3.5 Momenterzeugende Funktionen f¨ ur kontinuierliche Zufallsvariablen
F¨ ur diskrete Zufallsvariablen X haben wir die momenterzeugende Funktion
M
X(s) = E[e
Xs]
eingef¨ uhrt. Diese Definition kann man unmittelbar auf
kontinuierliche Zufallsvariablen ¨ ubertragen. Die f¨ ur M
X(s)
gezeigten Eigenschaften bleiben dabei erhalten.
Beispiel 114
F¨ ur eine auf [a, b] gleichverteilte Zufallsvariable U gilt M
U(t) = E [e
tX] =
Z
b ae
tx· 1 b − a dx
=
e
txt(b − a)
b a= e
tb− e
tat(b − a) .
Beispiel (Forts.)
F¨ ur eine standardnormalverteilte Zufallsvariable N ∼ N (0, 1) gilt M
N(t) = 1
√ 2π Z
+∞−∞
e
tξe
−ξ2/2dξ
= e
t2/2· 1
√ 2π Z
+∞−∞
e
−(t−ξ)2/2dξ
= e
t2/2.
Beispiel (Forts.)
Daraus ergibt sich f¨ ur Y ∼ N (µ, σ
2) wegen
Yσ−µ∼ N (0, 1) M
Y(t) = E [e
tY]
= e
tµ· E [e
(tσ)·Y−µσ]
= e
tµ· M
N(tσ)
= e
tµ+(tσ)2/2.
Weiterer Beweis von Satz 113:
Beweis:
Gem¨ aß dem vorhergehenden Beispiel gilt M
Xi(t) = e
tµi+(tσi)2/2. Wegen der Unabh¨ angigkeit der X
ifolgt
M
Z(t) = E [e
t(a1X1+···+anXn)] =
n
Y
i=1
E [e
(ait)Xi]
=
n
Y
i=1
M
Xi(a
it)
=
n
Y
i=1
e
aitµi+(aitσi)2/2= e
tµ+(tσ)2/2,
mit µ = a
1µ
1+ · · · + a
nµ
nund σ
2= a
21σ
21+ · · · + a
2nσ
n2.
4. Zentraler Grenzwertsatz
Satz 115 (Zentraler Grenzwertsatz)
Die Zufallsvariablen X
1, . . . , X
nbesitzen jeweils dieselbe
Verteilung und seien unabh¨ angig. Erwartungswert und Varianz von X
iexistieren f¨ ur i = 1, . . . , n und seien mit µ bzw. σ
2bezeichnet (σ
2> 0).
Die Zufallsvariablen Y
nseien definiert durch Y
n:= X
1+ . . . + X
nf¨ ur n ≥ 1. Dann folgt, dass die Zufallsvariablen
Z
n:= Y
n− nµ σ √
n
asymptotisch standardnormalverteilt sind, also Z
n∼ N (0, 1) f¨ ur
n → ∞.
Etwas formaler ausgedr¨ uckt gilt: Die Folge der zu Z
ngeh¨ orenden Verteilungsfunktionen F
nhat die Eigenschaft
n→∞
lim F
n(x) = Φ(x) f¨ ur alle x ∈ R .
Wir sagen dazu auch: Die Verteilung von Z
nkonvergiert gegen die
Standardnormalverteilung f¨ ur n → ∞.
Dieser Satz ist von großer Bedeutung f¨ ur die Anwendung der
Normalverteilung in der Statistik. Der Satz besagt, dass sich die
Verteilung einer Summe beliebiger unabh¨ angiger Zufallsvariablen
(mit endlichem Erwartungswert und Varianz) der Normalverteilung
umso mehr ann¨ ahert, je mehr Zufallsvariablen an der Summe
beteiligt sind.
Beweis:
Wir betrachten X
i∗:= (X
i− µ)/σ f¨ ur i = 1, . . . , n mit E [X
i∗] = 0 und Var[X
i∗] = 1. Damit gilt (gem¨ aß vorhergehendem Beispiel)
M
Z(t) = E[e
tZ] = E[e
t(X1∗+...+Xn∗)/√n
]
= M
X1∗(t/ √
n) · . . . · M
Xn∗(t/ √ n) . F¨ ur beliebiges i betrachten wir die Taylorentwicklung von M
Xi∗(t) =: h(t) an der Stelle t = 0
h(t) = h(0) + h
0(0) · t + h
00(0)
2 · t
2+ O(t
3).
