! # %& (! ) # +,.. # / #. + /
|
|
- Matilde Meissner
- vor 5 Jahren
- Abrufe
Transkript
1 ! # %& (! ) # +,.. # / #. + /
2 Inhaltsverzeichnis Einführung 2 2 Die τ-topologie 2 3 Der Kullback-Leibler-Abstand 2 4 Empirische Maße 3 5 Der Satz von Sanov 3 6 Anmerkungen 3 7 Lemma 4 8 Beweis Satz von Sanov 4 9 Literatur 6
3 Einführung Der Satz von Sanov wurde erstmals von Sanov in den 930er Jahren für den Spezialfall Γ = R bewiesen. Er thematisiert die Abweichungen vom Starken Gesetz der Großen Zahlen und befasst sich dabei mit der Konvergenzgeschwindigkeit. 2 Die τ-topologie Im Folgenden betrachten wir den Wahrscheinlichkeitsraum (X, F) und bezeichnen die Menge aller Wahrscheinlichkeitsfunktionen mit P. Für P P, A Π und ǫ > 0 sei U(P,A,ǫ) = {P P : P (A i ) P(A i ) < ǫ,i =,...,k}. () Eine Basis der τ-topologie ist gegeben durch alle Mengen dieser Form. Die τ- Topologie ist die gröbste Topologie, die alle Abbildungen P P(F) stetig macht für alle F F. Die Menge aller Partitionen A = (A,...,A k ) von X in eine endliche Anzahl von Mengen A i F wird bezeichnet mit Π. 3 Der Kullback-Leibler-Abstand Wir betrachten auf einer endlichen Menge {,..., k} die Wahrscheinlichkeitsverteilungen P = (p,...,p k ) und Q = (q,...,q k ). Der Kullback-Leibler-Abstand (bzw. die relative Entropie) wird definiert als D(P Q) = k i= p i log p i q i mit den Konventionen: 0 log0 = 0 log 0 0 ; t log t 0 = + für t > 0. Der Kullback-Leibler-Abstand der Wahrscheinlichkeitsmaße P P, Q P wird definiert als D(P Q) = supd(p A Q A ) (2) A Π mit P A = (P(A ),...,P(A k )), Q A = (Q(A ),...,Q(A k )). 2
4 4 Empirische Maße Seien X,...,X n Zufallsgrößen mit X i X, dann nennt man das Wahrscheinlichkeitsmaß P x (F) = n δ xi (F), F F n i= das empirische Maß der Folge X,...,X n. Hierbei bezeichnet δ x das Diracmaß in x. Für jede Menge A ist P x (A) der relative Anteil der Treffer der Folge X,...,X n in der Menge A. 5 Der Satz von Sanov Für unabhängige Zufallsgrößen, die bezüglich Q P verteilt sind, erfüllen die resultierenden empirischen Maße das Prinzip großer Abweichungen in der τ-topologie mit der guten Ratenfunktion D( Q). Das bedeutet für Γ P : lim inf n n logqn ({x : P x Γ}) inf D(P Q) (3) P int τγ lim sup n und die Divergenzbälle sind kompakt bezüglich der τ-topologie. n logqn ({x : P x Γ}) inf D(P Q) (4) P cl τγ B(Q,α) = {P : D(P Q) α} (5) 6 Anmerkungen i. Umsicherzustellen,dassQ n ({x : P x Γ})wohldefiniertist,wirdüblicherweise eine Messbarkeitsbedingung an die erlaubten Mengen Γ P gestellt. Alternativ kann Γ P beliebig gewählt werden, wenn Q n ({x : Px Γ}) als das innere Maß in (3) oder als das äußere Maß in (4) interpretiert wird. ii. Die Bedingung der unteren Grenze kann verschärft werden, indem die Behauptung für die Topologie τ 0 gezeigt wird. Eine Basis dieser Topologie wird durch Mengen U 0 (P,A,ǫ) = {P U(P,A,ǫ) : P(A i ) = 0 P (A i ) = 0} definiert mit A = (A,...,A k ) Π und ǫ > 0 3
