Zweipunktverteilung

Die Zweipunktverteilung ist eine Wahrscheinlichkeitsverteilung in der Stochastik. Sie ist eine einfache diskrete Wahrscheinlichkeitsverteilung, die auf einer zweielementigen Menge { a , b } {\displaystyle \{a,b\}} definiert wird. Bekanntester Spezialfall ist die Bernoulli-Verteilung, die auf { 0 , 1 } {\displaystyle \{0,1\}} definiert ist.

Definition

Eine Zufallsvariable X {\displaystyle X} auf { a , b } {\displaystyle \{a,b\}} mit a < b {\displaystyle a<b} heißt zweipunktverteilt, wenn

P ( X = a ) = 1 p  und  P ( X = b ) = p {\displaystyle P(X=a)=1-p{\text{ und }}P(X=b)=p} ist.

Die Verteilungsfunktion ist dann

F X ( t ) = { 0  falls  t < a 1 p  falls  t [ a , b ) 1  falls  t b {\displaystyle F_{X}(t)={\begin{cases}0&{\text{ falls }}t<a\\1-p&{\text{ falls }}t\in [a,b)\\1&{\text{ falls }}t\geq b\end{cases}}}

Eigenschaften

Sei im Folgenden q = 1 p {\displaystyle q=1-p} .

Erwartungswert

Der Erwartungswert einer zweipunktverteilten Zufallsgröße ist

E ( X ) = ( 1 p ) a + p b = q a + p b {\displaystyle E(X)=(1-p)\cdot a+p\cdot b=q\cdot a+p\cdot b} .

Varianz und weitere Streumaße

Für die Varianz gilt

V ( X ) = E ( ( X E ( X ) ) 2 ) = p q ( b a ) 2 {\displaystyle V(X)=E\left((X-E(X))^{2}\right)=p\cdot q\cdot (b-a)^{2}} .

Demnach ist die Standardabweichung

σ X = ( b a ) p q {\displaystyle \sigma _{X}=(b-a){\sqrt {pq}}}

und der Variationskoeffizient

VarK ( X ) = ( b a ) p q q a + p b {\displaystyle \operatorname {VarK} (X)={\frac {(b-a){\sqrt {pq}}}{qa+pb}}} .

Symmetrie

Ist p = 1 2 {\displaystyle p={\tfrac {1}{2}}} , so ist die Zweipunktverteilung symmetrisch um ihren Erwartungswert.

Schiefe

Die Schiefe der Zweipunktverteilung ist

v ( X ) = 1 2 p p q {\displaystyle \operatorname {v} (X)={\frac {1-2p}{\sqrt {pq}}}} .

Wölbung und Exzess

Der Exzess der Zweipunktverteilung ist

γ ( X ) = 1 6 p q p q {\displaystyle \gamma (X)={\frac {1-6pq}{pq}}}

und damit ist die Wölbung

β 2 ( X ) = 1 3 p q p q {\displaystyle \beta _{2}(X)={\frac {1-3pq}{pq}}} .

Höhere Momente

Die k {\displaystyle k} -ten Momente ergeben sich als

E ( X k ) = q a k + p b k {\displaystyle \operatorname {E} (X^{k})=qa^{k}+pb^{k}} .

Dies kann beispielsweise mit der momenterzeugenden Funktion gezeigt werden.

Modus

Der Modus der Zweipunktverteilung ist

x D = { a falls  q > p a  und  b falls  q = p b falls  q < p {\displaystyle x_{D}={\begin{cases}a&{\text{falls }}q>p\\a{\text{ und }}b&{\text{falls }}q=p\\b&{\text{falls }}q<p\end{cases}}}

Median

Der Median der Zweipunktverteilung ist

m ~ = { a falls  q p b falls  q < p {\displaystyle {\tilde {m}}={\begin{cases}a&{\text{falls }}q\geq p\\b&{\text{falls }}q<p\end{cases}}}

Wahrscheinlichkeitserzeugende Funktion

Sind a , b N 0 {\displaystyle a,b\in \mathbb {N} _{0}} , so ist die wahrscheinlichkeitserzeugende Funktion

m X ( t ) = q t a + p t b {\displaystyle m_{X}(t)=qt^{a}+pt^{b}} .

Momenterzeugende Funktion

Die momenterzeugende Funktion ist für beliebiges a , b R {\displaystyle a,b\in \mathbb {R} } gegeben als

M X ( t ) = q e a t + p e b t {\displaystyle M_{X}(t)=qe^{at}+pe^{bt}} .

Charakteristische Funktion

Die charakteristische Funktion ist für beliebiges a , b R {\displaystyle a,b\in \mathbb {R} } gegeben als

φ X ( t ) = q e i a t + p e i b t {\displaystyle \varphi _{X}(t)=qe^{iat}+pe^{ibt}} .

