MATH154 Hausaufgabe 3: Zufallsvariablen und Verteilungen – Ein umfassendes Tutorial

Einführung in Zufallsvariablen und Verteilungen

In der Wahrscheinlichkeitstheorie und Statistik sind Zufallsvariablen zentrale Konzepte. Die MATH154 Hausaufgabe 3 behandelt verschiedene Verteilungen: Gamma, Maxwell, Benford und Cauchy. Dieses Tutorial hilft dir, die Aufgaben zu verstehen, ohne sie direkt zu lösen. Wir nutzen aktuelle Beispiele aus der Finanzwelt, Molekularphysik und Datenwissenschaft, um die Konzepte greifbar zu machen.

Die Gamma-Verteilung (Aufgabe 3.1)

Die Gamma-Verteilung mit Formparameter α > 0 und Ratenparameter λ > 0 hat die Dichte f(x) = (λ^α / Γ(α)) x^(α-1) e^(-λx) für x ≥ 0. Sie wird in der Ökonometrie verwendet, etwa zur Modellierung von Einkommensverteilungen oder Wartezeiten. Aktuell (Mai 2026) nutzen Analysten die Gamma-Verteilung, um Risiken in KI-gesteuerten Handelsalgorithmen zu modellieren.

a) Spezialfall α = 1: Wenn α = 1, vereinfacht sich die Dichte zu f(x) = λ e^(-λx). Das ist die Exponentialverteilung. Diese wird oft für Lebensdauern oder Wartezeiten verwendet, z. B. die Zeit zwischen zwei Trades an der Börse.

b) Eigenschaften einer PDF: Eine Wahrscheinlichkeitsdichtefunktion (PDF) muss zwei Bedingungen erfüllen: (1) f(x) ≥ 0 für alle x, (2) ∫_0^∞ f(x) dx = 1. Für die Gamma-Dichte ist die Nichtnegativität klar. Das Integral ergibt 1, da ∫_0^∞ x^(α-1) e^(-λx) dx = Γ(α)/λ^α.

c) Erwartungswert und Varianz: E[X] = α/λ, Var[X] = α/λ^2. Diese Werte erhält man durch Integration oder Nutzung der Momenterzeugenden Funktion.

d) Momenterzeugende Funktion: M_X(t) = E[e^(tX)] = (λ/(λ - t))^α für t < λ. Dies folgt aus der Definition des Integrals.

e) L^p-Integrierbarkeit: Eine gammaverteilte Zufallsvariable ist in L^p für alle p, weil ihre Momente endlich sind. Der Träger [0,∞) und die exponentielle Abklingrate sorgen dafür, dass ∫ x^p f(x) dx < ∞.

Die Maxwell-Verteilung (Aufgabe 3.2)

Die Maxwell-Verteilung modelliert die Geschwindigkeitsverteilung von Molekülen in einem idealen Gas im thermischen Gleichgewicht. Ihre Dichte ist f(v) = √(2/π) (v^2 / θ^3) e^(-v^2/(2θ^2)) für v ≥ 0, mit θ > 0. Um zu zeigen, dass es sich um eine PDF handelt, prüft man Nichtnegativität und ∫_0^∞ f(v) dv = 1. Der Erwartungswert E[V] = 2θ √(2/π).

Anwendung in der Praxis: In der Astrophysik (2026) wird die Maxwell-Verteilung genutzt, um die Geschwindigkeiten von Sternen in Galaxienhaufen zu beschreiben. Aktuelle Simulationen von Dunkler Materie verwenden ähnliche Verteilungen.

Benfords Gesetz (Aufgabe 3.3)

Benfords Gesetz besagt, dass in vielen natürlichen Datensätzen die erste Ziffer k (1-9) mit Wahrscheinlichkeit P(k) = log_10(1 + 1/k) auftritt. Die Ziffer 1 erscheint mit etwa 30,1%, die Ziffer 9 mit 4,6%. Dieses Gesetz wird verwendet, um Betrug in Finanzdaten zu erkennen (z. B. in KI-gestützten Buchhaltungssystemen 2026).

a) Erwartungswert und Varianz: E[K] = ∑_{k=1}^9 k * log_10(1+1/k) ≈ 3,44. Var[K] = E[K^2] - (E[K])^2 ≈ 6,06.

b) Die Folge 2^n: Die ersten Ziffern von 2^n folgen tatsächlich Benfords Gesetz. Dies liegt an der Gleichverteilung von n log_10(2) modulo 1. Ein Histogramm der ersten 10000 Glieder zeigt die typische Benford-Verteilung.

