Muster und Alignments in zufälligen Zeichenketten - Abteilung für ...
Muster und Alignments in zufälligen Zeichenketten - Abteilung für ...
Muster und Alignments in zufälligen Zeichenketten - Abteilung für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3.4. Endlichdimensionale Randverteilungen 49<br />
Beweis:<br />
Sei zur Abkürzung X n : =<br />
( D n (t 1 ), . . . , D n (t d ) ) T<br />
. Analog zum Beweis von<br />
Satz 3.8 wird gezeigt, dass für alle α ɛ R d 1<br />
gilt: √ αT rnn<br />
X D<br />
n −→ α T N ( )<br />
0, σ0 2 I d =<br />
N ( 0, σ0 2 ‖α‖ 2) . Die Behauptung folgt hieraus mit Theorem 7.7 <strong>in</strong> Bill<strong>in</strong>gsley [17].<br />
Seien ohne E<strong>in</strong>schränkung α ≠ 0 <strong>und</strong> 0 = : t 0 ≤ t 1 < · · · < t d ≤ 1. Dann ist<br />
m := m<strong>in</strong>{t i − t i−1 |i ɛ {1, . . . , d}} > 0. Da r n −→ n→∞<br />
0 ist r n + 1 < m für h<strong>in</strong>reichend<br />
n<br />
große n ɛ N, das heißt, die Intervalle (t i , t i + r n ] i ɛ {1,...,d} s<strong>in</strong>d disjunkt. Teilt man<br />
σn 2 := Var(αT X n ) wie <strong>in</strong> Gleichung (3.4.3) auf, <strong>und</strong> bezeichnet ε n u := ⌊(t u+r n )n⌋−<br />
⌊t u n⌋ − r n n ɛ (−1, 1) den R<strong>und</strong>ungsfehler, so ergibt sich:<br />
[<br />
σn<br />
2 d∑<br />
r n n = αu<br />
2 r n n + ε n u<br />
Var ( I w (i) ) + 2<br />
⌊(t u+r n)n⌋ ⌊(t<br />
∑ u+r n)n⌋−i<br />
]<br />
∑<br />
K w (j)<br />
r<br />
u=1<br />
n n<br />
r n n<br />
i=⌊t un⌋+1 j=1<br />
⌊(t d∑ d∑<br />
u+r n)n⌋ ⌊(t<br />
1 ∑ v+r<br />
∑ n)n⌋<br />
+ 2 α u α v Kov ( I w (i), I w (j) ) .<br />
r<br />
u=1 v=u+1 n n<br />
i=⌊t un⌋+1 j=⌊t vn⌋+1<br />
Wegen r n n −→ n→∞<br />
∞ konvergieren die Summanden wie folgt:<br />
1) rnn+εn u<br />
r nn<br />
Var ( I w (i) ) −→ n→∞<br />
(<br />
π w (1 − π w ) ) .<br />
2) Nach Lemma 3.7 ergibt sich:<br />
1<br />
r n n<br />
⌊(t u+r<br />
∑ n)n⌋<br />
i=⌊t un⌋+1<br />
∑<br />
⌊(t u+r n)n⌋−i<br />
j=1<br />
K w (j) = r nn + ε n u<br />
r n n<br />
−→ C 1 w,ϕ.<br />
r nn+ε<br />
∑<br />
n u<br />
j=1<br />
K w (j) − 1<br />
r nn+ε<br />
∑<br />
n u<br />
jK w (j)<br />
r n n<br />
j=1<br />
3) Für 1 ≤ u < v ≤ d gilt ∆ v u := ⌊t vn⌋ − ⌊t u n⌋ −→ n→∞<br />
∞. Damit lässt sich der dritte<br />
Summand analog Gleichung (3.4.4) abschätzen:<br />
1<br />
r n n<br />
⌊(t u+r<br />
∑ n)n⌋<br />
⌊(t v+r<br />
∑ n)n⌋<br />
i=⌊t un⌋+1 j=⌊t vn⌋+1<br />
≤ r nn + ε n u<br />
r n n<br />
+ r nn + ε n u<br />
r n n<br />
+ r nn + ε n u<br />
r n n<br />
∆ v u+r nn+ε n v −1<br />
∑<br />
(<br />
∣ Kov Iw (i), I w (j) )∣ ∣<br />
j=∆ v u −rnn−εn u +1 |K w (j)|<br />
∆∑<br />
v u−1<br />
j=∆ v u−r nn−ε n u+1<br />
∆ v u+r nn+ε n v −1<br />
∑<br />
j=∆ v u+ε n v −ε n u+1<br />
|K w (j)|<br />
|K w (j)|.<br />
Alle 3 Terme konvergieren nach dem Cauchy-Kriterium für Reihen gegen 0,<br />
da die Reihen nach Lemma 3.7 absolut konvergieren.