Wahrscheinlichkeitstheorie Aufgabensammlung
|
|
- Theresa Hofer
- vor 5 Jahren
- Abrufe
Transkript
1 rof. Dr. Z. Kabluchko Sommersemester 2016 Herik Flasche 4. Juli 2016 Wahrscheilichkeitstheorie Aufgabesammlug Keie Abgabe 1 Grezwertsätze er Wahrscheilichkeitstheorie 1.1 Lemma vo Borel Catelli Lemma 1.1 (Borel Catelli, Teil 1). Seie A 1, A 2,... Ereigisse i eiem WRaum (Ω, F, ) mit [A ] <. Da gilt [uelich viele A s trete ei] = 0. Lemma 1.2 (Borel Catelli, Teil 2). Seie A 1, A 2,... uabhägige Ereigisse i eiem WRaum (Ω, F, ) mit [A ] =. Da gilt [uelich viele A s trete ei] = 1. Aufgabe 1. Seie A 1, A 2,... uabhägige Ereigisse mit [A ] = p für alle N. Zeige Sie, ass [ ] 1I A = + = 1 p =. Aufgabe 2. Es sei X eie auf em Itervall [0, 1] gleichverteilte Zufallsvariable. Bestimme Sie ie Wahrscheilichkeit, ass i er Dezimalarstellug vo X as Muster 777 uelich oft vorkommt. Aufgabe 3. Es seie A 1, A 2,... u A Ereigisse mit [A A] <. Zeige Sie, ass [uelich viele A s trete ei] 1 [A]. Aufgabe 4. Seie ξ 1, ξ 2,... uabhägige, auf [0, 1] gleichverteilte Zufallsvariable. Zeige Sie: [Die Mege {ξ 1, ξ 2,...} ist überall icht im Itervall [0, 1]] = 1. Aufgabe 5. Kostruiere Sie abhägige Ereigisse A 1, A 2,... mit [A ] = u [uelich viele A s trete ei] = 0. Aufgabe 6. Seie X 1, X 2,... uabhägige, auf em Itervall [0, 1] gleichverteilte Zufallsvariable. Bestimme Sie [ ] 1I X<1/ = +.
2 1.2 Kovergez i Wahrscheilichkeit Defiitio 1.3. Eie Folge X 1, X 2,... vo Zufallsvariable kovergiert gege eie Zufallsvariable X i Wahrscheilichkeit (oer stochastisch), we für jees ε > 0 lim [ X X > ε] = 0. Dabei wir vorausgesetzt, ass alle Zufallsvariable auf eiem gemeisame WRaum (Ω, F, ) efiiert si. Bezeichug: X X. Aufgabe 7. Seie X 1, X 2,... Zufallsvariable mit X Exp(λ ), wobei lim λ = +. Zeige Sie, ass X 0. Aufgabe 8. Seie X 1, X 2,... Zufallsvariable mit X N(0, σ), 2 wobei lim σ 2 = 0. Zeige Sie, ass X 0. Aufgabe 9. Seie X 1, X 2,... Zufallsvariable u r > 0 mit lim E X r = 0. Zeige Sie, ass X 0. Aufgabe 10. Seie X 1, X 2,... Zufallsvariable u M eie Kostate mit [ X > M] = 0 für alle = 1, 2,.... Zeige Sie, ass X 0 geau a, we lim E X = 0. Aufgabe 11. Kostruiere Sie ichtegative Zufallsvariable X 1, X 2,... mit X + für alle. Aufgabe 12. Kostruiere Sie Zufallsvariable X 1, X 2,... u X mit X alle N u EX = +. Aufgabe 13. Für zwei Zufallsvariable X, Y : Ω R efiiere (X, Y ) := E[mi{ X Y, 1}]. (Der Erwartugswert ist wohlefiiert, e 0 mi{ X Y, 1} 1). Zeige Sie: (i) (X, Y ) = 0 geau a, we X = Y fast sicher. (ii) (X, Y ) = (Y, X) für beliebige Zufallsvariable X, Y. (iii) (X, Z) (X, Y ) + (Y, Z) für beliebige Zufallsvariable X, Y, Z. (iv) X X geau a, we lim (X, X) = 0. 0 u EX = X, EX = 0 für Somit ist eie Metrik auf er Mege aller Zufallsvariable (wobei fast überall gleiche Zufallsvariable ietifiziert were), welche ie Kovergez i Wahrscheilichkeit metrisiert. Aufgabe 14. Für zwei Zufallsvariable X, Y : Ω R efiiere [ ] X Y ρ(x, Y ) := E. 1 + X Y Zeige Sie, ass ρ Eigeschafte (i) (iv) aus er vorherige Aufgabe hat.