Cauchy-Verteilung (Aufgabe 3.4)

Die Cauchy-Verteilung (zentriert) hat die Dichte f(x) = 1/(π(1+x^2)). Sie ist bekannt dafür, dass sie keinen endlichen Erwartungswert hat. In der Physik beschreibt sie die Energieverteilung von instabilen Teilchen. Aktuell (2026) wird die Cauchy-Verteilung in der Quanteninformatik zur Modellierung von Rauschen in Qubits verwendet.

a) Kein L^1: ∫ |x| f(x) dx divergiert, daher ist X nicht integrierbar.

b) Konvergenz im Cauchy-Sinne: Der Cauchysche Hauptwert von ∫ x f(x) dx existiert und ist 0. Man sagt, der Erwartungswert existiert im verallgemeinerten Sinne.

c) Momente: Varianz und höhere Momente existieren nicht (unendlich). Die momenterzeugende Funktion existiert nicht für t ≠ 0.

d) Cot[π Random[]]: Die Transformation Y = cot(πU) mit U uniform auf [0,1] erzeugt Cauchy-verteilte Zufallszahlen. Dies folgt aus der Inversionsmethode.

Träger von Verteilungen (Aufgabe 3.5)

Der Träger einer Verteilung ist die kleinste abgeschlossene Menge, die die gesamte Wahrscheinlichkeit enthält. Hier werden Maße mit vorgegebenem Träger konstruiert.

a) Absolut stetiges Maß mit Cantor-Träger: Man konstruiert eine modifizierte Cantor-Menge mit positivem Maß (z. B. fat Cantor set). Die Dichte ist dann die Indikatorfunktion dieser Menge (normiert).

b) Singular stetiges Maß mit Träger [0,1]: Ein Beispiel ist die Cantor-Verteilung (Cantor-Funktion) auf dem Standard-Cantor-Set, aber dies hat Maß Null. Für Träger [0,1] nimmt man eine Verteilung, die singular stetig ist, wie die Verteilung einer Zufallsvariablen mit binärer Darstellung, bei der die Bits unabhängig sind mit P(0)=P(1)=0.5, aber die Verteilung ist gleichmäßig auf [0,1] (absolut stetig). Singular stetig mit Träger [0,1] erhält man z. B. durch die Verteilung von X = ∑_{n=1}^∞ a_n 2^{-n}, wobei die a_n unabhängig sind mit P(a_n=0)=p, P(a_n=1)=1-p, p≠0.5. Diese Verteilung ist singular stetig und hat Träger [0,1].

c) Reine Punktverteilung mit Träger [0,1]: Man nehme eine abzählbare dichte Teilmenge von [0,1] (z. B. alle rationalen Zahlen) und weise jedem Punkt ein positives Gewicht zu, sodass die Summe 1 ergibt. Der Träger ist der Abschluss dieser Menge, also [0,1].

d) Für jede abgeschlossene Menge K in [0,1] existiert ein Maß mit Träger K: Man kann z. B. ein Wahrscheinlichkeitsmaß auf K konstruieren, indem man eine dichte Teilmenge von K wählt und dort Punktmassen platziert, oder ein stetiges Maß auf K (wenn K positives Lebesgue-Maß hat) oder eine Kombination.

Fazit

Die Aufgaben in MATH154 Hausaufgabe 3 decken grundlegende Konzepte der Wahrscheinlichkeitstheorie ab. Von der Gamma-Verteilung über Benfords Gesetz bis zur Cauchy-Verteilung und Trägerkonstruktionen – jedes Thema hat praktische Anwendungen in aktuellen Forschungsbereichen wie KI, Finanzmathematik und Physik. Nutze dieses Tutorial, um die Prinzipien zu verstehen, und wende sie dann auf die konkreten Probleme an.