Prof. Dr. Holger Dette Dr. Melanie Birke Übungen zur Vorlesung Wahrscheinlichkeitstheorie I Wintersemester 2009/2010 Blatt 11 Abgabe: Bis Freitag, den 15.01.2010 um 12.15 Uhr. Aufgabe 1: Es sei (Xn )n∈IN eine Folge von Zufallsvariablen mit Verteilungsfunktionen 0 für x < 0 sin(2nπx) für 0 ≤ x < 1 Fn (x) = x 1 − 2nπx 1 x≥1 (4 Punkte) (a) Man zeige mit Hilfe des Stetigkeitssatzes, dass Xn in Verteilung eine auf [0, 1] gleichverteilte Zufallsvariable konvergiert. (b) Man zeige, dass die Folge der Dichten (fn )n∈IN nicht konvergiert. Lösung: (a) Es ist Fn stetig differenzierbar mit fn (x) = (1 − cos(2πnx))I[0,1] (x) und wir erhalten für die charakteristische Funktion Z sin(2 n π − t) sin(2 n π + t) sin(t) − − ϕn (t) = t 4nπ − 2t 2 (2 n π + t) 2 2 2 4 n π (1 − cos(t)) t (1 − cos(2 n π)) cos(t) 2 n π t sin(2 n π) sin(t) +i + − 4 n2 π 2 t − t3 4 n2 π 2 t − t3 4 n2 π 2 t − t3 sin(t) 1 − cos t i −→ +i = (1 − eit ). n→∞ t t t Man berechnet auch leicht Z ϕ(t) = 0 1 eitx dx = i eit − 1 = (1 − eit ). it t Mit dem Stetigkeitssatz folgt also, dass Xn in Verteilung gegen eine Gleichverteilung konvergiert. (b) Würde die Folge der Dichten fn (x) = (1 − cos(2πnx))I[0,1] gegen die Dichte der Gleichverteilung konvergieren, so müsste cos(2πnx) gegen 0 konvergieren. Diese Folge divergiert aber offensichtlich und daher gilt zwar Konvergenz der Verteilungsfunktionen aber nicht der Dichtefunktionen. Aufgabe 2: (4 Punkte) Es seien X, X1 , X2 , . . . reelle Zufallsvariablen mit charakteristischen Funktionen ϕ(t) = E[exp(itX)] und ϕn (t) = E[exp(itXn )]. Man zeige Ra (a) 71 P |Xn | ≥ a1 ≤ a1 0 (1 − <(ϕn (t)))dt. (b) Gilt limn→∞ ϕn (t) = ϕ(t), so ist (PXn )n∈IN straff, d.h. ∀ε > 0∃a > 0 so dass ∀n ∈ IN PXn 1 1 − , a a ≥ 1 − ε. Lösung: (a) Es ist Z sin u 1 1 1 u ≤sin 1 für |u|≥1 sin ax Xn P(|Xn | ≥ ) ≤ (1 − sin 1)P(|Xn | ≥ ) ≤ (1 − )P (dx) 7 a a ax {|Xn |≥1/a} Z Z Z a Z a sin ax Xn 1 Fubini 1 Xn ≤ (1 − )P (dx) = (1 − cos(tx))dtP (dx) = (1 − <(ϕn (t)))dt. | {z } ax a 0 IR a 0 <(eitx ) (b) Es ist c 1 1 Xn P − , = a a 1 P |Xn | > a (a) Z a Z 7 7 a ≤ (1 − <(ϕ(t)))dt + (<(ϕn (t)) − <(ϕ(t)))dt < ε. a a | 0 {z } | 0 {z } < 2ε ∀n≥n0 wegen majorisierter Konvergenz < 2ε da ϕ stetig in 0 Aufgabe 3: (4 Punkte) 1. Es seien X1 , X2 , . . . unabhängig identisch verteilt mit Erwartungswert 0 und Varianz σ 2 > 0. Man zeige: Pn Xi D pPi=1 −→ N (0, 1). n 2 X i=1 i 2. Man zeige mit Hilfe des Zentralen Grenzwertsatzes n X nk lim e−n n→∞ k=0 k! = 1 . 