Benutzer:Tensorproduct/Theorie der großen Abweichungen

Dieser Artikel ist im Entstehen und noch nicht Bestandteil der freien Enzyklopädie Wikipedia.

Solltest du über eine Suchmaschine darauf gestoßen sein, bedenke, dass der Text noch unvollständig sein und Fehler oder ungeprüfte Aussagen enthalten kann. Wenn du Fragen zum Thema hast, nimm Kontakt mit dem Autor Tensorproduct auf.

Moderne Theorie der großen Abweichungen von Donsker und Varadhan für Markov-Prozesse.

Theorie der großen Abweichungen

Starkes und schwaches Prinzip der großen Abweichungen

Sei $X$ ein Topologischer Raum, der Hausdorff und regulär ist mit borelscher σ-Algebra ${\mathcal {B}}$ und $\{\mu _{\varepsilon }\}$ eine Familie von Wahrscheinlichkeitsmaßen. Das Prinzip der großen Abweichungen kurz "LDP (von englisch Large Deviation Principle) charakterisiert das Grenzwertverhalten von $\{\mu _{\varepsilon }\}$ für $\varepsilon \to 0$ bezüglich einer eindeutigen, unterhalbstetigen Rate-Funktion $I:X\to [0,\infty ]$. Man sagt für $\{\mu _{\varepsilon }\}$ gilt das schwache LDP falls

1) Für alle offenen $O\subset X$ gilt

$\liminf _{\varepsilon \to 0}{\frac {1}{\lambda (\varepsilon )}}\log \mu _{\varepsilon }(O)\geq -\inf \limits _{x\in O}I(x)$.

2) Für alle kompakten $C\subset X$ gilt

$\limsup _{\varepsilon \to 0}{\frac {1}{\lambda (\varepsilon )}}\log \mu _{\varepsilon }(C)\leq -\inf \limits _{x\in C}I(x)$.

Gilt hingegen statt 2) der Punkt 2') Für alle abgeschlossenen $C\subset X$ gilt

$\limsup _{\varepsilon \to 0}{\frac {1}{\lambda (\varepsilon )}}\log \mu _{\varepsilon }(C)\leq -\inf \limits _{x\in C}I(x)$

so spricht man vom starken LDP.

Eine Funktion $I:X\to [0,\infty ]$ heißt Rate-Funktion (auch Cramér-Funktion genannt) falls folgendes gilt:

1) $I$ ist unterhalbstetig, d. h. es gilt $K_{l}=\{x\in X:I(x)\leq l\}$ ist geschlossen für jedes $l<\infty$.

Man spricht von einer guten Rate-Funktion, falls zusätzlich gilt:

2) $K_{l}$ sind kompakt.