3 1.3 Kovergez i Verteilug Defiitio 1.4. Die Verteilugsfuktio eier Zufallsvariable X ist gegebe urch F X (t) = [X t], t R. Defiitio 1.5. Für eie Zufallsvariable X bezeiche wir mit S(X) ie Mege aller ukte t R, i ee F X stetig ist,.h. S(X) = {t R: [X = t] = 0}. Defiitio 1.6. Eie Folge X 1, X 2,... vo Zufallsvariable kovergiert i Verteilug gege eie Zufallsvariable X, we Bezeichug: X lim F X (t) = F X (t) für alle t S(X). X oer F X F X. Aufgabe 15. Seie X, X 1, X 2,... Zufallsvariable mit Werte i {0, 1, 2,...} u Zeige Sie, ass a X lim [X = k] = [X = k] für alle k = 0, 1, 2,.... X gilt. Aufgabe 16. Sei X Bi(, λ/), wobei λ > 0 ei arameter sei. Zeige Sie, ass X i Verteilug gege eie oisso-verteilug mit arameter λ kovergiert. [Für groß geug ist λ/ < 1 u ur solche s were hier betrachtet]. Aufgabe 17. Sei X Geo(λ/), wobei λ > 0 ei arameter sei. Zeige Sie, ass X / i Verteilug gege eie Expoetialverteilug mit arameter λ kovergiert. Aufgabe 18. Seie X 1, X 2,... Zufallsvariable mit X gleichverteilt auf [0, ]. Zeige Sie: es gibt keie Zufallsvariable X mit X X. Aufgabe 19. Seie X 1, X 2,... Exp(1) uabhägig. Zeige Sie, ass max{x 1,..., X } log i Verteilug gege eie Zufallsvariable mit Verteilugsfuktio e e x, x R, kovergiert (Gumbel Verteilug). Aufgabe 20. Seie X 1, X 2,... U[0, 1] uabhägig. Zeige Sie, ass mi{x 1,..., X } i Verteilug gege eie expoetialverteilte Zufallsvariable mit arameter 1 kovergiert. Aufgabe 21. Zeige Sie: Aus Kovergez i Wahrscheilichkeit folgt Kovergez i Verteilug. Aufgabe 22. Kostruiere Sie eie Folge vo Zufallsvariable, ie i Verteilug aber icht i Wahrscheilichkeit kovergiert. Aufgabe 23. Zeige Sie: Kovergiert eie Folge vo Zufallsvariable i Verteilug gege eie Kostate c, so kovergiert sie auch i Wahrscheilichkeit gege c.
4 Satz 1.7. Eie Folge vo Zufallsvariable X 1, X 2,... kovergiert i Verteilug gege eie Zufallsvariable X geau a, we lim Ef(X ) = Ef(X) für alle beschräkte, stetige Fuktioe f : R R. Aufgabe 24. Seie X 1, X 2,... Zufallsvariable mit X gleichverteilt auf er Mege { 1, 2,..., },.h. [X = 1/] = [X = 2/] =... = [X = /] = 1/. Zeige Sie, ass X i Verteilug kovergiert u bestimme Sie ie Grezwertverteilug. Aufgabe 25. Sei X = für = 1, 2,.... Zeige Sie, ass iese Folge i Verteilug icht kovergeiert. Defiitio 1.8. Die charakteristische Fuktio eier Zufallsvariable X ist gegebe urch ϕ X (t) = E[e ixt ], t R. Satz 1.9 (Lévy). Eie Folge vo Zufallsvariable X 1, X 2,... kovergiert i Verteilug gege eie Zufallsvariable X geau a, we lim ϕ X (t) = ϕ X (t) für alle t R. Aufgabe 26. Seie X 1, X 2,... Zufallsvariable mit X N(µ, σ 2 ), wobei µ := lim µ R u σ 2 := lim σ 2 (0, ) existiere. Zeige Sie, ass X i Verteilug gege ie Normalverteilug mit arameter (µ, σ 2 ) kovergiert. Aufgabe 27. Seie X 1, X 2,... Zufallsvariable mit X Exp(λ ), wobei λ := lim λ (0, ) existiere. Zeige Sie, ass X i Verteilug gege ie Expoetialverteilug mit arameter λ kovergiert. Aufgabe 28. Seie X 1, X 2,... Zufallsvariable mit X N(0, ). Zeige Sie: lim ϕ X (t) existiert für jees t R, aber X kovergiert icht i Verteilug. Warum ist es kei Wierspruch zum Satz vo Lévy? 1.4 Fast sichere Kovergez Defiitio Eie Folge vo Zufallsvariable X 1, X 2,... kovergiert fast sicher gege eie Zufallsvariable X, falls [{ }] ω Ω: lim X (ω) = X(ω) = 1. Dabei wir vorausgesetzt, ass alle Zufallsvariable auf eiem gemeisame WRaum (Ω, F, ) efiiert si.
