Noget om en symmetrisk random walks tilbagevenden til udgangspunktet

Relaterede dokumenter
1 Beviser for fornyelsessætningen

TØ-opgaver til uge 46

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning

For nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.

Nogle grundlæggende begreber

Kvantitative Metoder 1 - Efterår Dagens program

Løsning til prøveeksamen 1

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Eksamen 2014/2015 Mål- og integralteori

Bernoulli og binomial fordelingerne Kontinuerte stokastiske variable Normalfordelingen

En martingalversion af CLT

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Normalfordelingen og Stikprøvefordelinger

Sandsynlighedsregning: endeligt udfaldsrum (repetition)

Lad os som eksempel se på samtidigt kast med en terning og en mønt:

Statistik og Sandsynlighedsregning 2

13 Markovprocesser med transitionssemigruppe

Om hypoteseprøvning (1)

4 Oversigt over kapitel 4

Aarhus Universitet 5. februar Meddelelse 2

En martingalversion af CLT

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Skriftlig Eksamen Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

TALTEORI Følger og den kinesiske restklassesætning.

Her skal du lære om 1. Talfølge og talrække 2. Afsnitssum 3. Konvergens 4. Konvergente rækker har små led 5. Regneregler

Billedbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)

Løsning til eksamen 16/

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Matematisk induktion

Fortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.

Lineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable

Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen

Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable

Statistik og Sandsynlighedsregning 2

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Forår Dagens program

TØ-opgaver til uge 45

Fornyelsesteori med anvendelser: Afleveringsopgave 1

Kønsproportion og familiemønstre.

Nanostatistik: Stokastisk variabel

Reeksamen 2014/2015 Mål- og integralteori

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Fornyelsesteori med anvendelser: Punktprøve

Tema. Dagens tema: Indfør centrale statistiske begreber.

Talteoriopgaver Træningsophold ved Sorø Akademi 2007

Kvantitative Metoder 1 - Forår Dagens program

MM501 forelæsningsslides

standard normalfordelingen på R 2.

Den todimensionale normalfordeling

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Repetition. Diskrete stokastiske variable. Kontinuerte stokastiske variable

Teoretisk Statistik, 13 april, 2005

Sandsynlighedsbaserede metoder

Euklids algoritme og kædebrøker

Kvantitative Metoder 1 - Forår 2007

MM501/MM503 forelæsningsslides

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Statistik. Hjemmeside: kkb. Statistik - lektion 1 p.1/22

Nanostatistik: Stokastisk variabel

Statistik Lektion 2. Uafhængighed Stokastiske Variable Sandsynlighedsfordeling Middelværdi og Varians for Stok. Var.

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Teoretisk Statistik, 2. december Sammenligning af poissonfordelinger

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

Lineære differentialligningers karakter og lineære 1. ordens differentialligninger

Kalkulus 2 - Grænseovergange, Kontinuitet og Følger

01017 Diskret Matematik E12 Alle bokse fra logikdelens slides

Projektopgave til Mat2SS. Espen Højsgaard (CPR xxxx) Rune Højsgaard (CPR xxxx)

Tænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.

Kvantitative Metoder 1 - Forår 2007

Meddelelse 2. Forelæsningerne i uge 6 ( ) Gennemgangen af BPT fortsættes. Vi afslutter Kapitel 4 og når sikkert et godt stykke ind i Kapitel 5.

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som

Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen

Noter til Perspektiver i Matematikken

1 Sandsynlighed Sandsynlighedsbegrebet Definitioner Diskret fordeling Betinget sandsynlighed og uafhængighed...

Teoretisk Statistik, 16. februar Generel teori,repetition

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen

Plan. Markovkæder Matematisk modelling af kølængde, yatzy, smittespredning og partikelbevægelser. Materiale mm.

Kædebrøker. b 0 f.eks. 3 b 0 + a 1. f.eks b 1 7. a 1. b 1 + a f.eks f.eks. 3 + b 1 + a Notation: a 2 b 2 + an.

Sandsynlighedsregning & Statistik

Matematik YY Foråret Kapitel 1. Grupper og restklasseringe.

