Symmetrische Wahrscheinlichkeitsverteilung
Als symmetrische (Wahrscheinlichkeits-) Verteilungen bezeichnet man in der Stochastik spezielle Wahrscheinlichkeitsverteilungen auf den reellen Zahlen. Sie zeichnen sich dadurch aus, dass (im einfachsten Fall) die Wahrscheinlichkeit, einen Wert kleiner als zu erhalten, immer gleich groß ist wie die Wahrscheinlichkeit, einen Wert größer als zu erhalten. Besitzt eine Zufallsvariable eine symmetrische Verteilung, so nennt man sie auch eine symmetrische Zufallsvariable.
Definition
[Bearbeiten | Quelltext bearbeiten]Ein Wahrscheinlichkeitsmaß auf heißt symmetrisch (um Null), wenn für alle gilt:
Analog heißt eine reellwertige Zufallsvariable symmetrisch (um Null), wenn die Verteilung von mit der Verteilung von übereinstimmt, es gilt also
- bzw. .
Allgemeiner heißt ein Wahrscheinlichkeitsmaß auf symmetrisch um , wenn
für alle gilt, ebenso wie eine reellwertige Zufallsvariable symmetrisch um heißt, wenn
gilt.
Erste Beispiele
[Bearbeiten | Quelltext bearbeiten]- Die Gleichverteilung ist symmetrisch um ihren Erwartungswert.
- Die Normalverteilung ist symmetrisch um ihren Erwartungswert .
- Nicht symmetrisch, also um keinen Punkt symmetrisch, sind zum Beispiel die Exponentialverteilung oder die Poisson-Verteilung.
Eigenschaften
[Bearbeiten | Quelltext bearbeiten]Charakterisierung durch die Verteilungsfunktion
[Bearbeiten | Quelltext bearbeiten]Die Symmetrie einer Zufallsvariablen/Verteilung kann auch über ihre Verteilungsfunktion charakterisiert oder definiert werden. Bezeichnet man mit den linksseitigen Grenzwert an der Stelle , so ist die Verteilung bzw. Zufallsvariable genau dann symmetrisch um Null, wenn
für alle gilt und genau dann symmetrisch um , wenn
- .
Wahrscheinlichkeitsdichtefunktionen und Wahrscheinlichkeitsfunktionen
[Bearbeiten | Quelltext bearbeiten]Die Symmetrie einer Wahrscheinlichkeitsverteilung lässt sich auch direkt über die Wahrscheinlichkeits(dichte)funktionen der Verteilung definieren:
- Ist eine absolutstetige Verteilung, so ist genau dann symmetrisch um , wenn die Wahrscheinlichkeitsdichtefunktion achsensymmetrisch bzgl. der Achse ist.
- Ist eine diskrete Verteilung auf den reellen Zahlen, so ist genau dann symmetrisch um , wenn die Wahrscheinlichkeitsfunktion achsensymmetrisch bzgl. der Achse ist.
Median und Momente
[Bearbeiten | Quelltext bearbeiten]Das Symmetriezentrum stimmt immer mit einem Median überein, ebenso der Erwartungswert falls dieser existiert. Dies muss aber bei symmetrischen Wahrscheinlichkeitsverteilungen nicht immer der Fall sein wie die Standard-Cauchy-Verteilung zeigt: Sie ist symmetrisch um Null, ihr Erwartungswert existiert aber nicht.
Allgemein gilt: ist eine um symmetrische Zufallsvariable und existiert ihr -tes Moment, so ist
- .
Charakteristische Funktionen
[Bearbeiten | Quelltext bearbeiten]Die charakteristische Funktion einer Wahrscheinlichkeitsverteilung ist genau dann reellwertig, wenn die Verteilung symmetrisch um Null ist, und dann gilt
- .
Des Weiteren ermöglicht der Satz von Pólya die Konstruktion von Funktionen, die stets charakteristische Funktion einer um Null symmetrischen Verteilung sind.
Weitere symmetrische Verteilungen
[Bearbeiten | Quelltext bearbeiten]Verteilung | für Parameterwahl | Symmetrisch um | Bemerkung |
---|---|---|---|
Diskrete Verteilungen | |||
Bernoulli-Verteilung | Für siehe Dirac-Verteilung auf 0 bzw. 1 | ||
Binomialverteilung | Geht für in die Dirac-Verteilung auf bzw. über, Symmetrien siehe dort. | ||
Diskrete Gleichverteilung auf | |||
Rademacher-Verteilung | - | ||
Zweipunktverteilung auf | Degenerierter Fall siehe Dirac-Verteilung. | ||
Absolutstetige Verteilungen | |||
Normalverteilung | |||
Stetige Gleichverteilung auf | - | ||
Cauchy-Verteilung | Typisches Beispiel einer symmetrischen Verteilung ohne Erwartungswert | ||
Studentsche t-Verteilung | |||
Betaverteilung auf | |||
Arcsin-Verteilung | - | ||
Logistische Verteilung | |||
Stetigsinguläre Verteilungen und degenerierte Verteilungen | |||
Cantor-Verteilung | - | ||
Dirac-Verteilung |
Literatur
[Bearbeiten | Quelltext bearbeiten]- Claudia Czado, Thorsten Schmidt: Mathematische Statistik. Springer-Verlag, Berlin/Heidelberg 2011, ISBN 978-3-642-17260-1, S. 38, doi:10.1007/978-3-642-17261-8.
- Norbert Kusolitsch: Maß- und Wahrscheinlichkeitstheorie. Eine Einführung. 2., überarbeitete und erweiterte Auflage. Springer-Verlag, Berlin/Heidelberg 2014, ISBN 978-3-642-45386-1, S. 244–245, doi:10.1007/978-3-642-45387-8.
- Klaus D. Schmidt: Maß und Wahrscheinlichkeit. 2., durchgesehene Auflage. Springer-Verlag, Heidelberg / Dordrecht / London / New York 2011, ISBN 978-3-642-21025-9, doi:10.1007/978-3-642-21026-6.