Aus der Linearit¨ at des Erwartungswerts folgt
h
0(t) = E [e
tXi∗· X
i∗] und h
00(t) = E [e
tXi∗· (X
i∗)
2].
Beweis (Forts.):
Damit gilt
h
0(0) = E[X
i∗] = 0 und h
00(0) = E[(X
i∗)
2] = Var[X] = 1.
Durch Einsetzen in die Taylorreihe folgt h(t) = 1 + t
2/2 + O(t
3), und wir k¨ onnen M
Z(t) umschreiben zu
M
Z(t) =
1 + t
22n + O
t
3n
3/2 n→ e
t2/2f¨ ur n → ∞.
Aus der Konvergenz der momenterzeugenden Funktion folgt auch die Konvergenz der Verteilung. Damit ist Z asymptotisch
normalverteilt.
Beweis (Forts.):
Die momenterzeugende Funktion existiert leider nicht bei allen Zufallsvariablen und unser Beweis ist deshalb unvollst¨ andig. Man umgeht dieses Problem, indem man statt der momenterzeugenden Funktion die so genannte charakteristische Funktion
M ˜
X(t) = E [e
itX] betrachtet. F¨ ur Details verweisen wir auf die
einschl¨ agige Literatur.
Der Zentrale Grenzwertsatz hat die folgende intuitive Konsequenz:
Wenn eine Zufallsgr¨ oße durch lineare Kombination vieler
unabh¨ angiger, identisch verteilter Zufallsgr¨ oßen entsteht,
so erh¨ alt man n¨ aherungsweise eine Normalverteilung.
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgr¨ oßen Bernoulli-verteilt sind.
Korollar 116 (Grenzwertsatz von de Moivre)
X
1, . . . , X
nseien unabh¨ angige Bernoulli-verteilte Zufallsvariablen mit gleicher Erfolgswahrscheinlichkeit p. Dann gilt f¨ ur die
Zufallsvariable H
nmit
H
n:= X
1+ . . . + X
nf¨ ur n ≥ 1, dass die Verteilung der Zufallsvariablen H
n∗:= H
n− np
p np(1 − p)
f¨ ur n → ∞ gegen die Standardnormalverteilung konvergiert.
Beweis:
Die Behauptung folgt unmittelbar aus dem Zentralen Grenzwertsatz, da µ =
1nE [H
n] = p und
σ
2=
n1Var[H
n] = p(1 − p).
Bemerkung
Wenn man X
1, . . . , X
nals Indikatorvariablen f¨ ur das Eintreten
eines Ereignisses A bei n unabh¨ angigen Wiederholungen eines
Experimentes interpretiert, dann gibt H
ndie absolute H¨ aufigkeit
von A an.
4.1 Normalverteilung als Grenzwert der Binomialverteilung Korollar 116 erm¨ oglicht, die Normalverteilung als Grenzwert der Binomialverteilung aufzufassen. Die folgende Aussage ist eine Konsequenz von Korollar 116:
Korollar 117
Sei H
n∼ Bin(n, p) eine binomialverteilte Zufallsvariable. Die
Verteilung von H
n/n konvergiert gegen N (p, p(1 − p)/n) f¨ ur
n → ∞.
0,0 0,1 0,2 0,3 0,4
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0 Bin(10;0:3)
(x)
0,0 0,1 0,2 0,3 0,4
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0 Bin(20;0:3)
(x)
0,0 0,1 0,2 0,3 0,4
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0 Bin(50;0:3)
(x)
0,0 0,1 0,2 0,3 0,4
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0 Bin(100;0:3)
(x)
Vergleich von Binomial- und Normalverteilung
Historisch gesehen entstand Korollar 116 vor Satz 115.
F¨ ur den Fall p = 1/2 wurde Korollar 116 bereits von Abraham de Moivre (1667–1754) bewiesen. De Moivre war geb¨ urtiger Franzose, musste jedoch aufgrund seines protestantischen Glaubens nach England fliehen. Dort wurde er unter anderem Mitglied der Royal Society, erhielt jedoch niemals eine eigene Professur.
Die allgemeine Formulierung von Korollar 116 geht auf Pierre Simon Laplace (1749–1827) zur¨ uck. Allerdings vermutet man, dass die L¨ osung des allgemeinen Falls p 6= 1/2 bereits de Moivre
bekannt war.
