Kapitel 7. Exponentialfamilien. 7.1 Wahrscheinlichkeitsverteilungen
|
|
- Timo Grosser
- vor 5 Jahren
- Abrufe
Transkript
1 Kapiel 7 Exponenialfamilien Exponenialfamilien sind dominiere saisische Räume, deren Likelihoodfunkion eine besonders einfache Srukur besiz, ihr Logarihmus is von affiner Gesal. Neben der daraus resulierenden sehr guen analyischen Handhabbarkei zeichnen sie sich durch zahlreiche saisische Eigenschafen aus. Hinzu komm, daß viele der gängigen klassischen saisischen Räume Exponenialfamilien bilden. In diesem Kapiel unersuchen wir Exponenialfamilien von Vereilungen und von Lévy- Prozessen. Ausführliche und iefer gehende Ergebnisse finde man in Küchler, Sørensen, Wahrscheinlichkeisvereilungen Es sei µ ein σ-finies Maß auf k, B k. Wir definieren I := { u k : exp < u, x > µ dx < k und sezen voraus, daß I einen nichleeren offenen Kern enhäl: I. Für jedes u I definieren wir ein Wahrscheinlichkeismaß IP u auf B k durch IP u A = exp { < u, x > ψu µ dx, A B k A mi ψu := ln exp { < u, x > µ dx, u I. k 71
2 72 KAPITEL 7. EXPONENTIALFAMILIEN Definiion 7.1. Für jede Teilmenge J von I mi mehr als einem Elemen nenn man IP u, u J eine Exponenialfamilie von Wahrscheinlichkeismaßen auf k, erzeug von µ. Der Parameer u heiß kanonischer Parameer der Exponenialfamilie. Exponenialfamilien bilden saisische Räume und jedes IP u 0 aus P = IP u, u I mi u 0 I is ein dominierendes privilegieres Wahrscheinlichkeismaß für P. Beispiel 7.1. µ = N 0, 1, d IP u = 1 exp { x2 2π 2 u2 + ux dx = exp 2 {ux u2 dµ, 2 ψu = u2 2, u I =. IPu is eine Normalvereilung mi dem Erwarungswer u. Beispiel 7.2. µ{k = λk 0 k! e λ 0, IP u {k = exp {uk ψu µ {k, u I =, mi ψu = λ 0 e u 1. IP u is eine Poissonvereilung mi dem Parameer λ 0 e u. Beispiel 7.3. µ = Γα 0, λ 0, α 0, λ 0 > 0, d.h. µ dx = 1 Γα 0 xα 0 1 λ α 0 0 e λ0x 1 0, x dx, x. IP u dx = 1 Γα 0 xα 0 1 λ α 0 0 e λ0 ux e ψu 1 0, x dx λ0 mi ψu = α 0 ln und u I =, λ 0. λ 0 u IP u is eine Γα 0, λ 0 u-vereilung. Is γ eine Abbildung von Θ m in I, so nenn man auch Exponenialfamilie sofern γθ mehrelemenig is. IP ϑ := IP γϑ, ϑ Θ eine Die folgende Aussage is eine mehrdimensionale Verallgemeinerung der Aussagen, die wir in der ersen Übung kennengelern haben. Aussage 7.1. Die Menge I is konvex. Wenn u I gil, so is ψ in u unendlich of differenzierbar, und es gil für alle i j 0, j = 1, 2,..., k: x i 1 1 x i 2 2 x i k k e <u,x> µ dx < i i k u i u i exp {ψu = x i 1 k 1 x i 2 2 x i k k e <u,x> µ dx. k
3 7.1. WAHRSCHEINLICHKEITSVERTEILUNGEN 73 Für einen Beweis siehe Dacunha-Caselle, Duflo, Band I. Es seien H = H 1, H 2,..., H k eine k -werige Zufallsgröße über Ω, A und ν ein σ- finies Maß auf Ω, A. Dann is durch IP u A = exp {< u, Hω > ψu ν dω A mi ψu = ln exp {< u, Hω > ν dω, Ω u I und I := { v k : Ω exp { < u, Hω > ν dω < auf Ω, A eine Familie P H von Wahrscheinlichkeismaßen IP u, u I gegeben, die wir die von H und ν erzeuge Exponenialfamilie nennen. Die Zufallsgröße H heiß kanonische Zufallsgröße für P H. Die Anwendung der vorangegangenen Aussage auf ν H := ν H 1 liefer: Aussage I is konvex und ψ is im Inneren von I unendlich of differenzierbar, 2. Wenn u I, so sind alle Momene endlich, und es gil grad ψu exp {ψu = Ω H i 1 1 H i H i k k exp { < u, H > ψu µ dω H exp {< u, H > dµ, also IE u H = grad ψu, 3. Für u I haben wir KovH i, H j = 2 ψ u i u j u. Aussage 7.3. Die Sichprobenfunkion H is eine minimal suffiziene Saisik für P H bezüglich A. Beweis: Wir erinnern zunächs an die Bezeichnung M 0 := σ Lϑ ; ϑ Θ. Es gil M 0 σh, da e <u,h> bezüglich σh meßbar für alle u k is.