Konstruktion der Verteilung zu vorgegebenen Parametern

Sind Erwartungswert m {\displaystyle m} , Standardabweichung s {\displaystyle s} und Schiefe t {\displaystyle t} vorgegeben, erhält man wie folgt eine passende Zweipunktverteilung:

p = ( 1 + t / 4 + t 2 ) / 2 , {\displaystyle p=(1+t/{\sqrt {4+t^{2}}})/2,}
q = 1 p , {\displaystyle q=1-p,}
a = m s q / p , {\displaystyle a=m-s\cdot {\sqrt {q/p}},}
b = m + s p / q . {\displaystyle b=m+s\cdot {\sqrt {p/q}}.}

Summen von zweipunktverteilten Zufallsvariablen

Die Zweipunktverteilung ist für p ( 0 , 1 ) {\displaystyle p\in (0,1)} nicht reproduktiv. Das heißt, wenn X 1 , X 2 {\displaystyle X_{1},X_{2}} zweipunktverteilt sind, dann ist X 1 + X 2 {\displaystyle X_{1}+X_{2}} nicht mehr zweipunktverteilt. Einzige Ausnahme ist der degenerierte Fall mit p = 1 {\displaystyle p=1} (bzw. q = 1 {\displaystyle q=1} ). Dann handelt es sich um eine Dirac-Verteilung auf b {\displaystyle b} (bzw. auf a {\displaystyle a} ), die entsprechend reproduktiv und sogar unendlich teilbar ist.

Beziehung zu anderen Verteilungen

Beziehung zur Bernoulli-Verteilung

Eine Zweipunktverteilung auf { 0 , 1 } {\displaystyle \{0,1\}} ist eine Bernoulli-Verteilung.

Beziehung zur Rademacher-Verteilung

Die Rademacher-Verteilung ist eine Zweipunktverteilung mit a = 1 , b = 1 , p = q = 1 2 {\displaystyle a=-1,b=1,p=q={\frac {1}{2}}} .

Literatur

  • Thomas Mack: Versicherungsmathematik. 2. Auflage. Verlag Versicherungswirtschaft, 2002, ISBN 388487957X.
  • P. H. Müller (Hrsg.): Lexikon der Stochastik – Wahrscheinlichkeitsrechnung und mathematische Statistik. 5. Auflage. Akademie-Verlag, Berlin 1991, ISBN 978-3-05-500608-1, Zweipunktverteilung (two-point distribution), S. 526–527. 
Diskrete univariate Verteilungen

Diskrete univariate Verteilungen für endliche Mengen:
Benford | Bernoulli | beta-binomial | binomial | Dirac | diskret uniform | empirisch | hypergeometrisch | kategorial | negativ hypergeometrisch | Rademacher | verallgemeinert binomial | Zipf | Zipf-Mandelbrot | Zweipunkt

Diskrete univariate Verteilungen für unendliche Mengen:
Boltzmann | Conway-Maxwell-Poisson | discrete-Phase-Type | erweitert negativ binomial | Gauss-Kuzmin | gemischt Poisson | geometrisch | logarithmisch | negativ binomial | parabolisch-fraktal | Poisson | Skellam | verallgemeinert Poisson | Yule-Simon | Zeta

Kontinuierliche univariate Verteilungen

Kontinuierliche univariate Verteilungen mit kompaktem Intervall:
Beta | Cantor | Kumaraswamy | raised Cosine | Dreieck | Trapez | U-quadratisch | stetig uniform | Wigner-Halbkreis

Kontinuierliche univariate Verteilungen mit halboffenem Intervall:
Beta prime | Bose-Einstein | Burr | Chi | Chi-Quadrat | Coxian | Erlang | Exponential | Extremwert | F | Fermi-Dirac | Folded normal | Fréchet | Gamma | Gamma-Gamma | verallgemeinert invers Gauß | halblogistisch | halbnormal | Hartman-Watson | Hotellings T-Quadrat | hyper-exponentiale | hypoexponential | invers Chi-Quadrat | scale-invers Chi-Quadrat | Invers Normal | Invers Gamma | Kolmogorow-Verteilung | Lévy | log-normal | log-logistisch | Maxwell-Boltzmann | Maxwell-Speed | Nakagami | nichtzentriert Chi-Quadrat | Pareto | Phase-Type | Rayleigh | relativistisch Breit-Wigner | Rice | Rosin-Rammler | shifted Gompertz | truncated normal | Type-2-Gumbel | Weibull | Wilks’ Lambda

Kontinuierliche univariate Verteilungen mit unbeschränktem Intervall:
Cauchy | Extremwert | exponential Power | Fishers z | Fisher-Tippett (Gumbel) | generalized hyperbolic | Hyperbolic-secant | Landau | Laplace | alpha-stabil | logistisch | normal (Gauß) | normal-invers Gauß’sch | Skew-normal | Studentsche t | Type-1-Gumbel | Variance-Gamma | Voigt

Multivariate Verteilungen

Diskrete multivariate Verteilungen:
Dirichlet compound multinomial | Ewens | gemischt Multinomial | multinomial | multivariat hypergeometrisch | multivariat Poisson | negativmultinomial | Pólya/Eggenberger | polyhypergeometrisch

Kontinuierliche multivariate Verteilungen:
Dirichlet | GEM | generalized Dirichlet | multivariat normal | multivariat Student | normalskaliert invers Gamma | Normal-Gamma | Poisson-Dirichlet

Multivariate Matrixverteilungen:
Gleichverteilung auf der Stiefel-Mannigfaltigkeit | Invers Wishart | Matrix Beta | Matrix Gamma | Matrix invers Beta | Matrix invers Gamma | Matrix Normal | Matrix Student-t | Matrix-Von-Mises-Fisher-Verteilung | Normal-invers-Wishart | Normal-Wishart | Wishart