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 0 X (1) =
∞
X
k=1
k · Pr[X = k] = E[X] .
DWT 7.1 Einf¨uhrung 182/476
c
Ernst W. Mayr
Beispiel 73
Sei X binomialverteilt mit X ∼ Bin(n, p), also
G X (s) = (1 − p + ps) n . Dann gilt
G 0 X (s) = n · (1 − p + ps) n−1 · p und somit
E[X] = G 0 X (1) = np .
DWT 183/476
c
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 00 X (1) + G 0 X (1) − (G 0 X (1)) 2 .
Andere Momente von X kann man auf ¨ ahnliche Art und Weise berechnen.
DWT 7.1 Einf¨uhrung 183/476
c
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) i i!
#
=
∞
X
i=0
E [X i ] i! · s i und
M X (s) = E[e Xs ] = E[(e s ) X ] = G X (e s ) .
DWT 7.1 Einf¨uhrung 184/476
c
Ernst W. Mayr
7.2 Summen von Zufallsvariablen
Satz 75 (Erzeugende Funktion einer Summe)
F¨ ur unabh¨ angige Zufallsvariablen X 1 , . . . , X n und die Zufallsvariable Z := X 1 + . . . + X n gilt
G Z (s) = G X1(s) · . . . · G Xn(s) . Ebenso gilt
(s) . Ebenso gilt
M Z (s) = M X1(s) · . . . · M Xn(s) . Beweis:
(s) . Beweis:
Wegen der Unabh¨ angigkeit von X 1 , . . . , X n gilt
G Z (s) = E[s X1+...+X
n] = E[s X1] · . . . · E[s Xn] = G X1(s) · . . . · G Xn(s).
] · . . . · E[s Xn] = G X1(s) · . . . · G Xn(s).
(s) · . . . · G Xn(s).
DWT 7.2 Summen von Zufallsvariablen 185/476
c
Ernst W. Mayr
Beispiel 76
Seien X 1 , . . . X k mit 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=1n
i
und somit
n
iund 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 k
G 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 186/476
c
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 N die wahrscheinlichkeitserzeugende
Funktion G Z (s) = G N (G X (s)).
DWT 7.2 Summen von Zufallsvariablen 187/476
c
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+...+X
n] · Pr[N = n]
=
∞
X
n=0
E [s X1] · . . . · E [s Xn] · Pr[N = n]
] · 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 188/476
c
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 189/476
c
Ernst W. Mayr
F¨ ur k ∈ N bezeichne H k das 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
d
f¨ ur k gerade.
DWT 7.3 Rekurrente Ereignisse 190/476
c
Ernst W. Mayr
Sei h 0 k die Wahrscheinlichkeit, dass das Partikel im k-ten Schritt zum ersten Mal zum Punkt 0 d zur¨ uckkehrt, und sei r := P ∞
k=1 h 0 k die Wahrscheinlichkeit, dass das Partikel irgendwann zum Startpunkt zur¨ uckkehrt.
Wie h¨ angt r von d ab?
DWT 7.3 Rekurrente Ereignisse 191/476
c
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 192/476
c
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 k s 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 193/476
c
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∈ N
0Pr[Z = k] = 1 − T (1) fehlt!
DWT 7.3 Rekurrente Ereignisse 194/476
c
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 195/476
c
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 196/476
c
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 197/476
c
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 k der 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 198/476
c
Ernst W. Mayr
Beispiel 84
Wir wenden Korollar 83 auf den Random Walk im Z d an.
Aus der Stirlingformel folgt
n! = Θ( √
n(n/e) n ) und damit f¨ ur d = 1
2n n
= (2n)!
(n!) 2 = Θ
√ 2n(2n) 2n e 2n ·
e n
√ nn n 2 !
= Θ 2 2n
√ n
.