4 74 KAPITEL 7. EXPONENTIALFAMILIEN Andererseis, is u I und v irgend ein Elemen von k, so gil < v, H >= lim h 0 h exp {< u + vh, H > exp {< u, H >. h exp {< u, H > Also is für jedes v k die Zufallsgröße < v, H > bezüglich M 0 meßbar, und somi auch H selbs, d.h., es gil σh M 0. Ω, A, P bilde eine Exponenialfamilie mi der kanonischen Zufallsgröße H. Das zufällige Experimen werde n-mal mi demselben wahren Parameer ϑ Θ unabhängig voneinander durchgeführ. Ω k, A k, IP ϑ sei der Wahrscheinlichkeisraum für das k-e Experimen, ω k sei das Ergebnis des k-en Experimens, A k Ereignisse, die mi dem k-en Experimen zusammenhängen. Dann wird das Gesamexperimen, das aus den n Einzelexperimenen beseh, beschrieben durch: n n Ω := Ω j, A := A j, P n := IP n ϑ : ϑ Θ mi j=1 j=1 IP n ϑ := IP ϑ IP ϑ, ω = ω 1,..., ω n Ω. Für die diesem Gesamexperimen ensprechende Wahrscheinlichkeisvereilung gil IP ϑ IP ϑ A 1... A n = n n { = IP ϑ A j = exp < γϑ, Hω j > ψϑ dµω j A j j=1 IP n A = A exp j=1 { = < γϑ, A 1... A n exp { < γϑ, n Hω j > nψϑ dµ n ω. j=1 n Hω j > nψϑ dµ n ω, A A. j=1 Folgerung 7.2. Is X = X = X 1,..., X n eine mahemaische Sichprobe und bilde IP X 1 ϑ eine Exponenialfamilie mi der kanonischen Variablen Hx, so is HX HX n eine minimal suffiziene Saisik für P X. Beweis: Es gil L X ϑ; x = n exp { < γϑ, Hx k > ψϑ = d IPX ϑ dµ n x, Lϑ; ω = LX ϑ; Xω
5 7.2. LÉVY-PROZESSE 75 d.h., n j=1 HX j is die kanonische Zufallsgröße der Produk-Exponenialfamilie IP X ϑ, ϑ Θ. 7.2 Lévy-Prozesse Es seien Ω, A, IP ein Wahrscheinlichkeisraum und X 0 ein Lévy-Prozess über Ω, A, IP. Daruner versehen wir einen sochasisch seigen reellwerigen zufälligen Prozess mi unabhängigen saionären Zuwächsen, der IP-fas sicher bei Null sare und dessen Trajekorien die càdlàg-eigenschaf haben. Beispiele sind der Wienersche, der Poissonsche, der Gamma-, und jeder zusammengeseze Poissonsche Prozess. Für jedes > 0 sei F die Vereilungsfunkion von X bezüglich IP: F x = IPX x, x, > 0. Lemma 7.3. Is IE IP exp {ux < für ein u und ein > 0, so gil IE IP exp {uxs < für alle s > 0. Beweis: Es sei zunächs s 0,. Dami is X nach Voraussezung die Summe der zwei unabhängigen Zufallsgrößen Xs und X Xs, die die Vereilungsfunkionen F s bzw. F s besizen. Folglich gil F = F s F s. a Diese Gleichung schreiben wir in der Form F z = F s z yf s dy = 1,z y] xf s dx F s dy = 2 1,z] x + yf s dx F s dy, z. Wir haben die Folgerung von Tonelli-Hobson zum Saz von Fubini benuz. Daraus ergib sich mi der üblichen Approximaionsmehode für alle nichnegaiven meßbaren Funkionen f auf die Gleichung fzf dz = fx + yf s dx F s dy, 2 b
6 76 KAPITEL 7. EXPONENTIALFAMILIEN wobei beide Seien gleichzeiig endlich oder beide unendlich sind. Sez man fz = exp{uz, so is nach Voraussezung exp{uzf dz < und aus b und dem Saz von Fubini folg exp{uxf s dx <. Is dagegen s >, so wähl man m 1 derar, daß m > s gil. Nun ergib sich mi analogen Mieln und aus der genannen Folgerung des Sazes von Fubini m m e ux F dx = e ux x m F dx j = e uz F m dz <. j=1 Daraus folg, wie bereis gezeig, e sx F s dx <. Das Lemma erlaub folgende Definiion 7.4. Das Inervall I werde definier durch { I = u : exp{ux d IP = exp{uxf dx <. Dabei is > 0 beliebig gewähl, I is unabhängig von. Es sei u I. Dann is die Funkion ψ u, definier durch ψ u = ln exp{uxf dx, > 0 endlich. Außerdem gil ψ s+ u = ln ln exp{uzf s+ dz = ln exp{uxf s dx exp {ux + y F s dx F dy = exp{uyf dy = ψ s u + ψ u, s, > 0. Wegen der sochasischen Seigkei von X is auch ψ u seig, und es folg ψ u = ψ 1 u, wir sezen ψu := ψ 1 u.
7 7.2. LÉVY-PROZESSE 77 Lemma 7.5. Für jedes u I is der Prozess M u, 0, definier durch M n := exp { ux ψu, 0 ein Maringal bezüglich der Filraion A X, 0 mi A X := σ Xs, s, 0. Beweis: Es gil IE M u +s As X = IE exp { ux +s X s + ux s A X s e +sψu = exp { ux s sψu IE exp { ux +s X s ψu A X = M u s IE M u = M u s. s Wir definieren durch IP u A := M u d IP, A A X A ein Wahrscheinlichkeismaß IP u Sinne, daß gil: auf A X. Die Familie IP u, > 0 is verräglich in dem Is A A X s und s <, so is A A X mi IP u s A = IP u A. Das ergib sich aus der Maringaleigenschaf von M u : IP u s A = M s u d IP = A A M u d IP = IP u A. Somi is eine Mengenfunkion IP u auf >0 A X definier: IP u A = IP u A, falls A A X. Sie is σ-addiiv und somi eindeuig erweierbar zu einer Wahrscheinlichkeisvereilung IP u auf A X := >0 A X = σ X, 0. Die eindeuige Forsezung von IP u auf A X werde ebenfalls mi IP u bezeichne.
