24.01.2013 Aufrufe

Klenke Wahrscheinlichkeitstheorie

Klenke Wahrscheinlichkeitstheorie

Klenke Wahrscheinlichkeitstheorie

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

328 16 Unbegrenzt teilbare Verteilungen<br />

Asymmetrische stabile Verteilungen<br />

Sind μ1 und μ2 unbegrenzt teilbar mit den kanonischen Tripeln (σ2 1,b1,ν1) und<br />

(σ2 2,b2,ν2),soistμ1∗μ2 unbegrenzt teilbar mit kanonischem Tripel (σ2 1 + σ2 2,b1 +<br />

b2,ν1+ν2). Ist nun μ unbegrenzt teilbar mit kanonischem Tripel (σ2 ,b,ν), und sind<br />

X1,X2,...u.i.v. Zufallsvariablen mit Verteilung μ,soistX1 +...+Xn unbegrenzt<br />

teilbar mit kanonischem Tripel (nσ2 , nb, nν). Andererseits ist n1/αX1 unbegrenzt<br />

teilbar mit kanonischem Tripel (n2/ασ2 ,n1/αb, ν ◦ m −1<br />

n1/α), wobei mγ : R → R,<br />

x ↦→ γx die Multiplikation mit γ>0 ist.<br />

Ist nun μ stabil mit Index α, so folgt aus (16.17)<br />

nb = n 1/α b, nσ 2 = n 2/α σ 2<br />

und nν = ν ◦ m −1<br />

n1/α. Ist α �= 1, so folgt b =0.Für α ∈ (0, 2) ist hingegen σ2 =0. Außerdem ist<br />

� ∞<br />

n (1∧x<br />

−∞<br />

2 � ∞<br />

) ν(dx) = (1∧x<br />

−∞<br />

2 ) � ν ◦m −1<br />

n1/α Im Fall α =2folgt wegen 1 ≥ n−1 (1∧nx 2 )<br />

1∧x2 � (dx) =<br />

� ∞<br />

−∞<br />

(1∧n 2/α x 2 ) ν(dx).<br />

n→∞<br />

−→ 0 für alle x �= 0und wegen<br />

(16.10) mit dem Satz über majorisierte Konvergenz<br />

� ∞<br />

� ∞<br />

(1 ∧ x<br />

−∞<br />

2 n<br />

) ν(dx) =<br />

−∞<br />

−1 (1 ∧ nx2 )<br />

1 ∧ x2 Das heißt, es gilt ν =0, falls α =2 ist.<br />

(1 ∧ x 2 ) ν(dx) n→∞<br />

−→ 0.<br />

Hat ν eine auf R\{0} stetige Dichte f, so folgt aus (16.17) die Skalierungsrelation<br />

f(rx) =r −α−1 f(x) für jedes r>0, also mit c − := f(−1) und c + := f(1)<br />

ν(dx)<br />

dx =<br />

� c − (−x) −α−1 , falls x0.<br />

Wir haben also einen Freiheitsgrad mehr (in dem Sinne, dass wir jetzt die zwei<br />

Parameter c − und c + statt nur c haben), wenn wir auch asymmetrische stabile<br />

Verteilungen zulassen. Wir können nun ψ ausrechnen<br />

ψ(t) =<br />

� |t| α Γ (−α) � (c + + c − )cos � πα<br />

2<br />

� + i (c + − c − )sin � πα<br />

2<br />

�� , α �= 1,<br />

−|t|(c + + c − ) � π<br />

2 + i sign(t)(c+ − c − )log(|t|) � , α =1.<br />

(16.18)<br />

Im Fall α ∈ (0, 1) ∪ (1, 2) haben wir so eine stabile Verteilung hergestellt, denn es<br />

gilt (16.17). Im Fall α =1gilt hingegen nψ(t/n) =ψ(t)+it(c + − c − )logn, also<br />

X1 + ...+ Xn<br />

D<br />

= nX1 +(c + − c − ) n log(n).<br />

Man kann zeigen, dass die stabilen Verteilungen, die wir hier hergestellt haben,<br />

tatsächlich die gesamte Klasse der im weiteren Sinne stabilen Verteilungen ausschöpfen<br />

(siehe etwa [53, Kapitel XVII.5]).

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!