Wiskunde · Begrippenlijst

Wat is Discrete toevalsveranderlijke; verdeling?

Ook bekend als: toevalsveranderlijke · verdeling van een toevalsveranderlijke · kansverdeling

Definitie 22.1 Universitaire wiskunde — Bachelor jaar 2 · Hoofdstuk 22 — Discrete toevalsveranderlijken

Zij (Ω,P)(\Omega, \P) een aftelbare kansruimte. Een toevalsveranderlijke is een afbeelding X ⁣:ΩEX \colon \Omega \to E (EE een willekeurige verzameling; reële toevalsveranderlijke wanneer E=RE = \R). Haar verdeling (of kansverdeling) is de kansmaat PX\P_X op de aftelbare verzameling X(Ω)X(\Omega) gedefinieerd door

PX({x})=P(X=x)=P({ω:X(ω)=x}).\P_X(\{x\}) = \P(X = x) = \P\bigl(\{\omega : X(\omega) = x\}\bigr) .

Voorbeelden

Voorbeeld 22.2 (De klassieke verdelingen)

  • Bernoulli B(p)\mathcal{B}(p): X{0,1}X \in \{0, 1\}, P(X=1)=p\P(X = 1) = p. De indicator van een gebeurtenis.
  • Binomiaal B(n,p)\mathcal{B}(n, p): P(X=k)=(nk)pk(1p)nk\P(X = k) = \binom nk p^k(1-p)^{n-k}, 0kn0 \leq k \leq n: het aantal successen in nn onafhankelijke bernoulli-experimenten (bovenbouwvolume; hieronder opnieuw bewezen via sommen van onafhankelijke veranderlijken).
  • Meetkundig G(p)\mathcal{G}(p): P(X=k)=(1p)k1p\P(X = k) = (1-p)^{k-1}p, kNk \in \N^*: de rang van het eerste succes (Voorbeeld 21.5).
  • Poisson P(λ)\mathcal{P}(\lambda): P(X=k)=eλλkk!\P(X = k) = e^{-\lambda}\frac{\lambda^k}{k!}, kNk \in \N — een kansmaat wegens de exponentiële reeks. De verdeling van de zeldzame gebeurtenissen (Hoofdstuk 23).

Voorbeeld 22.10 (Overdracht in actie)

Bereken voor XP(λ)X \sim \mathcal P(\lambda) de waarde E(11+X)\E\bigl(\frac1{1+X}\bigr) — de verdeling van 11+X\frac1{1+X} zelf is onhandig, maar de overdracht vraagt er nooit naar:

E(11+X)=k01k+1eλλkk!=eλλk0λk+1(k+1)!=eλλ(eλ1)=1eλλ.\E\Bigl(\frac1{1+X}\Bigr) = \sum_{k\geq0}\frac{1}{k+1}\,\eu^{-\lambda} \frac{\lambda^k}{k!} = \frac{\eu^{-\lambda}}{\lambda}\sum_{k\geq0} \frac{\lambda^{k+1}}{(k+1)!} = \frac{\eu^{-\lambda}}{\lambda}\bigl(\eu^\lambda - 1\bigr) = \frac{1 - \eu^{-\lambda}}{\lambda} .

Twee lessen. Rekenkundig: een verschoven exponentiële reeks herkennen is het hele werk — de overdracht herleidt verwachtingswaarden van f(X)f(X) tot het hanteren van reeksen. Structureel: de naïeve invulwaarde zou 11+EX=11+λ\frac1{1 + \E X} = \frac1{1 + \lambda} zijn, en het echte antwoord is groter,

1eλλ11+λ,\frac{1 - \eu^{-\lambda}}{\lambda} \geq \frac{1}{1 + \lambda},

precies zoals de ongelijkheid van Jensen voor de convexe functie t11+tt \mapsto \frac1{1+t} eist. Verwachtingswaarden van convexe beelden liggen boven de naïeve invulwaarde, en de overdracht plus een reekscontrole maakt de abstracte ongelijkheid concreet.

Voorbeeld 22.12 (Producten, met en zonder onafhankelijkheid)

Gooi met twee eerlijke dobbelstenen. Is YY de tweede dobbelsteen (onafhankelijk van de eerste), dan is E(XY)=E(X)E(Y)=3.52=12.25\E(XY) = \E(X)\E(Y) = 3.5^2 = 12.25. Is daarentegen Y=XY = X (het “product” van een dobbelsteen met zichzelf), dan is

E(X2)=1+4+9+16+25+366=91615.1712.25:\E(X^2) = \frac{1 + 4 + 9 + 16 + 25 + 36}{6} = \frac{91}{6} \approx 15.17 \neq 12.25 :

dezelfde marginale verdelingen in beide scenario’s, verschillende gezamenlijke verdelingen, verschillende verwachtingswaarden van het product. De moraal, het onthouden waard: E(XY)\E(XY) is een functionaal van het paar, niet van de twee marginalen — en het gat E(X2)E(X)22.92\E(X^2) - \E(X)^2 \approx 2.92 is volgens König–Huygens precies de variantie 3512\frac{35}{12} van de dobbelsteen.

Lees in het hoofdstuk →