8 78 KAPITEL 7. EXPONENTIALFAMILIEN Aussage 7.4. Die Wahrscheinlichkeismaße IP u, u I, sind lokal absoluseig, d.h. IP u IP := IP A X, > 0, und es gil nach Definiion d IP u d IP = exp { ux ψu, > 0, u I. Die Familie IP u, u I heiß die zu IP und X, 0 gehörende Exponenialfamilie von Wahrscheinlichkeismaßen auf A X. Aussage 7.5. Für jedes u I is X, 0 bezüglich IP u ein Lévy-Prozess. Gil u I, so haben wir Beweis: IE u X = ψ u, Var u X = ψ u. Sind X und Y zwei n-dimensionale zufällige Vekoren über Ω, A, IP und is A eine n n- Marix mi X = A Y, so gil offenbar IE fx = IE fa Y, also fx IP X dx = fay IP Y dy. n n Is nun X = X 1, X 2,..., X n und Y = X 1, X 2 X 1,..., X n X n 1, so haben wir mi A = für jede beschränke meßbare Funkion f also IE u fx = IE u fa Y, Ω und somi wegen { { exp ux n n ψu fx d IP = exp ux n n ψu fa Y d IP Ω X n = X 1 + X 2 X X n X n 1 e uxn nψu fx 1, x 2,..., x n IP X dx 1,..., dx n n = fy 1, y 1 + y 2,..., y 1 + y y n e uy 1+y 2 + +y n ψu n n n = fy 1, y 1 + y 2,..., y 1 + y y n F u k k 1 dy k n n F k k 1 dy k
9 7.3. VOLLSTÄNDIGE STATISTIKEN 79 mi F u dx = exp { ux ψu F dx. Da f beliebig is, folg daraus, daß für jedes u I der Prozess X, 0 bezüglich IP u unabhängige und saionäre Zuwächse besiz. Das bedeue, die eindimensionalen Vereilungen F u u I bilden selbs wieder Exponenialfamilien. Folgerung 7.6. X is eine minimal suffiziene Saisik für P = IP u, u I hinsichlich A X. Außerdem bilde X gil Var X = ψ u. 7.3 Vollsändige Saisiken eine erwarungsreue Schäzung für ψ u. Für ihre Sreuung Es seien Ω, A, P ein saisisches Modell mi P = IP ϑ, ϑ Θ und T eine Saisik über Ω, A mi Weren in einem meßbaren Raum E, E. Definiion 7.7. Die Saisik T heiß vollsändig b-vollsändig, falls jede reellwerige Borelmeßbare Funkion Φ auf E, E, die IP T ϑ -inegrierbar is bzw. die beschränk is, und für die gil IE ϑ ΦT = 0, für alle ϑ Θ, nowendig Null is IP T ϑ -f.s., für alle ϑ Θ. Aussage 7.6. Es sei U ein erwarungsreuer Schäzer für γϑ mi IE ϑ U 2 <, ϑ Θ. Weierhin sei T eine vollsändige und suffiziene Saisik für ϑ bezüglich A. Dann is IE U T ein erwarungsreuer Schäzer für γϑ mi kleinerer Varianz: Var IE U T VarU. 7.1 IE U T is eine Funkion von T und zwar die einzige Funkion ht, die einen erwarungsreuen Schäzer für γϑ darsell. Folglich is IE U T der Schäzer mi minimaler Varianz uner allen erwarungsreuen Schäzern für γϑ: ein MVUE, minimum variance unbiased esimaor.
10 80 KAPITEL 7. EXPONENTIALFAMILIEN Beweis: Die Ungleichung 7.1 is eine Eigenschaf bedinger Erwarungen. Is S ein erwarungsreuer Schäzer für γϑ und is S eine Funkion von T, d.h. gil S = ht, so haben wir IE ϑ ht = IEϑ IEU T für alle ϑ Θ. Aus der Vollsändigkei von T folg ht = IEU T. Beispiel 7.4. Is P eine Exponenialfamilie mi der kanonischen Zufallsgröße H, so is H minimal suffizien und vollsändig. Beweis: Es gil 0 = IE ϑ fh = fx exp { < x, u > ϕu µ H dx = exp { ψu fx exp { < x, u > µ H dx. Das bedeue, die Laplace-Transformieren von f + und f sind gleich auf Θ. Daraus ergib sich f + = f = 0 µ H -fas überall und somi fh = 0 IP ϑ -fas sicher für alle ϑ Θ. Wir haben hier benuz, daß γθ in I ein nichleeres Inneres besiz. Beispiel 7.5. Es seien Ω, A, P ein dominieres saisisches Modell, T eine Saisik über Ω, A. Is T suffizien und b-vollsändig, so is T minimal suffizien. Beweis: Die σ-algebra σt, vervollsändig bezüglich IP IP is ein privilegieres dominierendes Maß, enhäl die minimal suffiziene σ-algebra M 0. Umgekehr: Is C σt, so is IE ϑ I C IE 1 C M 0 = 0 für alle ϑ Θ. Dami gil 1 C = IE 1 C M 0 IP ϑ -fas sicher für alle ϑ Θ wegen der Vollsändigkei von T. Somi ha 1 C eine IP-Version, die M 0 -meßbar is, d.h. C M IP 0. Aus der Minimalsuffizienz folg nich die b-vollsändigkei siehe 6. Übung.
11 7.4. DIE CRAMER-RAO-UNGLEICHUNG UND EXPONENTIALFAMILIEN Die Cramer-Rao-Ungleichung und Exponenialfamilien Es sei Ω, A, P ein saisisches Modell mi P = IP ϑ, ϑ Θ, Θ k und einem dominierenden σ-finien Maß µ. Wir können o.b.d.a. annehmen, daß µ ein Wahrscheinlichkeismaß is und bezeichnen es deshalb der Gewohnhei gemäß mi IP: Die Likelihoodfunkion Lϑ ; ω ϑ Θ, ω Ω is definier durch Lϑ ; ω := d IP ϑ IP. Wegen IP ϑ Lϑ ; > 0 = 1 is für jedes ϑ Θ lϑ ; := ln Lϑ ; eine IP ϑ -fas sicher definiere Zufallsgröße über Ω, A. µ = IP. Voraussezung: Die Funkion ϑ Lϑ ; ω sei differenzierbar für IP-fas alle ω Ω und es gele IE ϑ gradϑ lϑ ; 2 <, für alle ϑ Θ. is die Euklidische Norm in k Definiion 7.8. Die Marix Iϑ, definier durch Iϑ := IE ϑ grad ϑ lϑ ; grad T ϑ lϑ ; heiß Fisher-Informaionsmarix des saisischen Modells Ω, A, P. Aussage 7.7 Cramer-Rao-Ungleichung. Es gele a Für IP ϑ -fas alle ω sei ϑ Lϑ ; ω seig differenzierbar bezüglich ϑ, b IE ϑ grad ϑ lϑ ; 2 <, ϑ Θ c Für jede Zufallsgröße Y mi IE ϑ Y 2 < gele grad ϑ IE ϑ Lϑ ; Y = IEϑ gradϑ Lϑ ; Y, ϑ Θ d Iϑ sei regulär, ϑ Θ. Dann gil für jedes ϑ Θ und für jede Zufallsgröße Y mi IE ϑ Y < die Ungleichung IE ϑ Y IEϑ Y 2 grad ϑ IE ϑ Y T I 1 ϑ grad ϑ IE ϑ Y.