5 f.s. Bezeichug: X X. Bemerkug Die obige Beigug ka ma abgekürzt auch folgeermaße formuliere: [ ] lim X = X = 1. Aufgabe 29. Zeige Sie: Für beliebige Zufallsvariable X 1, X 2,... u X si ie Mege { } { } ω Ω: lim X (ω) = X(ω) u ω Ω: lim X (ω) existiert messbar. Hiweis: Die zweite Mege ka zwar als a R {ω Ω: lim X (ω) = a} argestellt were, iese Vereiigug ist allerigs überabzählbar. Aufgabe 30. Sei X eie Zufallsvariable u a 1, a 2,... eie etermiistische Folge mit lim a = 0. Zeige Sie, ass a X a.s. 0. Satz Es gelte ie folgee Implikatioe: X f.s. X = X X = X u alle Rückrichtuge si im Allgemeie icht richtig. X Aufgabe 31. Seie X 1, X 2,... uabhägige Zufallsvariable mit X Beroulli-verteilt mit arameter 1/. Zeige Sie: X 0 u sogar X 0 aber icht X a.s. 0. Aufgabe 32. Seie X 1, X 2,... Zufallsvariable. Zeige Sie: Aufgabe 33. Sei X gibt. ε > 0 : [ X X > ε] < = X a.s. X. X. Zeige Sie, ass es eie Teilfolge k(1) < k(2) <... mit X a.s. k() X Aufgabe 34. Sei Ω = [0, 1], F = Borel σ-algebra auf [0, 1], = Lebesgue Maß. Zeige Sie: Die Folge X 1 = 1I [0,1/2], X 2 = 1I [1/2,1], X 3 = 1I [0,1/4], X 4 = 1I [1/4,1/2], X 5 = 1I [1/2,3/4], X 6 = 1I [3/4,1], X 7 = 1I [0,1/8], X 8 = 1I [1/8,1/4],... kovergiert i Wahrscheilichkeit gege 0, hat jeoch keie fast sichere Grezwert. Gebe Sie eie fast sicher kovergete Teilfolge vo X 1, X 2,... a. Aufgabe 35. Zeige Sie: Kovergiert eie mooto fallee Folge vo icht-egative Zufallsvariable gege 0 i Wahrscheilichkeit, so kovergiert sie sogar fast sicher gege 0. Dabei beeutet mooto falle, ass X 1 (ω) X 2 (ω) X 3 (ω)... 0 für alle ω Ω. Aufgabe 36. Zeige Sie: Für beliebige Folge vo Zufallsvariable X 1, X 2,... gibt es eie Zahlefolge a 1, a 2,... > 0 mit a X a.s. 0.
6 f.s. Aufgabe 37. Kostruiere Sie eie Folge vo ichtegative Zufallsvariable mit X 0 aber EX = + für alle N. Bemerkug: Diese Aufgabe zeigt, ass E[lim X ] lim EX. 1.5 L p -Kovergez Defiitio Eie Folge vo Zufallsvariable X 1, X 2,... kovergiert gege eie Zufallsvariable X i L p (oer im p-te Mittel), wobei p > 0, we lim E X X p = 0. Dabei wir vorausgesetzt, ass alle Zufallsvariable auf eiem gemeisame WRaum efiiert si u ass E X p < u E X p < für alle N. L Bezeichug: X p X. Aufgabe 38. Zeige Sie: Aus er Kovergez im p-te Mittel folgt Kovergez i Wahrscheilichkeit. Aufgabe 39. Kostruiere Sie Zufallsvariable X 1, X 2,... mit E X p 1 für alle N, ie fast sicher (u somit auch i Wahrscheilichkeit), aber icht im p-te Mittel kovergiere. Aufgabe 40. Seie X 1, X 2,... Zufallsvariable mit X X u X M, wobei M > 0 eie Kostate sei. Zeige Sie, ass X X für alle p > 0. L p Aufgabe 41. Zeige Sie: Aus er Kovergez im p-te Mittel folgt Kovergez im s-te Mittel, s < t. Aufgabe 42. Kostruiere Sie Zufallsvariable X 1, X 2,..., ie für jees p 1 im p-te Mittel aber icht fast sicher kovergiere. f.s. Aufgabe 43. Sei X eie Zufallsvariable. Zeige Sie, ass p E X p = ess sup X, lim p + wobei ess sup X = if{y R: [X > y] = 0} R {+ } as wesetliche Supremum vo X ist. [Das Ifimum eier leere Mege wir hier als + efiiert]. Zeige Sie, ass ess sup X sup{x(ω) : ω Ω} u gebe Sie ei Beispiel a, i em iese Ugleichug strikt ist. 1.6 Verschieees zu Kovergezarte Aufgabe 44. Seie X 1 = c 1, X 2 = c 2,... Zufallsvariable, wobei c 1, c 2,... etermiistische Kostate mit c := lim c R seie. Zeige Sie: (a) X kovergiert i Verteilug gege c. (b) X kovergiert i Wahrtscheilichkeit gege c. (c) X kovergiert fast sicher gege c. () X kovergiert i L p gege c, für alle p > 0.
