3 Zentraler Grenzwertsatz
Starkes Gesetz der großen Zahlen: fast sichere Konvergenz der Realisierungen einer Folge von ZVen.
Nun: Konvergenz der Verteilungen einer Folge von ZVen.
Bezeichnung
C
X= { x ∈ R : F
X stetig inx }
Menge derStetigkeitspunkte der Verteilungsfunktion
X
. 39. BeispielX ∼ U ([a, b]) ⇒ C
X= R X ∼ N (µ, σ
2) ⇒ C
X= R
X ∼ B (n, p) ∧ p ∈ ]0, 1[ ⇒ C
X= R \ { 0, . . . , n }
40. Definition Folge
(X
n)
n∈N von ZVen konvergiert in Verteilung gegen eine ZVX
, falls∀ x ∈ C
X: lim
n→∞
F
Xn(x) = F
X(x)
Bez.:
X
n−→
dX
41. Beispiel F¨ur
X
n= a
n undX = a
mita, a
n∈ R
giltX
n−→
dX ⇔ lim
n→∞
a
n= a.
Beachte: Aus
a
n> a
folgtF
Xn(a) = 0
, w¨ahrendF
X(a) = 1
.42. Beispiel
(i) Satz III.37: Gelte
X
n∼ B (n, p
n)
mitlim
n→∞n · p
n= λ > 0
sowieX ∼ P (λ)
. DannX
n−→
dX
.(ii) ¨UBUNG M:H9, WInf:H9: Gelte
X
n∼ H (n, n
0(n), k)
mitn
0(n) ∈ { 1, . . . , n }
undlim
n→∞n
0(n)/n = p ∈ ]0, 1[
sowieX ∼ B (k, p)
.Dann
X
n−→
dX
.(iii) ¨UBUNG: Sei
Y
n Anzahl der F¨uhrungszeitpunkte bei symmetrischer Bernoulli-Irrfahrt der L ¨angen
,X
n= Y
n/n
undX
Arcussinus-verteilt, d.h.F
X(x) = 2/π · arcsin( √ x)
f¨ur
x ∈ [0, 1]
. DannX
n−→
dX
.(iv) TUTORIUM T2:3: Satz von de Moivre-Laplace. Gelte
Y
n∼ B (n, p)
mitp ∈ ]0, 1[
undX
n:= Y
n− n · p p n · p(1 − p)
sowie
X ∼ N (0, 1)
. DannX
n−→
dX
.43. Bemerkung Es existiert eine Metrik
ρ
aufM := { Q : Q
Wahrscheinlichkeitsmaß aufB
1} ,
so daß
X
n−→
dX ⇔ lim
n→∞
ρ(P
Xn, P
X) = 0,
siehe Vorlesung ”Probability Theory“.
44. Lemma Falls
F
X stetig undX
n−→
dX
:n→∞
lim sup
x∈R
| F
Xn(x) − F
X(x) | = 0.
Beweis. ¨UBUNG
45. Lemma Falls
F
X stetig undX
n−→
dX
:∀ A ∈ M : lim
n→∞
P ( { X
n∈ A } ) = P ( { X ∈ A } ).
Beweis. Gilt nach Defi nition f¨ur A = ]−∞, x]. F¨ur A = {x} und ε > 0 P({Xn ∈ A}) ≤ P ({x − ε < Xn ≤ x})
= P({Xn ≤ x}) − P({Xn ≤ x − ε}).
Somit
0 ≤ lim sup
n→∞
P({Xn ∈ A}) ≤ FX(x) − FX(x − ε).
Aufgrund der Stetigkeit von FX in x folgt
n→∞lim P({Xn ∈ A}) = 0 = P({X ∈ A}).
Im folgenden
• (X
i)
i∈N iid undX
1∈ L
2 mitσ
2:= Var(X
1) ∈ ]0, ∞ [
• µ := E(X
1)
• S
n∗:= S
n− n · µ σ · √
n
standardisierte Summenvariablen• Z
standard-normalverteilte Zufallsvariable Es giltE(S
n∗) = 0
undVar(S
n∗) = 1
.46. Satz Zentraler Grenzwertsatz
F¨ur jede Folge
(X
i)
i∈N wie oben giltS
n∗−→
dZ
.Beweis. Irle (2001, Kap. 12) und Vorlesung ”Probability Theory“.