12 82 KAPITEL 7. EXPONENTIALFAMILIEN Spezialisierungen: Wenn Y eine erwarungsreue Schäzung für γϑ is, so gil: DϑY 2 grad ϑ γ ϑ T I 1 ϑ grad ϑ γ ϑ, und is Θ eindimensional, Θ, so haben wir 2 γϑ DϑY 2. Iϑ Beweis der Cramer-Rao-Ungleichung: 1. Schri: Aus c folg IE grad ϑ Lϑ; = 0, d.h. IE ϑ gradϑ ln Lϑ; = 0 Wegen IE Lϑ ; = 1 Es gil folglich: grad ϑ IE ϑ Y = grad ϑ IE Lϑ ; Y = IE grad ϑ Lϑ ; Y = IE ϑ grad ϑ ln Lϑ ; Y = IE ϑ grad ϑ ln Lϑ ; Y IE ϑ Y Schri: Für alle u k gil mi < u, v >= k l=1 u kv k = u T v < u, grad ϑ IE ϑ Y > 7.2 = IE ϑ < u, grad ϑ ln Lϑ ; > Y IE ϑ Y, und somi wegen der Cauchy-Schwarzschen Ungleichung Das heiß, < u, grad ϑ IE ϑ Y > 2 IE ϑ < u, gradϑ ln Lϑ ; > 2 IE ϑ Y IEϑ Y 2. IE ϑ Y IEϑ Y 2 Wir fixieren ϑ Θ und wählen u k so, daß < u, grad ϑ IE ϑ Y > 2 IE ϑ < u, gradϑ ln Lϑ ; > 2, u k, ϑ Θ. 7.3 < u, grad ϑ IE ϑ Y >= erfüll is. Die reche Seie von 7.3 laue dann 1 u T Iϑu
13 7.4. DIE CRAMER-RAO-UNGLEICHUNG UND EXPONENTIALFAMILIEN Schri: Besimmung des Maximums der rechen Seie von 7.3 uner der Nebenbedingung 7.4. u T Iϑu λ < u, grad ϑ IE ϑ Y > 1 Wir erhalen als nowendige Bedingung grad ϑ : u T Iϑ λ grad ϑ IE ϑ Y T = 0 und soll minimier werden. d dλ : < u, grad ϑ IE ϑ Y >= 1. Auflösung nach u und λ: Erse Gleichung nach u T auflösen und in die zweie einsezen liefer: 1 = u T grad ϑ IE ϑ Y = λ grad ϑ IE ϑ Y T I 1 ϑ grad ϑ IE ϑ Y. Also: λ = 1 gradϑ IE ϑ Y T I 1 ϑ grad ϑ IE ϑ Y, Dami folg u T = λ grad ϑ IE ϑ Y I 1 ϑ. 1 u T Iϑu = 1 λ 2 grad ϑ IE ϑ Y T I 1 ϑ grad ϑ IE ϑ Y. Bemerkung 7.9. Die Fishersche Informaionsmarix is definier durch Iϑ := IE ϑ grad ϑ ln Lϑ ; grad T ϑ ln Lϑ ;. Uner der Bedingung, daß ϑ Lϑ ; zweimal differenzierbar is und die Verauschungsgleichung 2 IE Lϑ ; = 2 IE Lϑ ; = 0 ϑ i ϑ j ϑ i ϑ j gil IE is der Erwarungswer bezüglich des dominierenden privilegieren Maßes, Lϑ; = d IP ϑ, haben wir wegen d IP ln Lϑ ; = Lϑ ; ϑ i ϑ j ϑ i ϑ j Lϑ ; 1 Lϑ ; Lϑ ; ϑ i ϑ 2 j Lϑ ;
14 84 KAPITEL 7. EXPONENTIALFAMILIEN und 1 2 IE ϑ Lϑ ; Lϑ ; ϑ i ϑ j die Beziehung 2 Iϑ = IE ϑ ln Lϑ ;. ϑ i ϑ j 2 = IE Lϑ ; = 0 ϑ i ϑ j Beispiel 7.6. P bilde eine Exponenialfamilie. Dann is d IP { ϑ d IP = exp < ϑ, H > ψϑ, ϑ Θ, Θ sei offen, Iϑ = grad ϑ gradϑ ψϑ 2 = ψϑ sei regulär. ϑ i ϑ j Weierhin sei lϑ : = ln Lϑ ; =< ϑ, H > ψϑ grad ϑ lϑ = H grad ϑ ψϑ. und es gil Es folg IE ϑ H = grad ϑ ψϑ, da IE ϑ gradϑ lϑ = 0 is. Als Zufallsgröße Y nehmen wir < u, H > für ein u k. Es ergib sich IE ϑ Y =< u, grad ϑ ψu > grad ϑ IE ϑ Y =< u, Iϑ >. und Folglich gil: D 2 ϑy = IE ϑ < H grad ϑ ψϑ, u > 2 = IE ϑ u T H grad ϑ ψϑ H grad ϑ ψϑ T u = u T Iϑu. Somi is: DϑY 2 = u T Iϑu = u T IϑI 1 ϑiϑu T = grad ϑ IE ϑ Y I 1 ϑ grad ϑ IE ϑ Y. Also wird im Fall der Exponenialfamilie die unere Schranke in der Cramer-Rao-Ungleichung erreich.
15 7.4. DIE CRAMER-RAO-UNGLEICHUNG UND EXPONENTIALFAMILIEN 85 In der Ungleichung von Cramer-Rao muß es keine erwarungsreue Schäzung für γϑ geben, deren Sreuung die unere Schranke erreich. Beispiel 7.7. Es sei X eine zum Parameer λ > 0 Poissonvereile Zufallsgröße. X is eine suffiziene und vollsändige Saisik für λ, da Lλ ; x = λe λx. Es sei T X := 1 {0 X, dann gil IE λ T = e λ. D.h., T is eine erwarungsreue Schäzung mi minimaler Varianz für gλ = e λ. Es gil Andererseis is D 2 T = IE λ 1 {0 X e λ 2 = e λ 2e 2λ + e 2λ = e λ 1 e λ. Iλ = IE λ λ ln Lλ ; 2 = 1 λ, außerdem, mi 2 g λ = e λ gil g λ 2 = λ 2 e 2λ < e λ 1 e λ, wegen 1 + λ 2 < e λ. Iλ Beispiel 7.8. Es seien X = X 1,..., X n eine klassische mahemaische Sichprobe uner IP ϑ, ϑ Θ, Q ϑ := IP X 1 ϑ, und dq ϑ x =: f d IP ϑx. Es gil: n dq ϑ n Lϑ ; ω = d IP X k = f ϑ X k, lϑ ; ω = grad ϑ lϑ ; ω = n ln f ϑ X k, n grad ϑ ln f ϑ X k = n grad ϑ f ϑ X k, f ϑ X k Iϑ = IE ϑ gradϑ lϑ ; ω grad ϑ lϑ ; ω T n n gradϑ = IE ϑ ln f ϑ X k grad ϑ ln f ϑ X l T l=1 [ für k l sind X k und X l unabhängig, also gil IE ϑ gradϑ ln f ϑ X k gradϑ f ϑ X k dq ϑ = IE ϑ = IE IP grad f ϑ X k ϑ d IP X k dqϑ ] = grad ϑ IE d IP X 1 = grad ϑ 1 = 0. n gradϑ = IE ϑ ln f ϑ X k grad ϑ ln f ϑ X k T {{ =: I 1 ϑ = n I 1 ϑ.