5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås

Statistik og Sandsynlighedsregning 2

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Binomialfordelingen. Binomialfordelingen. Binomialfordelingen

Sandsynlighedsregning

1 Palm teori. Palm teori 1

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Definition. Definitioner

Sandsynlighedsregning & Statistik

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Iteration af et endomorft kryptosystem. Substitutions-permutations-net (SPN) og inversion. Eksklusiv disjunktion og dens egenskaber

Stokastiske processer og køteori

Transkript:

Random Walk-kursus 2014 Jørgen Larsen 14. oktober 2014 Noget om en symmetrisk random walks tilbagevenden til udgangspunktet Dette notat giver et bevis for at en symmetrisk random walk på Z eller Z 2 og med diskret tid med sandsynlighed 1 vender tilbage til sit udgangspunkt før eller senere (og derfor uendelig ofte), hvorimod dette ikke er tilfældet for en random walk i tre dimensioner. 1 Vi begynder med et lidt mere generelt resultat om begivenheder der indtræffer på stokastiske tidspunkter, sådan at ventetiderne er uafhængige og identisk fordelte; i de efterfølgende anvendelser vil»begivenhederne«være en random walks tilbagevenden til start. 1 Et vist fænomen F indtræffer til de heltallige tidspunkter 0 T 0 < T 1 < T 2 <... der antages at kunne skrives som T 0 0, T 1 V 1, T 2 V 1 + V 2, T 3 V 1 + V 2 + V 3,. hvor ventetiderne V 1,V 2,V 3,... er uafhængige, identisk fordelte stokastiske variable med værdier i N. Punktsandsynlighederne for V -ernes fordeling betegnes f n : f n P(V n), n 1,2,3,..., så f n er sandsynligheden for at første forekomst af F efter tid 0 sker til tid n, og derfor er sandsynligheden for at F indtræffer før eller senere P(V < ) f n. 1 Notation: Z er mængden af hele tal.

Tilbagevenden til start Side 2 af 5 Vi indfører desuden betegnelsen u n for sandsynligheden for at der til tid n er en forekomst af F, altså sandsynligheden for at T j n for et eller andet j 0, u n P ( j 0 : T j n ) P ( j {0,1,2,3,...,n} : T j n ), hvor det sidste lighedstegn skyldes at der til hvert tidspunkt kan være 0 eller 1 forekomst, dvs. forekomsten til tid n kan højst være forekomst nummer n. Da T j V 1 + V 2 + + V j, kan vi skrive 2 Vi skal vise Sætning 1 u n P ( j {0,1,2,3,...,n} : V 1 + V 2 + + V j n ). F indtræffer med sandsynlighed 1, hvis og kun hvis u n +. Ved at dele op efter tidspunktet for den første F -forekomst efter tid 0 får vi for n > 0 u n n0 P ( T 1 k og j {0,1,2,3,...,n} : V 1 + V 2 + + V j n ) k1 P ( V 1 k og j {1,2,3,...,n k} : V 2 + V 3 + + V j n k ) k1 P ( V 1 k ) P ( j {1,2,3,...,n k} : V 2 + V 3 + + V j n k ) k1 P ( V 1 k ) P ( j {0,1,2,3,...,n k} : V 1 + V 2 + + V j n k ) k1 f k u n k. k1 Vi indfører de to frembringende funktioner F(z) f n z n og U(z) u n z n, der begge er defineret for 0 z < 1; F er desuden defineret i z 1. Vi omskriver U(z) 2 Når j 0, er V 1 + V 2 + + V j en sum uden led,»den tomme sum«, som altid er lig 0 (fordi 0 er det neutrale element mht. addition). Derfor er betingelsen V 1 + V 2 + + V j 0 opfyldt for j 0, så formlen udsiger at u 0 1. n0

Tilbagevenden til start Side 3 af 5 ved hjælp af det netop fundne udtryk for u n : U(z) 1 + u n z n 1 + 1 + k1 ( k1 f k u n k z n nk 1 + U(z)F(z), u n k z n k ) f k z k hvoraf fås at F(z) 1 1/U(z), så sandsynligheden for at F indtræffer før eller senere, er 1 f n F(1) limf(z) 1 limu(z), og denne sandsynlighed er lig 1, hvis og kun hvis limu(z) +. Det er en simpel analyse-øvelse, som vi ikke vil gå nærmere i detaljer med, at vise at Hermed er sætningen vist. limu(z) + u n +. Sætning 2 Hvis u n +, indtræffer F med sandsynlighed 1 uendelig mange gange. n0 Det vides at summen af u n -erne divergerer. Fra Sætning 1 ved vi da at F med sandsynlighed 1 indtræffer i hvert fald én gang. Antag at det vides at F med sandsynlighed 1 indtræffer mindst g gange, dvs. T g er med sandsynlighed 1 et endeligt tal. Så er P ( F indtræffer mindst g + 1 gange ) n0 P ( F indtræffer mindst g + 1 gange Tg k ) P(T g k) kg P ( F indtræffer efter tid k Tg k ) P(T g k) kg P ( V g+1 < Tg k ) P(T g k). kg