DWT 7.3 Rekurrente Ereignisse 199/476
c
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 α f¨ 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 200/476
c
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 201/476
c
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 d
DWT 7.3 Rekurrente Ereignisse 202/476
c
Ernst W. Mayr
8. Formelsammlung
8.1 Gesetze zum Rechnen mit Ereignissen
Im Folgenden seien A und B, sowie A 1 , . . . , A n Ereignisse. 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 n eine Partition der Ergebnismenge Ω bilden.
Pr[∅] = 0 0 ≤ Pr[A] ≤ 1 Pr[ ¯ A] = 1 − Pr[A]
A ⊆ B = ⇒ Pr[A] ≤ Pr[B]
DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/476
c
Ernst W. Mayr
∀i 6= j : A i ∩ A j = ∅ = ⇒ Pr [ S n
i=1 A i ] = P n
i=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 n
i=1 A i ] ≤ P n
i=1 Pr[A i ] Boolesche
Ungleichung
Pr[A|B ] = Pr[A∩B] Pr[B] f¨ ur Pr[B ] > 0 Def. bedingte Ws.
DWT 8.1 Gesetze zum Rechnen mit Ereignissen 204/476
c
Ernst W. Mayr
B ⊆ A 1 ] . . . ] A n = ⇒ Pr[B] = P n
i=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|A
i]·Pr[A
i]
i=1
Pr[B|A
i]·Pr[A
i]
Satz von Bayes
Pr[A 1 ∩ . . . ∩ A n ] = Pr[A 1 ] · Pr[A 2 |A 1 ] ·
. . . · Pr[A n |A 1 ∩ . . . ∩ A n−1 ] Multiplikationssatz A und B unabh¨ angig ⇐⇒
Pr[A ∩ B] = Pr[A] · Pr[B ]
Definition Unabh¨ angigkeit
DWT 8.1 Gesetze zum Rechnen mit Ereignissen 205/476
c
Ernst 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
DWT 8.2 Erwartungswert und Varianz diskreter Zufallsvariablen 206/476
c
Ernst 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 n unabh¨ angig ⇐⇒ f¨ ur alle (a 1 , . . . , a n ):
Pr[X 1 = a 1 , . . . , X n = a n ]
= Pr[X 1 = a 1 ] · . . . · Pr[X n = a n ] X 1 , . . . , X n unabh¨ angig = ⇒ f 1 (X 1 ), . . . , f n (X n ) unabh¨ angig
E [a · X + b] = a · E [X] + b
DWT 8.3 Gesetze zum Rechnen mit Zufallsvariablen 207/476
c
Ernst W. Mayr
X(ω) ≤ Y (ω) f¨ ur alle ω ∈ Ω = ⇒ E [X] ≤ E [Y ]
Monotonie des Erwartungswerts
E [X] = P n
i=1 E [X|A i ] · Pr[A i ] Var[X] = E [X 2 ] − E [X] 2 Var[a · X + b] = a 2 · Var[X]
DWT 8.3 Gesetze zum Rechnen mit Zufallsvariablen 208/476
c
Ernst W. Mayr
E [a 1 X 1 + . . . + a n X n ]
= a 1 E [X 1 ] + . . . + a n E [X n ]
Linearit¨ at des Erwartungswerts
X 1 , . . . , X n unabh¨ angig = ⇒
E[X 1 · . . . · X n ] = E[X 1 ] · . . . · E[X n ]
Multiplikativit¨ at des Erwartungswerts
X 1 , . . . , X n unabh¨ angig = ⇒
Var[X 1 + . . . + X n ] = Var[X 1 ] + . . . + Var[X n ]
Varianz einer Summe
DWT 8.3 Gesetze zum Rechnen mit Zufallsvariablen 209/476
c
Ernst W. Mayr
X ≥ 0 = ⇒
Pr[X ≥ t] ≤ E [X]/t f¨ ur t > 0 Markov Pr[|X − E[X]| ≥ t]
≤ Var[X]/t 2 f¨ ur t > 0 Chebyshev
siehe Satz 63 Gesetz der
großen Zahlen
DWT 8.3 Gesetze zum Rechnen mit Zufallsvariablen 210/476
c
Ernst W. Mayr