7 Das lokale Ito-Integral
7 Das lokale Io-Inegral 7.3 Ein lokales L p -Maringal is uner einer gleichgradigen Inegrierbarkeisbedingung ein L p -Maringal 7.4 Rechsseiig seiges (seiges), lokales L p -Maringal 7.5 Seige, lokale Maringale
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
Mehrexistiert. In der Regel wird zusätzlich zum oben gegebenen System von Differentialgleichungen noch eine Anfangsbedingung
0 Eine Anwendung der Jordan-Normalform in der Analysis In vielen physikalischen Anwendungen is es nowendig, Syseme von Differenialgleichungen der Form: y ( = b y ( + b 2 y 2 ( + + b n y n ( + f ( y 2(
MehrLineare Algebra I - Lösungshinweise zur Klausur
Insiu für Mahemaik Winersemeser 0/3 Universiä Würzburg 0 Februar 03 Prof Dr Jörn Seuding Dr Anna von Heusinger Frederike Rüppel Lineare Algebra I - Lösungshinweise zur Klausur Aufgabe : (0 Punke) Zeigen
MehrDefinition Ein Homomorphismus von Lie-Algebren. Für uns ist vor allem die im folgenden Satz eingeführte Darstellung von Bedeutung.
1 Lie-Gruppen 1. Lie-Algebren Im lezen Vorrag haben wir bereis das Konzep der Lie-Algebren kennengelern. Zunächs werde ich noch einige weiere grundlegende Definiionen dazu angeben. In diesem Kapiel sei
MehrProbeklausur 1. Thema Nr. 1 (Aufgabengruppe) Es sind alle Aufgaben dieser Aufgabengruppe zu bearbeiten!
Universiä Regensburg, Winersemeser 3/4 Examenskurs Analysis (LGy) Dr. Farid Madani Probeklausur Thema Nr. (Aufgabengruppe) Es sind alle Aufgaben dieser Aufgabengruppe zu bearbeien! Aufgabe (5 Punke). Man
MehrLösungen zu Übungsblatt 4
Fakulä für Mahemaik, Technische Universiä Dormund Vorlesung Geomerie für Lehram Gymnasium, Winersemeser 24/5 Dipl-Mah Aranç Kayaçelebi Lösungen zu Übungsbla 4 Aufgabe 2 Punke a Geben Sie eine Funkion f
MehrStochastische Differentialgleichungen
INSTITUT FÜR STOCHASTIK SS 2007/08 UNIVRSITÄT KARLSRUH Bla 9 Priv.-Doz. Dr. D. Kadelka Übungen zur Vorleung Sochaiche Differenialgleichungen Muerlöungen Aufgabe 21: Definieren Sie analog zur d-dimenionalen
MehrZeitreihenökonometrie
Zeireihenökonomerie Kapiel 4 Schäzung univariaer Zeireihenmodelle Y = c+ α Y + + α Y + ε + βε + + β ε p p q q Problem: Direke Schäzung der Parameer α,, αp und β,, βq über OLS nich möglich, da die Residuen
MehrTyp A: Separierbare Differentialgleichungen I. Separierbare Differentialgleichungen II. Beispiel einer separierbaren Dgl
Typ A: Separierbare Differenialgleichungen I Gegeben sei die Differenialgleichung y () = f () g(y) in einem Bereich D der (, y) Ebene. Gil g(y) 0, so lassen sich die Variablen und y rennen: y () g(y) =
Mehr3.4 Systeme linearer Differentialgleichungen
58 Kapiel 3 Invarianen linearer Transformaionen 34 Syseme linearer Differenialgleichungen Die Unersuchung der Normalformen von Marizen soll nun auf die Lösung von Differenialgleichungssysemen angewende
MehrArbitragefreie Preise
Arbiragefreie Preise Maren Schmeck 24. Okober 2006 1 Einleiung P i () Preis von Anleihe i zur Zei, i = 1,..., n x i Anzahl an Einheien der Anleihe i V () = n i=1 x ip i () Wer eines Porfolios mi x i Einheien
MehrZwischenwerteigenschaft
Zwischenwereigenschaf Markus Berberich Ausarbeiung zum Vorrag im Proseminar Überraschungen und Gegenbeispiele in der Analysis (Sommersemeser 2009, Leiung PD Dr. Gudrun Thäer) Zusammenfassung: In dieser
MehrStationarität/Ergodizität
Empirische Mehoden (MA) SS 011 Übungsbla 3 Willi Muschler willi.muschler@uni-muenser.de Saionariä/Ergodiziä 1. Beanworen Sie folgende Fragen: (a) Was verseh man uner einem sochasischen Prozess, was uner
MehrUniversität Ulm Samstag,
Universiä Ulm Samsag, 5.6. Prof. Dr. W. Arend Robin Nika Sommersemeser Punkzahl: Lösungen Gewöhnliche Differenialgleichungen: Klausur. Besimmen Sie die Lösung (in möglichs einfacher Darsellung) folgender
Mehr5. Übungsblatt zur Linearen Algebra II
Fachbereich Mahemaik Prof. J. Bokowski Dennis Frisch, Nicole Nowak Sommersemeser 27 5., 8. und 2. Mai 5. Übungsbla zur Linearen Algebra II Gruppenübung Aufgabe G (Hüllen) In dieser Aufgabe soll es darum
Mehr5. Übungsblatt zur Differentialgeometrie
Insiu für Mahemaik Prof. Dr. Helge Glöckner Dipl. Mah. Rafael Dahmen 5. Übungsbla zur Differenialgeomerie (Aufgaben und Lösungen) SoSe 3.05.0 Gruppenübung Aufgabe G9 (Submersionen und Unermannigfaligkei)
MehrAbiturprüfung Mathematik 2012 (Baden-Württemberg) Berufliche Gymnasien Analysis, Aufgabe 1
Abiurprüfung Mahemaik 0 (Baden-Würemberg) Berufliche Gymnasien Analysis, Aufgabe. (8 Punke) Die Abbildung zeig das Schaubild einer Funkion h mi der Definiionsmenge [-7 ; 4]. Die Funkion H is eine Sammfunkion
MehrDer Primzahlsatz, Teil 1. 1 Erste Abschätzungen zum Primzahlsatz
Der Primzahlsaz, Teil Vorrag zum Seminar zur Funionenheorie, 07.05.0 Raffaela Biesenbach Diese Arbei beschäfig sich mi der Herleiung des Primzahlsazes. Dazu werden Definiionen und Säze aus dem Sri zur
Mehr3.2 Autoregressive Prozesse (AR-Modelle) AR(p)-Prozesse
3. Auoregressive Prozesse (AR-Modelle 3.. AR(-Prozesse Definiion: Ein sochasischer Prozess ( heiß auoregressiver Prozess der Ordnung [AR(-Prozess], wenn er der Beziehung (3.. genüg. ( is darin ein reiner
MehrGrenzwertsätze für Zeitreihen
KAPIEL 6 Grenzwersäze für Zeireihen In diesem Kapiel sellen wir wichige Grenzwersäze für saionäre Zeireihen {X n } in diskreer Zei zusammen. Sei µ = E(X ) und ρ(k) = E(X 1 µ)(x 1+k µ) = Cov (X 1, X 1+k
Mehr14 Kurven in Parameterdarstellung, Tangentenvektor und Bogenlänge
Dr. Dirk Windelberg Leibniz Universiä Hannover Mahemaik für Ingenieure Mahemaik hp://www.windelberg.de/agq 14 Kurven in Parameerdarsellung, Tangenenvekor und Bogenlänge Aufgabe 14.1 (Tangenenvekor und
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt 6 5. Semester ARBEITSBLATT 6 PARAMETERDARSTELLUNG EINER GERADEN
