Diskrete Gleichverteilung

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Wahrscheinlichkeitsfunktion der diskreten Gleichverteilung auf \{0,1,\dots,20\}, d.h. n=21

Die diskrete Gleichverteilung ist eine statistische Wahrscheinlichkeitsverteilung (Gleichverteilung). Eine diskrete Zufallsvariable X mit endlich vielen Ausprägungen hat eine diskrete Gleichverteilung, wenn die Wahrscheinlichkeit für jede ihrer Ausprägungen x_1, \dotsc, x_n gleich ist. Es gilt dann P(X = x_i) = \tfrac{1}{n} für i \in \{1,\dotsc,n\}.

Typischerweise findet diese Wahrscheinlichkeitsverteilung Anwendung bei Zufallsexperimenten, deren Ergebnisse gleichhäufig sind. Wenn man (mit oder ohne Begründung) annimmt, dass die n Elementarereignisse gleich wahrscheinlich sind, spricht man von einem Laplace-Experiment. Gängige Beispiele für Laplace-Experimente sind der Laplace-Würfel und die Laplace-Münze. Siehe auch Stetige Gleichverteilung, Laplace-Formel.

Wahrscheinlichkeitsfunktion[Bearbeiten]

Die Wahrscheinlichkeitsfunktion der diskreten Gleichverteilung ist:

 \operatorname{P}(X = x) =f(x)= \begin{cases}
\frac {1}{n} & \mathrm{f\ddot ur}\; x = x_i (i = 1, \dots , n) \\
0 & \mbox{sonst}
\end{cases}

und damit genügt sie der Verteilungsfunktion

F_X(t)= P(X\leq t) = \frac{|\{k:x_k\leq t\}|}{n}.

Im Fall x_k=k ergibt das

F_X(t)= P(X\leq t) =
\begin{cases}
 0  & \mbox{falls } t<1 \\
 \frac{\lfloor t \rfloor}{n} & \mbox{falls } 1 \leq t < n \\
 1  & \mbox{falls } t \geq n
\end{cases}

Eigenschaften[Bearbeiten]

Erwartungswert[Bearbeiten]

Der Erwartungswert ist:

 \operatorname{E}(X) = \frac{1}{n} \sum_{i=1}^n x_i

Im Fall x_k=k besitzt die diskrete Gleichverteilung den Erwartungswert (nach der Gaußschen Summenformel)

 \operatorname{E}(X) = \frac{1}{n} \sum_{i=1}^n x_i =\frac{n+1}{2}

Varianz[Bearbeiten]

Die Varianz ist

 \operatorname{Var}(X) = \frac {1}{n} \left(\sum_{i=1}^n x_i^2 - \frac {1}{n} \left(\sum_{i=1}^n x_i\right)^2\right) =\frac{n^2-1}{12}.

Wahrscheinlichkeitserzeugende Funktion[Bearbeiten]

Ist  X eine diskret gleichverteilte Zufallsvariable aus  \{1, \dots ,N \} , so ist die wahrscheinlichkeitserzeugende Funktion gegeben durch

m_X(t):=\frac{t(1-t^N)}{N(1-t)} für t \in [0,1).

Dies folgt direkt aus der geometrischen Reihe

Schätzer[Bearbeiten]

Ist  x=(x_1, \dots , x_n ) eine diskret gleichverteilte Stichprobe aus \{1,\dots,N\}, so ist der Maximum-Likelihood-Schätzer für den Parameter N gegeben durch

 T_M(x)=\max_{i=1, \dots , n} x_i .

Er ist insbesondere nicht erwartungstreu, da er den wirklichen Wert tendenziell unterschätzt und nie überschätzt, sondern nur asymptotisch erwartungstreu. Die Einführung eines Korrekturterms führt zu dem Schätzer

 T'_M(x)=\frac{n+1}{n}\max_{i=1, \dots , n} x_i .

Oder aber man schätzt den mittleren Abstand in der Werte in der Stichprobe durch  \min_{i=1, \dots , n} x_i ab und erhält aufs Neue einen Schätzer

 T_I(x)=(\max_{i=1, \dots , n} x_i) + (\min_{i=1, \dots , n} x_i) -1.

Dieser ist erwartungstreu, genauso wie

 T_S(x)=\left( \frac{2}{n} \sum_{i=1}^n x_i\right)-1.

Das Problem, aus einer gleichverteilten Stichprobe die Größe der Grundgesamtheit zu bestimmen, wird auch gelegentlich das Taxiproblem genannt, da ein nichtsahnender Reisender sich wohl fragen mag, wie viele Taxis in der Stadt, in der er sich gerade aufhält, existieren, er aber nur die Taxinummern der Taxis, die an ihm vorbeifahren, kennt. Das Taxiproblem ist ein Standardbeispiel der Schätztheorie, um zu zeigen, dass sich ohne Probleme mehrere verschiedene Schätzer für dasselbe Problem finden lassen, von denen a priori nicht klar ist, welcher besser ist. Varianten des Taxiproblems waren anscheinend im Zweiten Weltkrieg wichtig, um aus den Seriennummern abgeschossener Panzer Rückschlüsse auf die Anzahl der Panzer in der gegnerischen Armee zu ziehen.

Beispiel[Bearbeiten]

Sechsseitiger Laplace-Würfel[Bearbeiten]

Das Zufallsexperiment ist: Ein Würfel wird einmal geworfen. Die möglichen Ausprägungen der Zufallsvariablen X sind: x_1=1, x_2=2, \dots, x_6=6. Nach der klassischen Wahrscheinlichkeitsauffassung ist die Wahrscheinlichkeit für jede Ausprägung gleich. Sie hat dann die Wahrscheinlichkeitsfunktion

 P(X = x) = f(x) = \begin{cases}
\frac{1}{6} & \mathrm{f\ddot ur}\; x = x_i (i = 1, \dots , 6) \\
0 & \mbox{sonst}
\end{cases}

mit dem Erwartungswert \operatorname{E}(X) für x_i=i und n=6:

 E(X) =7/2 =3,5

und der Varianz

 V(X) = \frac {35}{12} \approx 2,92.

Entscheidungsproblem des Marketing[Bearbeiten]

Eine Anwendung in der Praxis könnte etwa ein Problem des Operations Research (Marketing) sein. Eine Unternehmung möchte ein neues Produkt auf dem Markt einführen

Man versucht, den Erfolg des Produkt quantitativ vorauszuschätzen. Es wird vereinfachend von 5 verschiedenen verkauften Stückzahlen ausgegangen: 0, 1.000, 5.000, 10.000 und 50.000. Da über die Wahrscheinlichkeit der einzelnen Absatzzahlen keine verläßliche Schätzung möglich ist, verwendet man der Einfachheit halber gleiche Wahrscheinlichkeiten.

Man kann nun den Entscheidungsprozess, d.h. die individuelle Kaufentscheidung objektivieren, also den erwarteten durchschnittlichen Absatz ermitteln und sich überlegen, etwa anhand von Entscheidungsbäumen, inwieweit erhöhte Werbeausgaben die Absatzzahlen erhöhen könnten.

Abgrenzung[Bearbeiten]

Die diskrete Gleichverteilung wird oft auch nach Pierre-Simon Laplace benannt (Laplace-Würfel). Sie hat jedoch nichts mit der stetigen Laplace-Verteilung zu tun.

Weblinks[Bearbeiten]