7 Aufgabe 45. Betrachte Sie rei Folge (X ) N, (Y ) N, (Z ) N vo Zufallsvariable mit (a) Ageomme X (b) Ageomme X W, Z W, Z lim [X Y Z ] = 1. W. Zeige Sie, ass Y W. Zeige Sie, ass Y W. W. (c) Zeige Sie, ass eie aaloge Aussage für ie fast sichere Kovergez icht gilt. Aufgabe 46. Eie Folge X 1, X 2,... vo Zufallsvariable heißt straff (oer beschräkt i Wahrscheilichkeit), falls lim [ X > a] = 0. Zeige Sie: sup a + N (a) Si X 1, X 2,... u Y 1, Y 2,... straffe Folge, so ist auch ie Folge X + Y straff. (b) Ist X 1, X 2,... straffe Folge u Y (c) Eie Folge, ie i Verteilug kovergiert, ist straff. 0, so gilt auch X Y Gesetz er große Zahle Satz 1.14 (Starkes Gesetz er große Zahle, Kolmogorow). Seie X 1, X 2,... uabhägige ietisch verteilte Zufallsvariable mit E X 1 <. Da gilt X X f.s. E[X 1]. Satz 1.15 (Starkes Gesetz er große Zahle für icht ietisch verteilte Zufallsvariable, Kolmogorow). Seie X 1, X 2,... uabhägige (icht otweigerweise ietisch verteilte) Zufallsvariable mit E X 2 < für alle N u Var X 2 <. Da gilt für ie Folge er artialsumme S = X X, ass S ES f.s. 0. Aufgabe 47. Sei f : [0, 1] R eie Borel-Fuktio mit 1 0 f(t) t < u X 1, X 2,... uabhägige, auf [0, 1] gleichverteilte Zufallsvariable. Zeige Sie, ass f(x 1 ) f(x ) a.s. 1 0 f(t)t.
8 Aufgabe 48. Sei f : [0, 1] R eie stetige Fuktio. Bestimme Sie 1 1 ( ) x x lim... f x 1... x. 0 0 }{{} -faches Itegral Aufgabe 49. Seie X 1, X 2,... uabhägig mit X gleichverteilt auf [ α, α ], wobei 0 < α < 1 2 ei arameter sei. Zeige Sie, ass für iese Folge as starke Gesetz er große Zahle gilt: X X a.s. 0. Aufgabe 50. Seie X 1, X 2,... uabhägige Zufallsvariable mit X 1 = 0 u [X = +] = [X = ] = 1, [X = 0] = 1 2, 2. Zeige Sie, ass as starke Gesetz er große Zahle für iese Folge icht gilt, ämlich [ ] X X lim = 0 = 0. Aufgabe 51. Zeige Sie, ass lim }{{} faches Itegral x x 2 x x x 1... x = 2 3. Aufgabe 52. (a) Seie X 1, X 2,... uabhägige Cauchy-verteilte Zufallsvariable. Zeige Sie, ass 1 (X X ) ebefalls Cauchy-verteilt ist. (b) Zeige Sie, ass 1 (X X ) icht i Wahrscheilichkeit gege 0 kovergiert u somit as Gesetz er große Zahle für ie Cauchy Verteilug icht gilt. 1.8 Zetraler Grezwertsatz Satz 1.16 (Klassischer zetraler Grezwertsatz). Seie X 1, X 2,... uabhägige ietisch verteilte Zufallsvariable mit µ := EX 1 u σ 2 := Var X 1 <. Da gilt für ie Folge er artialsumme S = X X, ass S µ N(0, σ2 ). Aufgabe 53. Bestimme Sie approximativ ie Wahrscheilichkeit, ass ie Augesumme beim 1000-malige Werfe eies faire Würfels größer als 3500 ist. Aufgabe 54. Seie X 1, X 2,... uabhägige ietisch verteilte Zufallsvariable mit EX 1 = µ, σ 2 := Var X 1 <. Bestimme Sie lim [X X a]
