Binomialverteilung
F¨ ur X ∼ Bin(n, p) gilt nach der binomischen Formel G
X(s) = E [s
X] =
n
X
k=0
n k
p
k(1 − p)
n−k· s
k= (1 − p + ps)
n.
Geometrische Verteilung
Sei X eine geometrisch verteilte Zufallsvariable mit Erfolgswahrscheinlichkeit p. Dann gilt
G
X(s) = E [s
X] =
∞
X
k=1
p(1 − p)
k−1· s
k= ps ·
∞
X
k=1
((1 − p)s)
k−1= ps 1 − (1 − p)s .
DWT 7.1 Einf¨uhrung 179/467
©Ernst W. Mayr
Poisson-Verteilung F¨ ur X ∼ Po(λ) gilt
G
X(s) = E [s
X] =
∞
X
k=0
e
−λλ
kk! · s
k= e
−λ+λs= e
λ(s−1).
DWT 7.1 Einf¨uhrung 180/467
©Ernst W. Mayr
Beispiel 72
Sei X binomialverteilt mit X ∼ Bin(n, λ/n), F¨ ur n → ∞ folgt G
X(s) =
1 − λ
n + λs n
n=
1 + λ(s − 1) n
n→ e
λ(s−1).
Man kann beweisen, dass aus der Konvergenz der
wahrscheinlichkeitserzeugenden Funktion die Konvergenz der Verteilung folgt.
DWT 7.1 Einf¨uhrung 181/467
©Ernst W. Mayr
7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten
Da
G
X(s) :=
∞
X
k=0
Pr[X = k] · s
k= E[s
X] , gilt
G
0X(1) =
∞
X
k=1
k · Pr[X = k] = E [X] .
DWT 7.1 Einf¨uhrung 182/467
©Ernst W. Mayr
Beispiel 73
Sei X binomialverteilt mit X ∼ Bin(n, p), also G
X(s) = (1 − p + ps)
n. Dann gilt
G
0X(s) = n · (1 − p + ps)
n−1· p und somit
E [X] = G
0X(1) = np .
DWT 183/467
©Ernst W. Mayr
Beispiel 73 Ebenso ergibt sich
E [X(X − 1) . . . (X − k + 1)] = G
(k)X(1) , also etwa
Var[X] = E [X(X − 1)] + E [X] − E [X]
2= G
00X(1) + G
0X(1) − (G
0X(1))
2.
Andere Momente von X kann man auf ¨ ahnliche Art und Weise berechnen.
DWT 7.1 Einf¨uhrung 183/467
©Ernst W. Mayr
Momenterzeugende Funktionen Definition 74
Zu einer Zufallsvariablen X ist die momenterzeugende Funktion gem¨ aß
M
X(s) := E [e
Xs] definiert.
Es gilt
M
X(s) = E [e
Xs] = E
"
∞X
i=0
(Xs)
ii!
#
=
∞
X
i=0
E [X
i] i! · s
iund
M
X(s) = E [e
Xs] = E [(e
s)
X] = G
X(e
s) .
DWT 7.1 Einf¨uhrung 184/467
©Ernst W. Mayr
7.2 Summen von Zufallsvariablen
Satz 75 (Erzeugende Funktion einer Summe) F¨ ur unabh¨ angige Zufallsvariablen X
1, . . . , X
nund die Zufallsvariable Z := X
1+ . . . + X
ngilt
G
Z(s) = G
X1(s) · . . . · G
Xn(s) . Ebenso gilt
M
Z(s) = M
X1(s) · . . . · M
Xn(s) . Beweis:
Wegen der Unabh¨ angigkeit von X
1, . . . , X
ngilt
G
Z(s) = E[s
X1+...+Xn] = E[s
X1]·. . .· E[s
Xn] = G
X1(s)·. . .·G
Xn(s).
DWT 7.2 Summen von Zufallsvariablen 185/467
©Ernst W. Mayr
Beispiel 76
Seien X
1, . . . X
kmit X
i∼ Bin(n
i, p) unabh¨ angige Zufallsvariable und Z := X
1+ . . . + X
k. Dann gilt
G
Z(s) =
k
Y
i=1
(1 − p + ps)
ni= (1 − p + ps)
Pki=1niund somit
Z ∼ Bin(
k
X
i=1
n
i, p) (vgl. Satz 56).
Seien X
1, . . . , X
k∼ Po(λ) unabh¨ angige Zufallsvariablen. Dann folgt f¨ ur Z := X
1+ . . . + X
kG
Z(s) =
k
Y
i=1
e
λ(s−1)= e
kλ(s−1)und somit Z ∼ Po(kλ) (vgl. Satz 59).
DWT 7.2 Summen von Zufallsvariablen 186/467
©Ernst W. Mayr
7.2.1 Zuf¨ allige Summen
Wir betrachten die Situation, dass Z := X
1+ . . . + X
N, wobei N ebenfalls eine Zufallsvariable ist.
Satz 77
Seien X
1, X
2, . . . unabh¨ angige und identisch verteilte Zufallsvariablen mit der wahrscheinlichkeitserzeugenden
Funktion G
X(s). N sei ebenfalls eine unabh¨ angige Zufallsvariable mit der wahrscheinlichkeitserzeugenden Funktion G
N(s). Dann besitzt die Zufallsvariable Z := X
1+ . . . + X
Ndie
wahrscheinlichkeitserzeugende Funktion G
Z(s) = G
N(G
X(s)).
DWT 7.2 Summen von Zufallsvariablen 187/467
©Ernst W. Mayr
Beweis:
Nach Voraussetzung ist W
N⊆ N
0. Deshalb folgt mit Satz 36 G
Z(s) =
∞
X
n=0
E[s
Z| N = n] · Pr[N = n]
=
∞
X
n=0
E [s
X1+...+Xn] · Pr[N = n]
=
∞
X
n=0
E [s
X1] · . . . · E [s
Xn] · Pr[N = n]
=
∞
X
n=0
(G
X(s))
n· Pr[N = n]
= E [(G
X(s))
N]
= G
N(G
X(s)) .
