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.

23.3 Satz von Sanov 501<br />

Man beachte, dass wir für diese Ungleichung im Infimum nicht einfach A ∩ En<br />

durch A ersetzen können. Wir zeigen vielmehr, dass dies für offenes A zumindest<br />

asymptotisch geht. Sei also A ⊂ E offen. Für ν ∈ A gibt es ein ε>0 mit Bε(ν) ⊂<br />

n→∞<br />

A.Für n ≥ (2 #Σ)/ε ist En ∩ Bε(ν) �= ∅, also existiert eine Folge νn −→ ν mit<br />

νn ∈ En ∩ A für hinreichend großes n ∈ N. DaIμ stetig ist, gilt<br />

lim sup<br />

n→∞<br />

inf Iμ(A ∩ En) ≤ lim<br />

n→∞ Iμ(νn) =Iμ(ν).<br />

Da ν ∈ A beliebig war, folgt lim sup n→∞ inf Iμ(A ∩ En) =infIμ(A). ✷<br />

Beispiel 23.14. Sei Σ = {−1, 1} und μ = 1<br />

2δ−1 + 1<br />

2δ1 die Gleichverteilung auf Σ.<br />

Schreiben wir m = m(ν) =ν({1}) − ν({−1}), dann ist die relative Entropie von<br />

ν ∈M1(Σ)<br />

H(ν |μ) = 1+m<br />

2<br />

log(1 + m) +<br />

1 − m<br />

2<br />

log(1 − m).<br />

Dies ist genau die Ratenfunktion, die wir bereits aus Satz 23.1 kennen. ✸<br />

Wir wollen den Zusammenhang zwischen den LDPs von Sanov und von Cramér,<br />

der im letzten Beispiel angedeutet wurde, nun formal herstellen, indem wir eine<br />

Variante des Satzes von Cramér für R d -wertige Zufallsvariablen, die nur endlich<br />

viele Werte annehmen, aus dem Satz von Sanov herleiten.<br />

Beispiel 23.15. Sei Σ ⊂ Rd endlich und μ ein W-Maß auf Σ. Seien ferner<br />

X1,X2,... u.i.v. Zufallsvariablen mit Werten in Σ und Verteilung PX1 = μ sowie<br />

Sn = X1 + ...+ Xn für jedes n ∈ N. Wir setzen Λ(t) = log E � e 〈t,X1〉� für t ∈ Rd und Λ∗ � �<br />

d (x) =supt∈Rd 〈t, x〉−Λ(t) für x ∈ R .<br />

Wir zeigen, dass � �<br />

PSn/n n∈N ein LDP mit Rate n und Ratenfunktion Λ∗ erfüllt.<br />

Es sei ξn(X) das empirische Maß von X1,...,Xn. SeiE := M1(Σ). Definiere<br />

die Abbildung<br />

m : E → R d ,<br />

�<br />

ν ↦→ xν(dx) = �<br />

xν({x}),<br />

die ν das erste Moment zuordnet. Offenbar ist dann 1<br />

n Sn = m(ξn(X)). Für<br />

x ∈ R d und A ⊂ R d seien Ex := m −1 ({x}) ={ν ∈ E : m(ν) =x} und<br />

EA = m −1 (A) ={ν ∈ E : m(ν) ∈ A}. Die Abbildung ν ↦→ m(ν) ist stetig,<br />

also ist EA offen (beziehungsweise abgeschlossen), falls A offen (beziehungsweise<br />

abgeschlossen) ist. Mit Ĩ(x) :=infIμ(Ex) (wobei Iμ(ν) =H(ν |μ) die relative<br />

Entropie ist) gilt nach dem Satz von Sanov für offenes U ⊂ R d<br />

lim inf<br />

n→∞<br />

1<br />

n log PSn/n(U) = lim inf<br />

n→∞<br />

x∈Σ<br />

1<br />

n log P � � −1<br />

ξn(X) m (U)<br />

≥−inf<br />

μ I � m −1 (U) � = − inf Ĩ(U).

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

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!