4.2 Elementarer Beweis des Grenzwertsatzes von de Moivre f¨ ur p = 1/2
Wir betrachten die Wahrscheinlichkeit Pr[a ≤ H
2n∗≤ b] f¨ ur
p = 1/2 und a, b ∈ R mit a ≤ b. Wenn die Verteilung von H
2n∗, wie in Korollar 116 angegeben, gegen N (0, 1) konvergiert, so sollte Pr[a ≤ H
2n∗≤ b] ≈ R
ba
ϕ(t) dt f¨ ur gen¨ ugend große n gelten.
Wir schreiben f (n) ∼
∞g(n) f¨ ur lim
n→∞f(n)/g(n) = 1, wollen also zeigen:
Pr[a ≤ H
2n∗≤ b] ∼
∞Z
ba
ϕ(t) dt.
Da f¨ ur H
2n∼ Bin(2n, 1/2) gilt, dass E [H
2n] = n und Var[H
2n] = n/2 ist, erhalten wir
H
2n∗= H
2n− n
p n/2 ,
und es folgt
Pr[a ≤ H
2n∗≤ b] = Pr[n + a p
n/2 ≤ H
2n≤ n + b p n/2]
= X
i∈In
Pr[H
2n= n + i]
f¨ ur I
n:= {z ∈ Z | a p
n/2 ≤ z ≤ b p
n/2}. Damit ist
Pr[a ≤ H
2n∗≤ b] = X
i∈In
2n n + i
· 1
2
2n| {z }
=:pn,i
.
Es gilt
max
ip
n,i≤ p
∗n:=
2n n
· 1
2
2n= (2n)!
(n!)
2· 1
2
2n,
und mit der Stirling’schen Approximation f¨ ur n!
p
∗n∼
∞(2n)
2n· e
−2n· √ 2π · 2n (n
n· e
−n· √
2πn)
2· 1
2
2n= 1
√ πn .
Ersetzen wir nun die p
n,idurch p
∗nso entsteht dabei ein Fehler, den wir mit q
n,i:=
ppn,i∗n
bezeichnen.
F¨ ur i > 0 gilt q
n,i=
2n n+i
·
122n 2nn
·
122n= (2n)! · n! · n!
(n + i)! · (n − i)! · (2n)!
= Q
i−1j=0
(n − j) Q
ij=1
(n + j) =
i
Y
j=1
n − j + 1 n + j =
i
Y
j=1
1 − 2j − 1 n + j
.
Wegen der Symmetrie der Binomialkoeffizienten gilt q
n,−i= q
n,i,
womit auch der Fall i < 0 abgehandelt ist.
Man macht sich leicht klar, dass 1 − 1/x ≤ ln x ≤ x − 1 f¨ ur x > 0 gilt. Damit schließen wir, dass
ln
i
Y
j=1
1 − 2j − 1 n + j
=
i
X
j=1
ln
1 − 2j − 1 n + j
≤ −
i
X
j=1
2j − 1 n + j ≤ −
i
X
j=1
2j − 1 n + i
= − i(i + 1) − i
n + i = − i
2n + i
3n(n + i)
= − i
2n + O
1
√ n
, da i = O( √
n) f¨ ur i ∈ I
n.
Ebenso erhalten wir
ln
i
Y
j=1
1 − 2j − 1 n + j
≥
i
X
j=1
1 −
1 − 2j − 1 n + j
−1!
=
i
X
j=1
−2j + 1 n − j + 1 ≥ −
i
X
j=1
2j − 1 n − i
= − i
2n − i = − i
2n − O
1
√ n
.
Zusammen haben wir e
−i2 n−i =−i2
n−O √1
n
≤ q
n,i≤ e
−i2 n+O
√1 n
Wegen e
±O(1/√n)
= 1 ± o(1) folgt daraus q
n,i∼
∞e
−i2/n.
Damit sch¨ atzen wir nun Pr[a ≤ H
2n∗≤ b] weiter ab:
Pr[a ≤ H
2n∗≤ b] = X
i∈In
p
∗n· q
n,i∼
∞1
√ πn · X
i∈In
e
−i2/n| {z }
=:Sn
.
Mit δ := p
2/n k¨ onnen wir die Summe S
numschreiben zu S
n= 1
√ 2π · X
i∈In
δe
−(iδ)2·12.
Diese Summe entspricht einer N¨ aherung f¨ ur R
ba
ϕ(t) dt =
√12π
R
ba
e
−t2/2dt durch Aufteilung der integrierten Fl¨ ache in Balken der Breite δ. F¨ ur n → ∞ konvergiert die Fl¨ ache der Balken gegen das Integral, d. h. S
n∼
∞R
ba