ARBEITSBLATT PARAMETERDARSTELLUNG EINER GERADEN Eine Gerade sell man im R ensprechend zum R auf, nur daß eine z-koordinae hinzukomm: Definiion: Parameerdarsellung einer Gerade durch die Punke A und B:
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Insiu für Technologie Insiu für Analysis Dr. Chrisoph Schmoeger Michael Ho, M. Sc. M. Sc. SS 6 9.7.6 Höhere Mahemaik II für die Fachrichung Physik Lösungsvorschläge zur Übungsklausur Aufgabe
MehrStochastische Analysis und Finanzmathematik
Sochasische Analysis und Finanzmahemaik Vorlesung im Winersemeser 211/212 von Dr. Markus Schulz Inhalsverzeichnis 1 Sochasische Prozesse 1 1.1 Grundlagen................................ 1 1.2 Die Brownsche
MehrKarlsruher Institut für Technologie (KIT) Institut für Analysis Dr. A. Müller-Rettkowski Dipl.-Math. M. Uhl. Sommersemester 2011
Karlsruher Insiu für Technologie KIT) Insiu für Analysis Dr. A. Müller-Rekowski Dipl.-Mah. M. Uhl Sommersemeser Höhere Mahemaik II für die Fachrichungen Elekroingenieurwesen und Physik inklusive Komplee
MehrEinführung in gewöhnliche Differentialgleichungen
Einführung in gewöhnliche Differenialgleichungen Jonahan Zinsl 25. Mai 202 Definiionen Definiion.(Gewöhnliche Differenialgleichung. Ordnung) Uner einer gewöhnlichen Differenialgleichung. Ordnung verseh
MehrStochastische Analysis
Sochasische Analysis Maringale und sochasisches Inegral Franz Hofbauer Einleiung Sei (Ω, A, P ) ein Maßraum mi P (Ω) = 1. Die messbaren Mengen, das sind die Mengen in der σ-algebra A, werden als Ereignisse
MehrStochastische Automaten und Quellen
KAPITEL 2 Sochasische Auomaen und Quellen Sei A ein Sysem allgemeiner Ar (z.b. ein physikalisches Sysem oder eine Nachrichenquelle), das wir zu diskreen Zeipunken = 0, 1,... beobachen. Wir nehmen an: (SA
MehrAbiturprüfung Mathematik 2009 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
www.mahe-aufgaben.com Abiurprüfung Mahemaik 009 (Baden-Würemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe. (7 Punke) Das Schaubild P einer Polynomfunkion drien Grades ha den Wendepunk W(-/-) und
MehrDifferenzieren von Funktionen zwischen Banachräumen
Differenzieren von Funkionen zwischen Banachräumen Ingmar Gezner In dieser Seminararbei wollen wir das Differenzieren auf Funkionen zwischen Banachräume verallgemeinern. In unendlichdimensionalen Räumen
MehrEigenwerte und Eigenvektoren
Eigenwere un Eigenvekoren Vorbemerkung: Is ie n n Marix inverierbar, so ha as lineare Gleichungssysem A x b für jees b genau eine Lösung, nämlich x A b. Grun: i A x A A b b, ii Is y eine weiere Lösung,
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
Mehr7.3. Partielle Ableitungen und Richtungsableitungen
7.3. Parielle Ableiungen und Richungsableiungen Generell vorgegeben sei eine Funkion f von einer Teilmenge A der Ebene R oder allgemeiner des n-dimensionalen Raumes R n nach R. Für x [x 1,..., x n ] aus
MehrDie Lösungen der Übungsaufgaben werden durch folgendes Lemma etwas vereinfacht:
Prof. Dr. D. Kuske, M.Sc. M. Huschenbe Fachgebie Theoreische Informaik, TU Ilmenau Muserlösung zum 2. Übungsbla Auomaenheorie Die Lösungen der Übungsaufgaben werden durch folgendes Lemma ewas vereinfach:
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
Mehr2.2 Rechnen mit Fourierreihen
2.2 Rechnen mi Fourierreihen In diesem Abschni sollen alle Funkionen als sückweise seig und -periodisch vorausgesez werden. Ses sei ω 2π/. Wir sezen jez aus Funkionen neue Funkionen zusammen und schauen,
MehrNo-Arbitrage Modelle
No-Arbirage Modelle Sefan Fremd 17. Januar 27 1 Einleiung No-Arbirage Modelle: Modelle, bei denen die beobacheen Preise der Anleihen Derivae am Mark P obs (, T ) genau mi denen des Modells ˆP (, T ) übereinsimmen,
Mehr3.1 Grundlagen. Grundbegriffe (Forts.) Grundbegriffe
Beriebssyseme II - Analyse und Modellierung Sommersemeser 208 3. Grundlagen Moivaion 3. Grundlagen Beriebssyseme II - Analyse und Modellierung 3. Kapiel Grundlagen der Sochasik Prof. Mahias Werner Professur
MehrKurven in der Ebene und im Raum
Kapiel 9 Kurven in der Ebene und im Raum 9. Parameerdarsellung von Kurven Aufgabe 9. : Skizzieren Sie die folgenden Mengen und beureilen Sie jeweils, ob es sich um eine abgeschlossene oder offene Menge
MehrÜbungsblatt 4 Lösungsvorschläge
Insiu für Theoreische Informaik Lehrsuhl Prof. Dr. D. Wagner Übungsbla 4 Lösungsvorschläge Vorlesung Algorihmenechnik im WS 09/10 Problem 1: Flüsse [vgl. Kapiel 4.1 im Skrip] ** Gegeben sei ein Nezwerk
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
Mehr3 Produktmaße und Unabhängigkeit
3 Produktmaße und Unabhängigkeit 3.1 Der allgemeine Fall Im Folgenden sei I eine beliebige Indexmenge. i I sei (Ω i, A i ein messbarer Raum. Weiter sei Ω : i I Ω i ein neuer Ergebnisraum. Wir definieren
Mehr9. Übung zur Maß- und Integrationstheorie, Lösungsskizze Aufgaben
9. Übung zur aß- und Integrationstheorie, Lösungsskizze Aufgaben A 50 (Eine Flächenberechnung mit dem Cavalierischen Prinzip). Es seien a, b > 0 und : { (x, y) R 2 : (x/a) 2 + (y/b) 2 1 }. (a) Skizzieren
MehrSeminar Bewertungsmethoden in der Personenversicherungsmathematik
Seminar Bewerungsmehoden in der Personenversicherungsmahemaik Akuarielle und finanzmahmaische Bewerung I Xiaoying Xu Mahemaisches Insiu der Universiä zu Köln Sommersemeser 2010 Bereuung: Prof Schmidli,
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrIntegralrechnung. Grundidee der Integralrechnung. Einführung des Riemann- Integrals
1/8 Grundidee der Inegralrechnung Inegralrechnung Die Inegralrechnung is neben der Differenialrechnung der wichigse Zweig der Analysis. Sie is aus dem Problem der Flächen- und Volumenberechnung ensanden.
