Satz 80
F¨ ur rekurrente Ereignisse gilt
H(s) = 1 1 − T (s) . Beweis:
[Skizze]Nach dem Satz von der totalen Wahrscheinlichkeit gilt f¨ ur die Auftrittswahrscheinlichkeit h
n(n ∈ N )
h
n= Pr[H
n] =
∞
X
k=1
Pr[H
n| Z = k] · Pr[Z = k] . Gem¨ aß der Definition eines rekurrenten Ereignisses gilt f¨ ur k < n
Pr[H
n| Z = k] = Pr[H
n| H ¯
1∩ . . . ∩ H ¯
k−1∩ H
k] = Pr[H
n−k]
DS II 7.3 Rekurrente Ereignisse 191/214
ľErnst W. Mayr
Beweis (Forts.):
sowie
Pr[H
n| Z = n] = 1
Pr[H
n| Z = k] = 0 f¨ ur k > n . Damit folgt f¨ ur n ∈ N
h
n=
n
X
k=1
h
n−k· Pr[Z = k] =
n
X
k=0
h
n−k· Pr[Z = k] . F¨ ur n = 0 ergibt die rechte Seite dieser Gleichung 0. Damit entsteht durch Faltung der beiden Folgen (h
0, h
1, . . .) und (Pr[Z = 0], Pr[Z = 1], . . .) die Folge (0, h
1, h
2, . . .). F¨ ur die erzeugenden Funktionen gilt deshalb H(s) − 1 = H(s)T (s).
DS II 7.3 Rekurrente Ereignisse 192/214
ľErnst W. Mayr
Beispiel 81
In dem einfachen Fall, dass die Ereignisse H
1, H
2, . . . unabh¨ angig mit Wahrscheinlichkeit p eintreten, ist die Wartezeit geometrisch verteilt.
H(s) = 1 +
∞
X
k=1
ps
k= 1 + sp
1 − s = sp + 1 − s 1 − s . Daraus folgt
T (s) = 1 − 1
H(s) = 1 − 1 − s
sp + 1 − s = sp 1 − (1 − p)s . T(s) ist also die w.e. Funktion der geometrischen Verteilung mit Erfolgswahrscheinlichkeit p.
DS II 7.3 Rekurrente Ereignisse 193/214
ľErnst W. Mayr
Korollar 82
F¨ ur rekurrente Ereignisse gilt Pr[Z < ∞] = 1 genau dann, wenn H(1) = ∞ ist, wenn also die Summe P
∞k=1
h
kder Auftrittswahrscheinlichkeiten divergiert.
Beweis:
Nach Satz 80 gilt T (s) = (H(s) − 1)/H(s). Daraus folgt Pr[Z < ∞] = T(1) = 1 − 1/H (1) .
DS II 7.3 Rekurrente Ereignisse 194/214
ľErnst W. Mayr
Beispiel 83
Wir wenden Korollar 82 auf den Random Walk im Z
dan.
Aus der Stirlingformel folgt
n! = Θ( √
n(n/e)
n) und damit f¨ ur d = 1
2n n
= (2n)!
(n!)
2= Θ √
2n(2n)
2ne
2n·
e
n√ nn
n 2!
= Θ 2
2n√ n
.
DS II 7.3 Rekurrente Ereignisse 195/214
ľErnst W. Mayr
Beispiel (Forts.)
Also
H(1) =
∞
X
k=0
h
k=
∞
X
k=0
2k k
2
−2k=
∞
X
k=0
Θ(k
−1/2) = ∞, da die Summe P
∞k=0
1/k
αf¨ ur α ≤ 1 divergiert. Nach Korollar 82 kehrt das Partikel also mit Wahrscheinlichkeit 1 immer wieder zum Ausgangspunkt zur¨ uck.
DS II 7.3 Rekurrente Ereignisse 196/214
ľErnst W. Mayr
Beispiel (Forts.) F¨ ur d ∈ N gilt allgemein
H(1) =
∞
X
k=0
h
k=
∞
X
k=0
Θ(k
−(1/2)d).
F¨ ur d = 1 und d = 2 divergiert diese Summe, w¨ ahrend sie f¨ ur d ≥ 3 konvergiert. Das Partikel kehrt also im ein- und im zweidimensionalen Raum mit Wahrscheinlichkeit 1 zum
Ausgangspunkt zur¨ uck, im drei- oder h¨ oherdimensionalen Raum jedoch nicht mehr. Im dreidimensionalen Fall gilt
Pr[ ” Partikel kehrt nie zum Ausgangspunkt zur¨ uck“]
= Pr[Z = ∞] = 1/H(1) = 1/
∞
X
k=0
( 2k
k
2
−2k)
3≈ 0,7178 .
DS II 7.3 Rekurrente Ereignisse 197/214
ľErnst W. Mayr
Beispiel (Forts.)