9 für a < µ, a = µ u a > µ. Hiweis. Gesetz er große Zahle ist hilfreich, reicht aber im Fall a = µ icht aus. Aufgabe 55. Bestimme Sie e folgee Grezwert als Fuktio vo a [0, 1]: lim 1 2 [a] k=0 ( ). k Aufgabe 56. Bestimme Sie lim e (1 + ) 2 + 1! 2! + 3 3! ! Aufgabe 57. Betrachte Sie ie Folge vo Mege D 1, D 2,... mit D := {(x 1,..., x ) R : 0 x 1 1,..., 0 x 1, x x 2 /3} R. Bestimme Sie lim λ (D ), wobei λ as -imesioale Lebesgue-Maß (Volume) bezeichet. Aufgabe 58. Sei f : R R eie ichtegative Borel-Fuktio mit + f(x)x = 1, + x2 f(x)x = 1 u + x4 f(x)x <. Bestimme Sie lim... } {{ } x x2 a i Abhägigkeit vom arameter a > 0. (f(x 1 )... f(x )) x 1... x Satz 1.17 (Zetraler Grezwertsatz vo Lieberg). Für jees N seie uabhägige Zufallsvariable X,1,..., X, gegebe, so ass folgee Beiguge erfüllt si: (a) Zetriertheit: EX,k = 0 für alle k = 1,...,. (b) Normiertheit: k=1 E[X2,k ] = 1. (c) Die Lieberg Beigug: Für jees ε > 0: L (ε) := k=1 E[X2,k 1I X,k ε] 0. Da gilt er zetrale Grezwertsatz: X, X, N(0, 1). Satz 1.18 (Zetraler Grezwertsatz vo Ljapuow). Für jees N seie uabhägige Zufallsvariable X,1,..., X, gegebe, so ass (a), (b) erfüllt si u ie folgee Ljapuow Beigug gilt: (c ) Es gibt ei δ > 0 mit k=1 E[ X,k 2+δ ] 0. Da gilt er zetrale Grezwertsatz: X, X, N(0, 1). Aufgabe 59. Zeige Sie, ass (a), (b), (c ) = (c),.h. leite Sie e Satz vo Ljapuow aus em Satz vo Lieberg her.
10 Aufgabe 60. Es seie X 1, X 2,... uabhägige, icht ubeigt ietisch verteilte Zufallsvariable u M (0, ) eie Kostate mit [ X < M] = 1 (für alle N). Weiter gelte Var X =. Zeige Sie, ass für S := X X er folgee zetrale Grezwertsatz gilt: Hiweis: Satz vo Lieberg. S ES Var S N(0, 1). Aufgabe 61. Es seie X 1, X 2,... uabhägige, icht ubeigt ietisch verteilte Zufallsvariable mit EX k = 0, E[Xk 2 ] = 1 für alle k N u es gelte C := sup E[ X k 2+δ ] < k N für ei δ > 0. Zeige Sie, ass für S := X X er folgee zetrale Grezwertsatz gilt: Hiweis: Satz vo Ljapuow. S N(0, 1). Aufgabe 62. Seie X 1, X 2,... uabhägige Zufallsvariable mit X k gleichverteilt auf em Itervall [0, k] für alle k = 1, 2,.... Zeige Sie, ass 4 k=1 X k 2 3/2 i Verteilug kovergiert u bestimme Sie ie Grezwertverteilug. Aufgabe 63. Seie X 1, X 2,... uabhägig mit X gleichverteilt auf [ α, α ], wobei α > 0 ei arameter sei. Zeige Sie, ass für iese Folge er zetrale Grezwertsatz gilt, ämlich X X Var [X X ] N(0, 1). Aufgabe 64. Seie X N(0,!) uabhägig u ormalverteilt. Zeige Sie: Der Zetrale Grezwertsatz gilt für as Dreieicksschema X,k := X k /σ, k = 1,...,, wobei σ 2 = Var (X X ), ie Lieberg Beigug ist aber icht erfüllt. Aufgabe 65. Bestimme Sie (ohe Hilfsmittel) e umerische Wert vo +1 1 cos100 x x mit eiem relative Fehler vo < 10% Gesetz vo Kolmogorow Defiitio Seie X 1, X 2,... Zufallsvariable. Die termiale σ-algebra T ist efiiert urch T = σ(x, X +1,...), wobei σ(x, X +1,...) ie vo X, X +1,... erzeugte σ-algebra sei. Aufgabe 66. Zeige Sie, ass T tatsächlich eie σ-algebra ist.