Tilbagevenden til start Side 4 af 5 I de led hvor P(T g k) > 0, er den betingede sandsynlighed lig med 1, fordi V g+1 og T g V 1 + V 2 + + V g er stokastisk uafhængige og dermed P ( V g+1 < Tg k ) P(V g+1 < ) P(V < ) der vides at være lig 1. Vi har således at P ( F indtræffer mindst g + 1 gange ) P(T g k) P(T g < ) der pr. antagelse er lig 1. Ved induktion har vi så at for ethvert g vil F med sandsynlighed 1 indtræffe mindst g gange. Sandsynligheden for at F kun indtræffer endeligt mange gange er da P ( {F indtræffer højst g gange} ) P ( F indtræffer højst g gange ) 0 g1 g1 da alle leddene er lig 0. Hermed er sætningen vist. kg 2 Vi skal nu anvende det foregående på symmetriske random walks Y 0,Y 1,Y 2,...;»fænomenet«F er tilbagevenden til start (som er 0), så u n P(Y n 0), der er forskellig fra 0 netop når n er et lige tal. Sætning 3 Lad Y 0,Y 1,Y 2,... være en symmetrisk random walk på de hele tal Z. Der gælder at med sandsynlighed 1 vender processen uendelig ofte tilbage til sit udgangspunkt. ( ) 2n (1 ) 2n, Antag at Y 0 0. Vi ved at P(Y 2n 0) og den størrelse vokser som 1/ πn n 2 når n vokser (det ses ved brug af Stirlings formel). Men da således u 2n 1/ πn, er u 2n +, så sætningen følger af Sætning 2. Korollar 1 Lad Y 0,Y 1,Y 2,... være en symmetrisk random walk på Z. Der gælder at med sandsynlighed 1 besøger processen ethvert punkt i tilstandsrummet Z uendelig ofte. For ethvert k gælder at processen med sandsynlighed 1 når til k før eller senere (det følger for eksempel af formlen for ruinsandsynligheden r k (formel (3.14) i bogen) når p q og N ). Derefter vender den ifølge Sætning 3 med sandsynlighed 1 tilbage til k uendelig ofte. Da alle hændelserne {Y n k uendelig ofte} har sandsynlighed 1, har deres fællesmængde også sandsynlighed 1.

Tilbagevenden til start Side 5 af 5 Sætning 4 Lad Y 0,Y 1,Y 2,... være en symmetrisk random walk på de hele tal Z, og lad V være ventetiden til første tilbagevenden til 0, dvs. V min{n N : Y n 0}. Da gælder at middelværdien af V er +. Med notationen fra beviset for Sætning 1 har vi at den frembringende funktion for V er F(z), der fandtes at være lig 1 1/U(z). Da vi nu har et eksplicit udtryk for u 2n og dermed for U(z), kan vi få et udtryk for F(z), nemlig 3 F(z) 1 1 z. Fra den generelle teori for sandsynlighedsfrembringende funktioner ved vi at E(V ) F (1), hvor F (1) skal forstås som lim F (z). I det foreliggende tilfælde er F (z) 1/(2 1 z) der går mod + når z 1. Sætning 5 Lad Y 0,Y 1,Y 2,... være en todimensional symmetrisk random walk på Z 2. Der gælder at med sandsynlighed 1 vender processen uendelig ofte tilbage til sit udgangspunkt. (( ) ) 2n (1 ) 2 Antag at Y 0 0. Vi ved 4 2n at P(Y 2n 0) der vokser som 1/(πn) når n 2 n vokser (det ses ved brug af Stirlings formel). Men da således u 2n 1/(πn), er u 2n +, så sætningen følger af Sætning 2. Sætning 6 Lad Y 0,Y 1,Y 2,... være en tredimensional symmetrisk random walk på Z 3. Der gælder at med positiv sandsynlighed vender processen aldrig tilbage til sit udgangspunkt. Antag at Y 0 0. Der gælder 5 at u 2n ( ) 1 2n( 2n 2) n j,k :j+k n ( (1 3 ) n n! ) 2 j!k!(n j k)! der vokser som n 3/2, og da Sætning 1. u 2n derfor er konvergent, følger det ønskede af 3 Se side 68 i bogen. 4 Se afsnit 4.3.2 i bogen. 5 Se side 361 i W. Feller: An Introduction to Probability Theory and Its Applications, Vol. I, Third Edition. 1968.