Erwartungswert eines Produkts

Erwartungswert eines Produkts

Studium
E(X⋅Y)=E(X)⋅E(Y)E(X \cdot Y) = E(X) \cdot E(Y)

Voraussetzung: X,YX, Y stochastisch unabhängig,, E(∣X∣)<∞,E(|X|) < \infty, E(∣Y∣)<∞E(|Y|) < \infty

X,YX, Y
unabhängige Zufallsgrößen auf demselben Wahrscheinlichkeitsraum
EE
Erwartungswert

Bei unabhängigen Zufallsgrößen ist der Erwartungswert des Produkts gleich dem Produkt der Erwartungswerte.

Erklärung

Für unabhängige Zufallsgrößen darf man den Erwartungswert eines Produkts faktorweise ausrechnen. Für diskrete Größen sieht man das direkt: Wegen der Unabhängigkeit ist P(X=x,Y=y)=P(X=x)⋅P(Y=y)P(X = x, Y = y) = P(X = x) \cdot P(Y = y), und die Doppelsumme zerfällt in ein Produkt:

E(XY)=∑x∑yx y P(X=x) P(Y=y)=∑xx P(X=x)⋅∑yy P(Y=y)E(XY) = \sum_{x}\sum_{y} x\,y\,P(X = x)\,P(Y = y) = \sum_{x} x\,P(X = x) \cdot \sum_{y} y\,P(Y = y)

Ohne Unabhängigkeit gilt die Regel im Allgemeinen nicht. Die Abweichung misst genau die Kovarianz:

Cov⁡(X,Y)=E(XY)−E(X) E(Y)\operatorname{Cov}(X, Y) = E(XY) - E(X)\,E(Y)

Daraus folgt:

  • Unabhängige Größen sind unkorreliert: Cov⁡(X,Y)=0\operatorname{Cov}(X, Y) = 0.
  • Die Umkehrung ist falsch. E(XY)=E(X) E(Y)E(XY) = E(X)\,E(Y) heißt nur „unkorreliert“, nicht „unabhängig“ (Beispiel 3).
  • Bei Unabhängigkeit ist deshalb V(X+Y)=V(X)+V(Y)V(X + Y) = V(X) + V(Y).

Die Regel überträgt sich auf mehr Faktoren: Für unabhängige X1,…,XnX_1, \ldots, X_n ist E(X1⋯Xn)=E(X1)⋯E(Xn)E(X_1 \cdots X_n) = E(X_1) \cdots E(X_n). Im Gegensatz zur Linearität E(X+Y)=E(X)+E(Y)E(X + Y) = E(X) + E(Y), die immer gilt, braucht die Produktregel also eine Voraussetzung.

Beispiele

Zwei Würfel: XX und YY sind die Augenzahlen zweier unabhängiger Würfel, E(X)=E(Y)=3,5E(X) = E(Y) = 3{,}5. Dann ist

E(XY)=3,52=12,25E(XY) = 3{,}5^2 = 12{,}25

Das stimmt mit dem Mittel der 3636 gleich wahrscheinlichen Produkte i⋅ji \cdot j überein.

Derselbe Würfel zweimal: Setzt man Y=XY = X, ist E(X⋅X)=E(X2)=1+4+9+16+25+366=916≈15,17E(X \cdot X) = E(X^2) = \frac{1 + 4 + 9 + 16 + 25 + 36}{6} = \frac{91}{6} \approx 15{,}17, nicht 12,2512{,}25. Die Differenz ist

Cov⁡(X,X)=916−494=3512≈2,92\operatorname{Cov}(X, X) = \frac{91}{6} - \frac{49}{4} = \frac{35}{12} \approx 2{,}92

also die Varianz eines Würfels.

Unkorreliert, aber abhängig: XX sei gleichverteilt auf {−1,0,1}\{-1, 0, 1\} und Y=X2Y = X^2. Dann ist E(XY)=E(X3)=0E(XY) = E(X^3) = 0, E(X)=0E(X) = 0 und E(Y)=23E(Y) = \frac{2}{3}, also E(XY)=E(X) E(Y)=0E(XY) = E(X)\,E(Y) = 0. Trotzdem ist YY durch XX festgelegt: P(X=0,Y=0)=13P(X = 0, Y = 0) = \frac{1}{3}, aber P(X=0)⋅P(Y=0)=13⋅13=19P(X = 0) \cdot P(Y = 0) = \frac{1}{3} \cdot \frac{1}{3} = \frac{1}{9}.

Typische Fehler

  • Die Regel ohne Unabhängigkeit anwenden. Für E(X2)E(X^2) gilt nicht E(X)2E(X)^2; der Unterschied ist die Varianz.
  • Aus Cov⁡(X,Y)=0\operatorname{Cov}(X, Y) = 0 auf Unabhängigkeit schließen. Das dritte Beispiel zeigt, dass das nicht folgt.
  • Die Regel auf Quotienten übertragen. Auch bei Unabhängigkeit ist E(XY)E\left(\frac{X}{Y}\right) im Allgemeinen nicht E(X)E(Y)\frac{E(X)}{E(Y)}, sondern E(X)⋅E(1Y)E(X) \cdot E\left(\frac{1}{Y}\right), sofern dieser Erwartungswert existiert.

Verwandte Formeln