0,5 0,6 0,7 0,8 0,9 1,0
3 4 5 6 7
WS( ” Keine R¨ uckkehr zum Anfang“) f¨ ur den Random Walk in Z
dDS II 7.3 Rekurrente Ereignisse 198/214
ľErnst W. Mayr
8. Formelsammlung
8.1 Gesetze zum Rechnen mit Ereignissen
Im Folgenden seien A und B, sowie A
1, . . . , A
nEreignisse. Die Notation A ] B steht f¨ ur A ∪ B und zugleich A ∩ B = ∅ (disjunkte Vereinigung). A
1] . . . ] A
n= Ω bedeutet also, dass die Ereignisse A
1, . . . , A
neine Partition der Ergebnismenge Ω bilden.
Pr[∅] = 0 0 ≤ Pr[A] ≤ 1 Pr[ ¯ A] = 1 − Pr[A]
A ⊆ B = ⇒ Pr[A] ≤ Pr[B ]
DS II 8.1 Gesetze zum Rechnen mit Ereignissen 199/214
ľErnst W. Mayr
∀i 6= j : A
i∩ A
j= ∅ = ⇒ Pr [ S
ni=1
A
i] = P
ni=1
Pr[A
i] Additionssatz Pr[A ∪ B] = Pr[A] + Pr[B] − Pr[A ∩ B]
allgemeine Form: siehe Satz 9
Inklusion/Exklusion, Siebformel
Pr [ S
ni=1
A
i] ≤ P
ni=1
Pr[A
i] Boolesche
Ungleichung
Pr[A|B ] =
Pr[A∩B]Pr[B]f¨ ur Pr[B ] > 0 Def. bedingte Ws.
DS II 8.1 Gesetze zum Rechnen mit Ereignissen 200/214
ľErnst W. Mayr
B ⊆ A
1] . . . ] A
n= ⇒ Pr[B] = P
ni=1
Pr[B|A
i] · Pr[A
i]
Satz von der totalen Wahrscheinlichkeit
Pr[B] > 0, B ⊆ A
1] . . . ] A
n= ⇒ Pr[A
i|B ] =
PnPr[B|Ai]·Pr[Ai]i=1Pr[B|Ai]·Pr[Ai]
Satz von Bayes
Multiplikationssatz Pr[A
1∩ . . . ∩ A
n] = Pr[A
1]· Pr[A
2|A
1]· . . . ·Pr[A
n|A
1∩ . . . ∩ A
n−1] A und B unabh¨ angig ⇐⇒
Pr[A ∩ B] = Pr[A] · Pr[B ]
Definition Unabh¨ angigkeit
DS II 8.1 Gesetze zum Rechnen mit Ereignissen 201/214
ľErnst W. Mayr
8.2 Erwartungswert und Varianz diskreter Zufallsvariablen
Sei X eine diskrete Zufallsvariable. F¨ ur Erwartungswert und Varianz gelten die folgenden Formeln (sofern E [X ] und Var[X ] existieren).
E [X ] = X
x∈WX
x · Pr[X = x]
= X
ω∈Ω
X(ω) · Pr[ω]
=
∞
X
i=1
Pr[X ≥ i], falls W
X⊆ N
0Erwartungswert
Var[X] = E [(X − E [X])
2]
= P
x∈WX
Pr[X = x] · (x − E [X ])
2Varianz
DS II 8.2 Erwartungswert und Varianz diskreter Zufallsvariablen 202/214 ľErnst W. Mayr
8.3 Gesetze zum Rechnen mit Zufallsvariablen Seien a, b, a
1, . . . , a
n∈ R, f
1, . . . , f
n: R → R.
X
1, . . . , X
nunabh¨ angig ⇐⇒ f¨ ur alle a
1, . . . , a
nPr[X
1= a
1, . . . , X
n= a
n]
= Pr[X
1= a
1] · . . . · Pr[X
n= a
n]
X
1, . . . , X
nunabh¨ angig = ⇒ f
1(X
1), . . . , f
n(X
n) unabh¨ angig E [a · X + b] = a · E [X] + b
DS II 8.3 Gesetze zum Rechnen mit Zufallsvariablen 203/214
ľErnst W. Mayr
X(ω) ≤ Y (ω) f¨ ur alle ω ∈ Ω = ⇒ E[X] ≤ E[Y ]
Monotonie des Erwartungswerts
E[X] = P
ni=1
E[X|A
i] · Pr[A
i] Var[X] = E [X
2] − E [X]
2Var[a · X + b] = a
2· Var[X]
DS II 8.3 Gesetze zum Rechnen mit Zufallsvariablen 204/214
ľErnst W. Mayr
E [a
1X
1+ . . . + a
nX
n]
= a
1E[X
1] + . . . + a
nE[X
n]
Linearit¨ at des Erwartungswerts
X
1, . . . , X
nunabh¨ angig = ⇒
E[X
1· . . . · X
n] = E[X
1] · . . . · E[X
n]
Multiplikativit¨ at des Erwartungswerts
X
1, . . . , X
nunabh¨ angig = ⇒
Var[X
1+ . . . + X
n] = Var[X
1] + . . . + Var[X
n]
Varianz einer Summe
DS II 8.3 Gesetze zum Rechnen mit Zufallsvariablen 205/214
ľErnst W. Mayr
X ≥ 0 = ⇒ Pr[X ≥ t] ≤
E [X]/t f¨ ur t > 0 Markov
Pr[|X − E [X]| ≥ t] ≤
Var[X]/t
2f¨ ur t > 0 Chebyshev
siehe Satz 62 Gesetz der
großen Zahlen
DS II 8.3 Gesetze zum Rechnen mit Zufallsvariablen 206/214
ľErnst W. Mayr
Kapitel II Kontinuierliche Wahrschein- lichkeitsr¨ aume
1. Einf¨ uhrung
1.1 Motivation
Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung.
