Stochastik Prof. Dr. I. Veseli´ c
Hausaufgabe 13
Abgabe bis 12. Juli 13:00 Uhr
Aufgabe 1. Sei X
1, X
2, . . . eine Folge von Zufallsvariablen mit E(X
i) = m und Var(X
i) = σ
2f¨ ur i ∈ N . Es gelte
|Cov(X
i, X
j)| ≤ r(|i − j|)
f¨ ur eine Funktion r : N → (0, ∞). Zeigen Sie, daß unter der Bedingung 1
n
2n−1
X
k=1
(n − k)r(k) → 0 f¨ ur n → ∞ (1)
an das
” Abklingen“ der Korrelationen das schwache Gesetz der großen Zahlen gilt, d. h.
n→∞
lim P
X
1+ X
2+ . . . + X
nn − m
> ε
= 0 ∀ ε > 0.
Zeigen Sie, um einen Zusatzpunkt zu bekommen, daß die Bedingung lim
k→∞r(k) = 0 die Bedin- gung (1) impliziert.
Hinweis: Definieren Sie sich die Zufallsvariable S
n= X
1+. . .+X
n. F¨ ur eine reelle Zufallsvariable X gilt E ((X − E (X))
2) = Var(X). Beachten Sie Var(S
n) = P
ni,j=1
Cov(X
i, X
j).
Aufgabe 2. (a) Eine M¨ unze wird wiederholt geworfen. Bei jedem Wurf f¨ allt
” Zahl“ mit Wahr- scheinlichkeit p und
” Kopf“ mit Wahrscheinlichkeit 1 − p. Seien K
nund Z
ndie Anzahlen von
” Kopf“ beziehungsweise
” Zahl“ bei den ersten n W¨ urfen. Zeigen Sie f¨ ur ε > 0 P
2p − 1 − ε ≤ 1
n (Z
n− K
n) ≤ 2p − 1 + ε
= 1.
Hinweis: Nutzen Sie das schwache Gesetz der großen Zahlen.
(b) Beim asymmetrischen random walk S
n, n ∈ N
0, auf Z wird vor jedem Bewegungsschritt eine M¨ unze mit Wahrscheinlichkeit p 6= 1/2 f¨ ur
” Zahl“ und 1 − p f¨ ur
” Kopf“ geworfen. F¨ allt
” Kopf“ bzw.
” Zahl“, dann f¨ allt bzw. steigt die Position im n¨ achsten Schritt um eine Einheit.
Zeigen Sie, daß S
nmit Wahrscheinlichkeit 1 nur endlich oft zum Startpunkt zur¨ uckkehrt.
Hinweis: Die Stirling-Formel k¨ onnte n¨ utzlich sein.
Definition. Sei µ ein endliches Maß auf R . Dann heißt Φ = Φ
µ: R → C , Φ(t) =
Z
R
e
itxdµ(x) charakteristische Funktion von µ.
Aufgabe 3. Beweisen Sie die folgende Aussage. Sei µ ein Wahrscheinlichkeitsmaß auf R und Φ dessen charakteristische Funktion. Dann gilt
(1) |Φ(t) − Φ(s)|
2≤ 2(1 − <(Φ(t − s))) f¨ ur alle s, t ∈ R .
(2) t 7→ Φ(t) ist gleichm¨ aßig stetig auf R .
Definition. Seien (Ω, A, P ),(Ω
n, A
n, P
n), n ∈ N Wahrscheinlichkeitsr¨ aume. Seien X : Ω → R und X
n: Ω
n→ R Zufallsvariablen. Wir bezeichnen mit µ = P ◦ X
−1und µ
n= P
n◦ X
n−1deren Verteilungen (also Wahrscheinlichkeitsmaße auf R). Dann konvergiert die Folge der Zufallsvaria- blen X
ngegen X in Verteilung, kurz X
n→
DX, falls f¨ ur alle beschr¨ ankten, gleichm¨ aßig stetigen Funktionen f auf R gilt
Z
S
fdµ
n→ Z
S