MehrLösung zur Hausaufgabe in Topologie und Differentialrechnung mehrerer Variablen SS x 1. x 2. x 1+x 2+x 3
Bl Nr. 11 Simon Reisser Lösung zur Husufgbe in Topologie und Differenilrechnung mehrerer Vriblen SS 17 Aufgbe () Sei f(x 1, x, x 3 ) = (y 1, y, y 3 ) = (e x1x x3, e x1x+x3, e xx3 ) und dg(y 1, y, y 3 )
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
MehrGewöhnliche Differentialgleichungen (DGL)
Gewöhnliche Differenialgleichungen (DGL) Einführende Beispiele und Definiion einer DGL Beispiel 1: 1. Die lineare Pendelbewegung eines Federschwingers führ uner Zuhilfenahme des Newonschen Krafgesezes
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrElementare Lösungsmethoden für gewöhnliche Differentialgleichungen
454 Erforderliche Kennnisse: Höhere Analysis Elemenare Lösungsmehoden für gewöhnliche Differenialgleichungen Was is eigenlich eine Differenialgleichung? Eine Differenialgleichung is eine Gleichung, in
MehrV1 - Poisson-Statistik
V1 - Poisson-Saisik Michael Baron, Sven Pallus 03. Mai 2006 Inhalsverzeichnis 1 Aufgabensellung 1 2 Theoreischer Hinergrund 2 2.1 Geiger-Müller-Zählrohr...................... 2 2.2 Poisson-Vereilung........................
MehrStetige Gleichverteilung auf [a, b]
2.2.2 Seige Vereilungen Seige Gleichvereilung auf [a, b] Bezeichnung: X U[a, b]. Dichefunkion: (a < b) f() = 1 b a : a b 0 : sons Vereilungsfunkion: 0 : < a a F () = : a b b a 1 : > b Median(X) = EX =
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
Mehr7. Funktionalgleichung der Zeta-Funktion
Oo Forser: RZF 7 Funkionalgleichung der Zea-Funkion 7 Funkionalgleichung der Zea-Funkion 7 Saz (Poissonsche Summaionsformel Sei f : R C eine seig differenzierbare Funkion mi f(x O ( x für x Sei ˆf : R
Mehr5 Die Picardschen Sätze
03 5 Die Picardschen Sätze Für eine zweimal stetig differenzierbare reell- oder komplexwertige Funktion f auf einem Gebiet G C ist der Laplace-Operator definiert durch Behauptung: = 4 Beweis: Daraus folgt:
MehrSystemtheorie Teil A. - Zeitkontinuierliche Signale und Systeme - Musterlösungen. Manfred Strohrmann Urban Brunner
Sysemheorie eil A - Zeikoninuierliche Signale und Syseme - Muserlösungen Manfred Srohrmann Urban Brunner Inhal 3 Muserlösungen - Zeikoninuierliche Syseme im Zeibereich 3 3. Nachweis der ineariä... 3 3.
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
MehrTechnische Universität München. Lösung Montag SS 2012
Technische Universiä München Andreas Wörfel Ferienkurs Analysis für Physiker Lösung Monag SS 0 Aufgabe Gradien und Tangene ( ) Besimmen Sie zur Funkion f(x, y) = x y + xy + y die pariellen Ableiungen,
MehrMerkmale flexibler Fertigung
FFS.41 PROF.DR.-ING. K.RALL TUHH 2-295 - 1 FFS.42 Die Aufgabe des Bedieners wurde anspruchsvoller (wenige psychische und physische Belasung, dafür mehr Warung, Überwachung, Sörungsbeseiigung). Die Ferigung
MehrFerienkurs Analysis I für Physiker WS 15/16 Aufgaben Tag 3. Aufgaben Tag 3
für Physier WS 5/6 Reihen Zeigen Sie, dass die folgenden Reihen onvergieren und die angegebenen Summen haben. Dabei is f die -e Fibonacci-Zahl a + = 4 Wir fassen die gegebene Reihe als Grenzwer der Folge
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrThema: Singuläres, skalares Problem 2. Ordnung - Lösbarkeit Seminararbeit aus Numerik von Differentialgleichungen
Thema: Singuläres, skalares Problem 2. Ordnung - Lösbarkei Seminararbei aus Numerik von Differenialgleichungen Michael Hubner, Sefan Wurm 8. Juli 22 Inhalsverzeichnis. Problemdefiniion 2 2. Einführende
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
MehrDifferentialgleichungen
Ein einfaches Modell (Domar) Im Domar Wachsumsmodell reffen wir die folgenden Annahmen: Kapiel Differenialgleichungen () Erhöhung der Invesiionsrae I() erhöh das Einkommen Y(): dy d = s di (s = konsan)
Mehr10 Der Satz von Fubini
er Satz von Fubini ie Bezeichnungen seien wie in den Paragraphen 8 und 9. Satz. (Satz von Tonelli Es sei f : d [, + ] messbar. (Aus 8 folgt dann, dass f, f y messbar sind, wobei klar ist, dass f, f y sind.