11 Satz 1.20 (0-1-Gesetz vo Kolmogorow). Seie X 1, X 2,... uabhägige Zufallsvariable. Da gilt für jees Ereigis A aus er termiale σ-algebra T, ass [A] = 0 oer [A] = 1. Aufgabe 67. Seie X 1, X 2,... uabhägige Zufallsvariable. Zeige Sie, ass [ ] X kovergiert {0, 1}. Aufgabe 68. Seie X 1, X 2,... uabhägige Zufallsvariable. Zeige Sie, ass ie Zufallsvariable lim if X, lim sup X, lim if 1 k=1 X k, lim sup 1 X k, fast sicher kostat si. [I ieser Aufgabe lasse wir zu, ass Zufallsvariable ie Werte ± aehme]. k= Der Dreireihesatz vo Kolmogorow Satz 1.21 (Eireihesatz vo Kolmogorow). Seie X 1, X 2,... uabhägige Zufallsvariable mit EX = 0 u Var X <. Da kovergiert ie Reihe X fast sicher. Aufgabe 69. Seie ξ 1, ξ 2,... uabhägig staarormalverteilt. Zeige Sie, ass ie zufällige Taylor Reihe ξ x für x < 1 mit Wahrscheilichkeit 1 kovergiert. Satz 1.22 (Dreireihesatz vo Kolmogorow). Seie X 1, X 2,... uabhägige Zufallsvariable. Die Reihe X kovergiert fast sicher geau a, we ie folgee Beiguge für ei (äquivalet: für jees) A > 0 erfüllt si: (a) [ X > A] <. (b) Die Reihe E[X 1I X A] kovergiert. (c) Var [X 1I X A] <. Aufgabe 70. Es seie X 1, X 2,... u Y 1, Y 2,... Zufallsvariable mit [X Y ] <. Zeige Sie: X kovergiert fast sicher geau a, we Y fast sicher kovergiert. Aufgabe 71. Seie X 1, X 2,... uabhägige Zufallsvariable mit [X = ±1] = 1/2. Zeige Sie: Die Reihe a X kovergiert fast sicher geau a, we a2 <. Aufgabe 72. Seie ξ 1, ξ 2,... uabhägige, ietisch verteilte Zufallsvariable mit [ξ = +1] = [ξ = 1] = 1/2. Welche er folgee Reihe kovergiere mit Wahrscheilichkeit 1 u welche mit Wahrscheilichkeit 0? (a) ξ. (b) ξ.
12 (c) =2 () =2 ξ log. ξ log. Aufgabe 73. Seie X 1, X 2,... Zufallsvariable mit X 0. Zeige Sie: Die Reihe X kovergiert mit Wahrscheilichkeit 1 geau a, we ie Reihe mi(1, X ) fast sicher kovergiert. Aufgabe 74. Seie X 1, X 2,... uabhägig staar ormalverteilt. Zeige Sie: Die Reihe a X kovergiert fast sicher geau a, we a2 <. Hiweis für ie Hirichtug: Aus er fast sichere Kovergez vo a X folgt, ass ie artialsumme i Verteilug kovergiere. Daraus folgt ie Kovergez er charakteristische Fuktioe. Diese köe explizit berechet were. Aufgabe 75. Seie X 1, X 2,... uabhägig staar Cauchy-verteilt. Zeige Sie: Die Reihe a X kovergiert fast sicher geau a, we a < Verschieees Aufgabe 76. Seie X 1, X 2,... uabhägige, ietisch verteilte Zufallsvariable mit X i U[0, 1]. Sei N ie größte Zahl mit er Eigeschaft, ass ie eliche Folge X 1, X 2,..., X N mooto ist. Zeige Sie, ass EN = 2e 3. Hiweis: Bestimme Sie [N k] für k = 1, 2,.... Aufgabe 77. Seie ξ 1, ξ 2,... uabhägige, auf [0, 1] gleichverteilte Zufallsvariable. Bestimme Sie [Miestes eie er Zahle {ξ 1, ξ 2,...} ist ratioal]. Aufgabe 78. Die Euler sche ϕ-fuktio ist folgeermaße efiiert: ϕ() ist ie Azahl er Zahle uter 1, 2,...,, ie teilerfrem zu si. Beweise Sie ie Euler sche Formel ( ϕ() = 1 1 ) p mit wahrscheilichkeitstheoretische Mittel. p : rimteiler vo
Der zentrale Grenzwertsatz
KAPITEL 13 Der zetrale Grezwertsatz Der zetrale Grezwertsatz besagt, ass eie Summe vo sehr viele uabhägige ietisch verteilte Zufallsvariable mit elicher Variaz approximativ ormalverteilt ist. Dieser Satz
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
MehrKonvergenz von Punktprozessen
KAPITEL 1 Kovergez vo Puktprozesse I iesem Kapitel were wir Verteilugskovergez er Puktprozesse eiführe u eiige Beispiele betrachte, i ee Poisso Prozesse als Grezwerte vo Puktprozesse er seltee Ereigisse
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
MehrKompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0
Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge
Mehr1. Wahrscheinlichkeitsrechnung. 2. Diskrete Zufallsvariable. 3. Stetige Zufallsvariable. 4. Grenzwertsätze. 5. Mehrdimensionale Zufallsvariable
1. Wahrscheilichkeitsrechug. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grezwertsätze 5. Mehrdimesioale Zufallsvariable Stetige Zufallsvariable Eie Zufallsvariable X : Ω R heißt stetig, we
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
MehrKonvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrKAPITEL 9. Konfidenzintervalle
KAPITEL 9 Kofiezitervalle Sei {h θ (x) : θ Θ} eie Familie vo Dichte bzw Zählichte I iesem Kapitel ist Θ = (a, b) R ei Itervall Seie X,, X uabhägige u ietisch verteilte Zufallsvariable mit Dichte bzw Zählichte