47. Bemerkung Der zentrale Grenzwertsatz besagt grob: ”Ein Gesamteffekt, der Summe vieler kleiner zentrierter
unabh¨angiger Einzeleffekte ist, ist n ¨aherungsweise normalverteilt.“
48. Beispiel Dichten von Summen n unabh ¨angiger Exp(1)-verteilter ZVen
0 1 2 3 4 5 6 7
0.00.20.40.60.81.0
n= 1
0 2 4 6 8
0.00.10.20.3
n= 2
0.040.080.12
n= 10
0.010.020.030.040.05
n= 50
49. Beispiel Dichten von standardisierten Summen n unabh ¨angiger
Exp(1)-verteilter ZVen
−4 −2 0 2 4
0.00.10.20.30.40.5
n= 1
−4 −2 0 2 4
0.00.10.20.30.40.5
n= 2
−4 −2 0 2 4
0.00.10.20.30.40.5
n= 10
−4 −2 0 2 4
0.00.10.20.30.40.5
n= 50
50. Beispiel Sei
α > 0
. Betrachte symmetrischeBernoulli-Irrfahrt
(S
n)
n∈N. Gesucht: Folge(c
n)
n∈N in]0, ∞ [
, so daßn→∞
lim P ( {| S
n| ≤ c
n} ) = α.
Wahrscheinlichkeitsfunktion von Sn f¨ur n = 100
−1000 −80 −60 −40 −20 0 20 40 60 80 100
0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
k
P({S n=k})
Wahrscheinlichkeitsfunktion von Sn f¨ur n = 1000
−100000 −800 −600 −400 −200 0 200 400 600 800 1000
0.01 0.02 0.03 0.04
k
P({S n=k})
Standardisieren mit µ = 0 und σ = 1:
{|Sn| ≤ cn} = {−cn ≤ Sn ≤ cn} = {−cn/√
n ≤ Sn∗ ≤ cn/√
n}.
Also f¨ur cn := c · √ n
n→∞lim P({|Sn| ≤ cn}) = lim
n→∞ P({−c ≤ Sn∗ ≤ c})
= Φ(c) − Φ(−c) = 2Φ(c) − 1.
Somit leistet das (1 + α)/2-Quantil
c := Φ−1((1 + α)/2)
der Standard-Normalverteilung das Verlangte.
51. Beispiel ¨Uberbuchung von Flugverbindungen:
•
Kapazit¨atK ∈ N
•
Buchungsanzahln ∈ N
, wobei die Passagiereunabh¨angig jeweils mit Wahrscheinlichkeit
p ∈ ]0, 1[
erscheinen
Gegeben
α ∈ ]0, 1[
. Bestimmen ∈ N
, so daß ¨Uberbuchung ungef¨ahr mit Wahrscheinlichkeitα
.Modell:
X
1, . . . , X
n iid,X
1∼ B (1, p)
.Es gilt nPn
i=1 Xi > Ko
= {Sn∗ > cn} mit Sn∗ :=
Xn
i=1
(Xi − p)/p
n · p · (1 − p), cn := (K − n · p)/p
n · p · (1 − p).
Somit ist cn n¨aherungsweise durch cn = Φ−1(1 − α) gegeben.
F¨ur K := 1000, p := 0, 9 und α := 0, 01 ergibt sich n ¨aherungsweise
cn = 2, 33 und
n = 1086.
Hiermit gilt f¨ur die erwartete Anzahl nicht bef ¨orderter Passagiere bei hinreichend großem n
E
max
Xn
Xi − K, 0
≤ 86 · P nXn
Xi > Ko
< 1.
320/1
52. Satz F¨ur
a, b, µ, µ
i∈ R
mita 6 = 0
undσ, σ
i∈ ]0, ∞ [
gilt:
(i) Falls
X ∼ N (µ, σ
2)
, danna · X + b ∼ N (a · µ + b, a
2· σ
2)
.(ii) Falls
X
1, . . . , X
n unabh¨angig undX
i∼ N (µ
i, σ
i2)
, dannP
ni=1
X
i∼ N (µ, σ
2)
mitµ := P
ni=1
µ
i undσ
2:= P
ni=1
σ
i2.Beweis. ¨UBUNG
53. Bemerkung Satz 52 zeigt, daß