MehrMeßbare Funktionen. Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen.
Meßbare Funktionen Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen. Definition. Seien (X, Ω 1 ) und (Y, Ω 2 ) Meßräume. Eine Abbildung f : X Y heißt Ω 1 -Ω 2 -meßbar oder kurz
MehrListe wichtiger Stammfunktionen
Liste wichtiger Stammfunktionen Funktion Stammfunktion x n, x ln(x) n R \ { } n + xn+ ln( x ) x ln(x) x a x, a > sin(x) cos(x) sin 2 (x) cos 2 (x) x 2 x 2 a x ln(a) cos(x) sin(x) (x sin(x) cos(x)) 2 (x
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
MehrMotivation: Sampling. (14) Sampling. Motivation: Sampling. Beispiele. Beispiel Kreisscheibe. Beispiel: Kreisscheibe
Moivaion: Sampling (4) Sampling Vorlesung Phoorealisische Compuergraphik S. Müller Ein naiver (und sehr eurer) Ansaz, die Rendering Equaion mi Hilfe eines Rayracing-Ansazes zu lösen, wäre wird eine diffuse
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrAnalysis 3.
Analysis 3 www.schulmahe.npage.de Aufgaben. Ermieln Sie die erse Ableiung. Vereinfachen Sie. a) fx) = e x x 3) b) fx) = ln x x + 4. Ermieln Sie die folgenden unbesimmen Inegrale. e x 5 a) e x dx b) dx
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrAnalysis II Musterlösung 12. für t [ 0, 2π). y
.. Saz von Green Die Randkurve des, in unensehender Figur dargesellen, umerangs kann paramerisier werden durch 4 cos ( + cos( sin( für, π..75.5.5 -.5 3 4 5 6 -.5 -.75 - Zur erechnung des Flächeninhales
MehrLösungshinweise zu den Hausaufgaben:
P. Engel, T. Pfrommer S. Poppiz, Dr. I. Rbak 8. Gruppenübung zur Vorlesung Höhere Mahemaik Sommersemeser 9 Prof. Dr. M. Sroppel Prof. Dr. N. Knarr Lösungshinweise zu den Hausaufgaben: Aufgabe H. Konvergenzverhalen
MehrHauptachsentransformation
Haupachsenransformaion Erinnerung: A M n is genau ann nich inverierbar, wenn es ein x R n, x gib, mi A x. Definiion. Sei A M n eine Marix. Ein Vekor v R n, v heiß Eigenvekor von A zum Eigenwer λ R, wenn
MehrStochastische Analysis
Skrip Sochasische Analysis Seffen Schwarz 17. April 216 Dozen: PD Dr. Volker Paulsen Fakulä für Mahemaik Wesfälische Wilhelms-Universiä Münser Inhalsverzeichnis Einleiung 1 I Sochasische Inegraion 1 1
MehrHörsaalübung 3 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mahemaik der Universiä Hamburg WiSe 26/27 Dr. Hanna Peywand Kiani Hörsaalübung 3 Differenialgleichungen I für Sudierende der Ingenieurwissenschafen Lineare Differenialgleichungssyseme Die ins
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
Mehr10 Untermannigfaltigkeiten
10. Untermannigfaltigkeiten 1 10 Untermannigfaltigkeiten Definition. Eine Menge M R n heißt k-dimensionale Untermannigfaltigkeit des R n, 1 k n, falls es zu jedem a M eine offene Umgebung U R n von a und
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
MehrZeitreihenökonometrie
Zeireihenökonomerie Kapiel 1 - Grundlagen Einführung in die Verfahren der Zeireihenanalyse (1) Typischerweise beginn man mi einer Beschreibung der jeweils zu unersuchenden Zeireihe (graphisch) Trendverhalen,
MehrDIE LINEARE DIFFERENTIALGLEICHUNG ZWEITER ORDNUNG MIT KONSTANTEN KOEF- FIZIENTEN
Skrium zum Fach Mechanik 5Jahrgang HTL-Eisensad DIE LINEARE DIFFERENTIALGLEICHUNG ZWEITER ORDNUNG MIT KONSTANTEN KOEF- FIZIENTEN DilIngDrGüner Hackmüller 5 DilIngDrGüner Hackmüller Alle Reche vorbehalen
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrGewöhnliche Differentialgleichungen
Prof. Dr. Guido Sweers WS 08/09 Jan Gerdung, M.Sc. Gewöhnliche Differenialgleichungen Übungsbla Die Lösungen müssen in den Übungsbriefkasen Gewöhnliche Differenialgleichungen (Raum 0 im MI) geworfen werden.
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Zwischenklausur im WS 02/03
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Zwischenklausur im S 0/0 Aufgabe 1: [1] Mi den Daen von 177 Miewohnungen einer Schweizer Sad wurde
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt Semester ARBEITSBLATT 11 LAGEBEZIEHUNG DREIER EBENEN
Mahemaik Mag. Schmid Wolfgang Arbeisbla. Semeser ARBEITSBLATT LAGEBEZIEHUNG DREIER EBENEN Nachdem wir die Lage weier Ebenen unersuch haben, wollen wir uns nun mi der Lage von drei Ebenen beschäfigen. Anders
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Casrigiano Dr. M. Prähofer Zenralübung TECHNISCHE UNIVERSITÄT MÜNCHEN Zenrum Mahemaik Mahemaik 3 für Physik (Analysis ) hp://www-hm.ma.um.de/ss/ph/ 49. Eine reguläre Kurve ha keinen Knick
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrDas Lebesgue-Integral
Das Lebesgue-Integral Bei der Einführung des Integralbegriffs gehen wir schrittweise vor. Zunächst erklären wir das Integral von charakteristischen Funktionen, danach von positiven einfachen Funktionen
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
Mehr8.5 Uneigentliche Integrale Integrale über unbeschränkte Bereiche. f(x) dx. Integrale über unbeschränkte Funktionen mit Singularitäten am Rand
8.5 Uneigenliche Inegrle Inegrle über unbeschränke Bereiche,, Inegrle über unbeschränke Funkionen mi Singulriäen m Rnd, f : (, b] R seig, f : [, b) R seig Lokle Inegrierbrkei: Definiion: Eine Funkion f
Mehr