungsprobleme.
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist es, den Nutzen erzeugender Funktionen als effizientes Werkzeug zur Bestimmung von Erwartungswert, Varianz und zur Lösung von Problemen mit rekurrenten Ereignissen aufzuzeigen.
Welche wissenschaftliche Methode wird verwendet?
Es werden methodisch Techniken aus der Analysis, insbesondere Potenzreihen und deren Differenzierbarkeit, in Verbindung mit der Wahrscheinlichkeitstheorie diskreter Zufallsvariablen eingesetzt.
Was wird im Hauptteil behandelt?
Der Hauptteil behandelt die Berechnung von Erwartungswert und Varianz durch Ableitung, die Anwendung auf Summen von Zufallsvariablen sowie die Analyse von rekurrenten Ereignissen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird durch Begriffe wie wahrscheinlichkeitserzeugende Funktionen, Stochastik, diskrete Zufallsvariablen, Erwartungswert, Varianz und rekurrente Ereignisse charakterisiert.
Wie helfen diese Funktionen bei der Varianzberechnung?
Durch die bekannte Identität zwischen der Varianz und den Ableitungen der erzeugenden Funktion an der Stelle 1 lässt sich die Varianz ohne mühsame Berechnung der direkten Summenformeln bestimmen.
Was zeigt das Beispiel der Maschine in der Produktion?
Es zeigt, wie man durch die Kombination verschiedener Verteilungen (Binomial- und Poissonverteilung) und deren erzeugende Funktionen die Wahrscheinlichkeit für ein komplexes Ereignis, wie die Einhaltung einer Reparaturzeit, berechnet.
- Quote paper
- Markus Hirshman (Author), 2014, Wahrscheinlichkeitserzeugende Funktionen. Ein analytischer Ansatz für stochastische Fragestellungen, Munich, GRIN Verlag, https://www.grin.com/document/283778