DWT 7.2 Summen von Zufallsvariablen 188/467
©Ernst W. Mayr
7.3 Rekurrente Ereignisse
Beispiel 78 (Random Walk im d-dimensionalen Gitter Z
d) Wir betrachten ein Partikel, das sich zuf¨ allig auf den Punkten aus Z bewegt. Es starte im Punkt 0 und bewege sich in jedem
Zeitschritt jeweils mit Wahrscheinlichkeit 1/2 vom Punkt i zum Punkt i + 1 (
” nach rechts“) bzw. i − 1 (
” nach links“). Man nennt dieses Experiment auch Random Walk auf den ganzen Zahlen.
Abbildung 1 veranschaulicht diesen Prozess.
0 1 2 3
1 2 3
Abbildung: Random Walk auf den ganzen Zahlen
DWT 7.3 Rekurrente Ereignisse 189/467
©Ernst W. Mayr
F¨ ur k ∈ N bezeichne H
kdas Ereignis H
k:=
” Partikel befindet sich im k-ten Schritt im Punkt 0“. Die Anzahl der Schritte nach rechts bzw. nach links bis zum k-ten Schritt ist binomialverteilt mit den Parametern n = k und p = 1/2.
F¨ ur die Wahrscheinlichkeit h
k:= Pr[H
k] erhalten wir deshalb h
k=
k k/2
2
−k, falls k gerade ist und h
k= 0 sonst.
Verallgemeinerung auf Z
d, d ∈ N:
h
k= k
k/2
2
−k df¨ ur k gerade.
DWT 7.3 Rekurrente Ereignisse 190/467
©Ernst W. Mayr
Sei h
0kdie Wahrscheinlichkeit, dass das Partikel im k-ten Schritt zum ersten Mal zum Punkt 0
dzur¨ uckkehrt, und sei r := P
∞k=1
h
0kdie Wahrscheinlichkeit, dass das Partikel irgendwann zum
Startpunkt zur¨ uckkehrt.
Wie h¨ angt r von d ab?
DWT 7.3 Rekurrente Ereignisse 191/467
©Ernst W. Mayr
Der gerade beschriebene Prozess hat die Eigenschaft, dass sich das Experiment nach jedem Besuch im Zustand 0 wieder genauso verh¨ alt wie beim Start des Prozesses im Zustand 0. Mit solchen Ereignissen besch¨ aftigt sich die Erneuerungstheorie (engl. renewal theory).
Definition 79
Die Ereignisse H
1, H
2, . . . heißen rekurrent, wenn f¨ ur i, j ∈ N mit i > j gilt, dass
Pr[H
i| H ¯
1∩ . . . ∩ H ¯
j−1∩ H
j] = Pr[H
i−j] .
Die Zufallsvariable Z mit W
Z= N ∪ {∞} messe die Wartezeit bis zum Auftreten des ersten Ereignisses H
k. Die Dichte von Z ist definiert durch
Pr[Z = k] = Pr[ ¯ H
1∩ . . . ∩ H ¯
k−1∩ H
k], f¨ ur k ∈ N und Pr[Z = ∞] = 1 − P
∞k=0
Pr[Z = k].
DWT 7.3 Rekurrente Ereignisse 192/467
©Ernst W. Mayr
Definition 80
F¨ ur i ∈ N bezeichne h
i:= Pr[H
i] die Auftrittswahrscheinlichkeit im i-ten Zeitschritt. Wir setzen h
0:= 1 und erhalten die
erzeugende Funktion der Auftrittswahrscheinlichkeiten gem¨ aß
H(s) :=
∞
X
k=0
h
ks
k.
Ferner sei die erzeugende Funktion der Wartezeit Z gegeben durch
T(s) :=
∞
X
k=0
Pr[Z = k] · s
k.
DWT 7.3 Rekurrente Ereignisse 193/467
©Ernst W. Mayr
Bemerkung:
H(s) ist keine wahrscheinlichkeitserzeugende Funktion im Sinne der Definition. So gilt i.a. nicht H(1) = 1. Auch T (s) stellt keine
” echte“ wahrscheinlichkeitserzeugende Funktion dar, da Pr[Z = ∞] = 1 − X
k∈N0
Pr[Z = k] = 1 − T (1) fehlt!
DWT 7.3 Rekurrente Ereignisse 194/467
©Ernst W. Mayr
Satz 81
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]
DWT 7.3 Rekurrente Ereignisse 195/467
©Ernst 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).
DWT 7.3 Rekurrente Ereignisse 196/467
©Ernst W. Mayr
Beispiel 82
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.
DWT 7.3 Rekurrente Ereignisse 197/467
©Ernst W. Mayr
Korollar 83
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 81 gilt T (s) = (H(s) − 1)/H(s). Daraus folgt Pr[Z < ∞] = T(1) = 1 − 1/H (1) .
DWT 7.3 Rekurrente Ereignisse 198/467
©Ernst W. Mayr
Beispiel 84
Wir wenden Korollar 83 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
.
DWT 7.3 Rekurrente Ereignisse 199/467
©Ernst 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 83 kehrt das Partikel also mit Wahrscheinlichkeit 1 immer wieder zum Ausgangspunkt zur¨ uck.
DWT 7.3 Rekurrente Ereignisse 200/467
©Ernst 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 .
DWT 7.3 Rekurrente Ereignisse 201/467
©Ernst 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
dDWT 7.3 Rekurrente Ereignisse 202/467
©Ernst W. Mayr