DS II 1.1 Motivation 207/214
ľErnst W. Mayr
Beispiel 84
Wir betrachten das Szenario: Bei einem Druckerserver kommen Auftr¨ age in einer Warteschlange an, die alle 1/n Zeiteinheiten vom Server abgefragt wird. Der Server nimmt also zu den diskreten Zeitpunkte 1/n, 2/n, 3/n, . . . neue Auftr¨ age entgegen. Durch den Grenzwert n → ∞
” verschmelzen“ diese diskreten Zeitpunkte zu einer kontinuierlichen Zeitachse und f¨ ur die Zufallsvariable T , welche die Zeitspanne bis zum Eintreffen des n¨ achsten Auftrags misst, reicht eine diskrete Wertemenge W
Tnicht mehr aus.
DS II 1.1 Motivation 208/214
ľErnst W. Mayr
1.2 Kontinuierliche Zufallsvariablen
Definition 85
Eine kontinuierliche oder auch stetige Zufallsvariable X und ihr zugrunde liegender kontinuierlicher (reeller)
Wahrscheinlichkeitraum sind definiert durch eine integrierbare Dichte(-funktion) f
X: R → R
+0mit der Eigenschaft
Z
+∞−∞
f
X(x) d x = 1.
Eine Menge A ⊆ R , die durch Vereinigung A = S
k
I
kabz¨ ahlbar vieler paarweise disjunkter Intervalle beliebiger Art (offen,
geschlossen, halboffen, einseitig unendlich) gebildet werden kann, heißt Ereignis. Ein Ereignis A tritt ein, wenn X einen Wert aus A annimmt. Die Wahrscheinlichkeit von A ist bestimmt durch
Pr[A] = Z
A
f
X(x) d x = X
k
Z
Ik
f
X(x) d x.
DS II 1.2 Kontinuierliche Zufallsvariablen 209/214
ľErnst W. Mayr
Beispiel 86 (Gleichverteilung)
Eine besonders einfache kontinuierliche Dichte stellt die
Gleichverteilung auf dem Intervall [a, b] dar. Sie ist definiert durch f(x) =
(
1b−a
f¨ ur x ∈ [a, b], 0 sonst.
Analog zum diskreten Fall ordnen wir jeder Dichte f
Xeine Verteilung oder Verteilungsfunktion F
Xzu:
F
X(x) := Pr[X ≤ x] = Pr[{t ∈ R | t ≤ x}] = Z
x−∞
f
X(t) d t.
DS II 1.2 Kontinuierliche Zufallsvariablen 210/214
ľErnst W. Mayr
Beispiel 87
Die Verteilungsfunktion der Gleichverteilung:
F (x) = Z
x−∞
f (t) d t =
0 f¨ ur x < a,
x−a
b−a
f¨ ur a ≤ x ≤ b, 1 f¨ ur x > b.
DS II 1.2 Kontinuierliche Zufallsvariablen 211/214
ľErnst W. Mayr
-0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4
-0,5 0,0 0,5 1,0 1,5
f(x)
-0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4
-0,5 0,0 0,5 1,0 1,5
F(x)
Gleichverteilung ¨ uber dem Intervall [0, 1]
DS II 1.2 Kontinuierliche Zufallsvariablen 212/214
ľErnst W. Mayr
Beobachtungen:(Eigenschaften der Verteilungsfunktion) F
Xist monoton steigend.
F
Xist stetig. Man spricht daher auch von einer
” stetigen Zufallsvariablen“.
Es gilt: lim
x→−∞F
X(x) = 0 und lim
x→∞F
X(x) = 1.
Jeder (außer an endlich vielen Punkten) differenzierbaren Funktion F , welche die zuvor genannten Eigenschaften erf¨ ullt, k¨ onnen wir eine Dichte f durch f (x) = F
0(x) zuordnen.
Es gilt
Pr[a < X ≤ b] = F
X(b) − F
X(a) .
DS II 1.2 Kontinuierliche Zufallsvariablen 213/214
ľErnst W. Mayr
Bei den von uns betrachteten Dichten besteht zwischen den Ereignissen
” a < X ≤ b“,
” a ≤ X ≤ b“,
” a ≤ X < b“ und
” a < X < b“ kein wesentlicher Unterschied, da Z
[a,b]
f (t) d t = Z
]a,b]
f (t) d t = Z
[a,b[
f (t) d t = Z
]a,b[
f(t) d t.
DS II 1.2 Kontinuierliche Zufallsvariablen 214/214
ľErnst W. Mayr