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrAnalysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
MehrKonvergenz von Folgen reeller Zufallsvariablen
Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
MehrMusterlösungen zur Klausur Analysis I Verständnisteil
WS 2008/2009 Prof. Dr. Scheider Musterlösuge zur Klausur Aalysis I Verstädisteil 04.02.2009. a A ist ach Defiitio abzählbar, falls A edlich ist, oder falls carda = cardn gilt. b Ei Pukt x A ist ei ierer
Mehr2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33
2. ZUFALLSVARIABLEN UND IHRE VERTEILUNGEN 33 2. Zufallsvariable ud ihre Verteiluge 2.1. Defiitio der Zufallsvariable Defiitio 2.1. Seie (Ω, F) ud (Ω, F ) messbare Räume ud IIP ei Wahrscheilichkeitsmass
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrKapitel 8: Unendlich teilbare Verteilungen
- 8 (Kapitel 8: Uelich teilbare Verteilge Kapitel 8: Uelich teilbare Verteilge I iesem Kapitel were wir elich teilbare Verteilge af ( I R, B stiere, ie afs Egste mit e reellwertige Prozesse (X t t mit
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrAnalysis Übungen Hausaufgaben für 4. April
Aalysis Übuge Hausaufgabe für 4. April Reihe sg 1. AN 8.2. c), AN 8.9. a). 2. Beweise die otwedige Bedigug für die Kovergez eier Reihe: we a koverget ist, da lim a = 0. (I der Praxis: we lim a 0, da ist
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrKAPITEL 9. Konfidenzintervalle
KAPITEL 9 Kofiezitervalle 9 Defiitio eies Kofiezitervalls Sei (P θ ) θ Θ eie Familie vo Wahrscheilichkeitsmaße auf em Stichproberaum (X, A) I iesem Kapitel ist Θ = (a, b) R ei Itervall Seie X eie gemäß
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
MehrResultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen
26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrUbungen zur Analysis 1. Prof. Dr. Kohnen. Dr. O. Delzeith
Ubuge zur Aalysis 1 Prof. Dr. Kohe Dr. O. Delzeith SS 1996 1. Beweise Sie uter Beutzug der i der Vorlesug geate vier Axiome fur N : Sid m; ; p; q 2 N ud gilt m > sowie p > q, so gilt mp > q. (3 Pukte)
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
MehrAnalysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung
Aalysis II Sommer 06 Prof Dr George Mariescu / Dr Frak Lapp Übug Zuallererst sollt ihr die zusätzliche Übug utze um Lösuge vo Aufgabe zu bespreche, zu dere Besprechug ihr i de Übuge davor icht gekomme
Mehr24 Konvergente Teilfolgen und Cauchy-Kriterium
120 IV. Uedliche Reihe ud Taylor-Formel 24 Kovergete Teilfolge ud Cauchy-Kriterium Lerziele: Kozepte: Teilfolge, Häufugswerte, Limes superior ud iferior, Cauchy-Folge Resultate: Satz vo Bolzao-Weierstraß,
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrZusammenfassung: Folgen und Konvergenz
Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 8 Defiitioe ud Beispiele für Folge Defiitio Eie
MehrAnalysis I. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Aalysis I 5. Übugsstude Steve Battilaa steveb@studet.ethz.ch battilaa.uk/teachig March 9, 07 Erierug Satz. Quotietekriterium (bei!,,...) Das Quotietekriterium zeigt absolute Kovergez. lim a +
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
MehrKonvergente Folgen. Kapitel Reelle Folgen und Reihen. Motivation: Ein einem Kreis K einbeschriebenes (regelmäßiges) n-eck E n 19/11/99.
Kapitel Kovergete Folge.0 Reelle Folge ud Reihe Motivatio: Ei eiem Kreis K eibeschriebees (regelmäßiges) -Eck E 9//99 approximiert die Fläche des Kreises: =6 Fläche (E ) Fläche(K) falls 0. Die mathematisch
MehrBeweis des Primzahlsatzes nach Newman
Beweis des Primzahlsatzes ach Newma Eileitug Aleader Zeilma 3. Jauar 23 Betreut durch Prof. Dr. Folkmar Borema Defiitio : Primzahlfuktio Wir defiiere π) als die Azahl der Primzahle kleier oder gleich :
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiao Dr. M. Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik 3 für Physik (Aalysis 2) http://www-hm.ma.tum.de/ss10/ph2/ 23. Charakterisierug vo Cauchy-Folge
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 5. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr A Müller-Rettkowski Dr T Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum
Mehr5. Übungsblatt - Lösungsskizzen
Eiführug i die Wahrscheilichkeitstheorie ud Statistik rof. Dr. Ja Johaes Sadra Schluttehofer Witersemester 8/9 5. Übugsblatt - Lösugsskizze Aufgabe 7 (Neyma-earso-Lemma für stetige Verteiluge, 4 ukte).