2 Lösung: 1. Wir schreiben Pn Xi pPi=1 n 2 i=1 Xi √1 n = Pn i=1 Xi q P n 1 2 i=1 Xi n σ =q P n 1 n | 1 √ n·σ 2 i=1 Xi | {z } n X ! Xi − n · 0 i=1 =A {z =B } D Es gilt nun mit dem zentralen Grenzwertsatz (10.1) B −→ N (0, 1). Desweiteren sind X12 , X22 , . . . unabhängig identisch verteilt mit Erwartungswert E[X12 ] = V(X1 ) = σ 2 < ∞. Mit dem starken Gesetz der Pn 1 2 2 großen Zahlen (8.13) folgt nun n i=1 Xi → σ fast sicher und daher A → 1 fast sicher. Somit gilt auch P D A −→ 1 und A −→ 1 und mit dem Lemma von Slutsky erhält man die Behauptung. Pn 2. Sei Xn poisson-verteilt mit Parameter n. Dann lässt sich Xn schreiben als Xn = i=1 Zi mit Z1 , . . . , Zn unabhängig identisch poisson-verteilt mit Parameter 1. Wir erhalten mit dem Zentralen Grenzwertsatz Pn Zi − n · 1 D Xn − n √ = i=1√ −→ N (0, 1). Yn = n n·1 Damit folgt P(Yn ≤ t) → √1 2π Rt 2 −∞ e−x /2 dx = Φ(t). Die linke Seite schreibt man um zu √ P(Yn ≤ t) = √ P(Xn ≤ t n + n) = n+nc bt X e−n k=0 nk . k! Für t = 0 gilt Φ(0) = 1/2 und damit die Behauptung. Aufgabe 4: Es seien (Xk )k∈IN unabhängig mit (4 Punkte) P(Xk = k λ ) = P(Xk = −k λ ) = 1 , λ > 0. 2 Man zeige, dass für diese Folge der Zentrale Grenzwertsatz gilt und folgere daraus, dass das schwache Gesetzt der großen Zahlen für λ ≥ 1/2 nicht erfüllt ist. Lösung: Wir erhalten E[Xk ] = 0 und V(Xk ) = k 2λ . Die Zufallsvariablen sind hier nicht identisch verteilt. Daher müssen wir den Grenzwertsatz von Lindeberg-Feller (10.2) anwenden. Dazu betrachten wir σn2 = n X k 2λ ≤ k=1 Z 0 n+1 x2λ dx = (n + 1)2λ+1 . 2λ + 1 Falls nun 0 < λ < 1/2 gilt, gilt auch sn /n ≤ (n + 1)λ+1/2−1 /(2λ + 1)1/2 → 0 und wir haben bereits in Aufgabe 4 von Blatt 9 gesehen, dass dann das schwache Gesetz der großen Zahlen gilt. Hier wollen wir jedoch die Konvergenz in Verteilung zeigen und betrachten daher noch die Lindebergbedingung. n 1 X E[Xk2 I{|Xk | > εσn }]. σn2 k=1 Der Erwartungswert in der Summe ist größer als 0 falls k λ > εσn ≈ εnλ+1/2 /(2λ + 1)1/2 und die Summe ist größer als 0, falls der letzte Summand größer als 0 ist, d.h. wenn gilt nλ > εnλ+1/2 /(2λ + 1)1/2 . Das ist äquivalent zu n < (2λ+1)ε−2 . Da wir n → ∞ betrachten, gilt irgendwann für festes ε > 0 n > (2λ+1)ε−2 und somit n 1 X E[Xk2 I{|Xk | > εσn }] = 0. σn2 k=1 Also gilt die Lindebergbedingung und damit der Zentrale Grenzwertsatz für λ > −1. Das bedeutet ! r Z b n 2 2λ + 1 X 1 Xk < b −→ √ e−x /2 dx. P a< n→∞ n2λ+1 2π a k=1 Für das schwache Gesetz der großen Zahlen müssen wir das folgende betrachten ! r √ √ n 2λ + 1 2λ + 1 X 2λ + 1 P(|X̄n | > ε) = 1 − P(−ε < X̄n < ε) = 1 − P −ε λ−1/2 < Xk < ε λ−1/2 . n2λ+1 n n k=1 Diese Wahrscheinlichkeit kann nur gegen 0 gehen falls λ < 1/2.