MehrLösungen zur Übungsserie 10
Aalysis Herbstsemester 08 Prof Peter Josse Motag, 3 Dezember Lösuge zur Übugsserie 0 Aufgabe,,4,,6,8,9,,,3,4 Aufgabe Sei V der R-Vektorraum der stetige Fuktioe auf dem Itervall [0, ], ud sei d 0 eie gaze
MehrKapitel VI. Reihen. VI.1 Definitionen und Beispiele. Definition VI.1. Sei (a n ) n=1 K N eine Zahlenfolge. Dann heißt die Folge (s m ) m=1 K N, mit
Kapitel VI Reihe VI.1 Defiitioe ud Beispiele Defiitio VI.1. Sei (a K N eie Zahlefolge. Da heißt die Folge (s m K N, mit m s m : a, (VI.1 Reihe i K. Ist (s m koverget, so schreibe wir { a : lim {s m m}
Mehr1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch
Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Istitut für Aalysis Dr. A. Müller-Rettkowski Dr. T. Gauss WS 00/ Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrVorlesungsmitschrift Stochastik II. gehalten von Prof. Dr. Silke Rolles im Sommersemester 2008 an der Technischen Universität München
Vorlesugsmitschrift Stochastik II gehalte vo Prof. Dr. Silke Rolles im Sommersemester 2008 a der Techische Uiversität Müche Dieses Dokumet ist die digitalisierte Versio meier persöliche Mitschrift vo obe
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
Mehrn=1 b n, deren Summe n=1 (a n + b n ) eine konvergente Reihe ist. Die Aussage ist WAHR, ein mögliches Beispiel sind die divergenten Reihen 1
ANALYSIS WS 08/09 Vorlesug: Prof. Dr. P. Ullrich Übuge: Dr. I. Kharif/ Dr. M. Steihauer 9. ÜBUNGSBLATT- LÖSUNGSHINWEISE/Ergebisse Die folgede Bearbeituge sid - zum Teil - keie ausführliche Musterlösuge,
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
MehrAnalysis I. Carsten Schütt WS 2010/11
. Falls Christa Purzelbäume schlägt, da isst Bruo Torte. Christa ist geau da übel, we Ato Likör trikt ud Christa Purzelbäume schlägt. Falls Christa übel ist, da ist Bruo besorgt ud isst Torte. Etweder
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrKapitel I Zahlenfolgen und -reihen
Kpitel I Zhlefolge ud -reihe D (Zhlefolge) Ist jeder Zhl geu eie Zhl R,,,, eie (reelle) Zhlefolge bilde M schrieb: Die heiße Glieder der Zhlefolge zugeordet, so sgt m, dss die Zhle B Eie Zhlefolge ist
MehrDirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen
Vortrag zum Semiar zur Fuktioetheorie, 7.2.2007 Holger Witermayr I diesem Vortrag werde wir Kovergezeigeschafte vo Dirichlet-Reihe erarbeite ud eie Vergleich zu Potezreihe ziehe. Ei weiteres Ziel dieses
MehrTutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt
Mehr38 Normen und Neumannsche Reihe
168 V. Lieare Algebra 38 Norme ud Neumasche Reihe Wir erier zuächst a (vgl. 15.6) 38.1 Normierte Räume. Es sei E ei Vektorraum über K = R oder K = C. Eie Abbildug : E [0, ) heißt Norm auf E, falls gilt
MehrKAPITEL 3. Zahlenreihen. 3.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen... 80
KAPITEL 3 Zahlereihe 3. Geometrische Reihe......................... 7 3.2 Kovergezkriterie......................... 72 3.3 Absolut kovergete Reihe.................... 80 Lerziele 3 Eigeschafte der geometrische
Mehr5 Zentraler Grenzwertsatz von Lindeberg-Lévy
5 Zetraler Grezwertsatz vo Lideberg-Lévy 5. Charakteristische Fuktioe Defiitio Es sei X Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, A, P ). Da heißt die charakteristische Fuktio zu X. φ X (t) :=
Mehr18 Exponentialfunktion und Logarithmus
8 Epoetialfuktio u Logarithmus Lerziele: Kozepte: Epoetialfuktio u Logarithmus Resultat: Wachstumshierarchie für Fuktioe u Folge Kompeteze: Berechug weiterer Itegrale I iesem Abschitt führe wir e Logarithmus
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
Mehr