5 7 Lemma Sei P n (k) die Menge der Wahrscheinlichkeitsverteilungen auf der Menge {,...,k} der Form P = ( n n,..., n k n ) P n (k) mit den natürlichen Zahlen n,...,n k. Für ein solches P sei T n (P) die Menge aller Tupel der Länge n mit Einträgen aus {,...,k}, bei denen i {,...,k} n i -Mal vorkommt. i. Es gilt: P n (k) (n+) k ii. Für P P n (k) und jede Verteilung Q auf {,...,k} gilt: (n+) k e nd(p Q) Q n (T n (P)) e nd(p Q). 8 Beweis Satz von Sanov 8. Beweis für (3) Behauptung: liminf n n logqn ({x : P x Γ}) D(P Q) für P int τ0 (Γ). Wähle P n P n (k) für alle natürlichen Zahlen n, sodass P n P A mit P n (i) = 0, wenn P(A i ) = 0. Dann gilt: P n (i) P(A i ) < ǫ n für alle i =,...,k und geeignete ǫ n 0. Und es folgt: Q n ({x : P x Γ}) Q n ({x : P x U 0 (P,A,ǫ n )}) Q n ({x : P A x = P n } = (Q A ) n (T n (P n )) Lemma(ii) (n+) k e nd(pn QA ) Durch die Wahl der P n folgt D(P n Q A ) D(P A Q A ) und per Definition D(P A Q A ) D(P Q). Damit gilt die Behauptung. 8.2 Beweis für (5) Behauptung: B(Q,α) = {P : D(P Q) α} ist kompakt in der τ-topologie. Wir betrachten die Menge M aller endlich additiven Mengenfunktionen auf (X, F) mit Werten im Intervall [0, ]. M ist eine abgeschlossene Menge von [0,] F = {f : F [0,]} versehen mit der Produkttopologie, der gröbsten Topologie, die alle Abbildungen f f(f)) mit F F stetig macht. Da [0,] F nach dem Satz von Tychonov kompakt ist, ist M als abgeschlossene Teilmenge einer kompakten Menge auch kompakt. Die Definition des Kullback-Leibler-Abstands überträgt sich unverändert auf P und Q aus M. Offensichtlich ist für jede Partition A Π die Teilmenge {P M : D(P A Q A ) α} M abgeschlossen und daher kompakt. Als Schnitt für alle A Π ist K = {P M : D(P Q) α} auch kompakt. Wenn Q P dann ist die kompakte Menge K P und daher K = B(Q,α). Wäre allerdings P M nicht σ-additiv, dann existiert eine absteigende Folge von 4
6 Mengen F n F mit leerem Schnitt und lim n P(F n ) > 0, wohingegen aus der σ-additivität folgt Q(F n ) 0. Daraus ergibt sich D(P An Q An ) für die Partitionen A n = (F n,f C n ) und daher D(P Q) = und folglich P / K. Dies vervollständigt den Beweis, da die Teilraumtopologie P M [0,] F per Definition der τ-topologie gleicht. 8.3 Beweis für (4) Für den Beweis führen wir folgende Notation ein: Γ A = {P A : P Γ}, Γ(A) = {P P : P A Γ A } für A Π. Behauptung: cl τ Γ = A Π cl τγ(a) Da Γ Γ(A), bleibt zu zeigen: P cl τ Γ(A) A Π U(P,A,ǫ) von P schneidet Γ ǫ > 0. Sei A = (A,...,A k ) Π und P Γ(A U(P,A,ǫ) (, da P cl τ Γ(A)) P Γ(A) DefΓ(A) P (A i ) = P(A i ),i =,...,k für ein P Γ P U(P,A,ǫ) DefU P U(P,A,ǫ) Daraus folgt: U(P,A,ǫ) Γ 2. Behauptung:Γ(A) B(Q,α) mita = (A...A k ) Πundα > sup A Π inf P Γ D(P A Q A ) Aus der Wahl von α folgt die Existenz eines Wahrscheinlichkeitsmaßes P Γ mit D( P A Q A ) < α. Mit Hilfe dieses P konstruiere nun das Wahrscheinlichkeitsmaß P Γ(A) wie folgt: P(F) = k P(A i ) i= Q(F A Q(A i ) i),f F mit der Konvention, dass für Q(A i ) = 0 der zugehörige Term gleich Null gesetzt wird. Dann gilt: P(A j ) = k i= Daraus folgt: P Γ(A), da P A = P A und P(A i ) Q(A i ) Q(A j A i ) = P(A j ) Q(A j ) Q(A j) = P(A j ) D(P A Q A ) = k i= P(A i )log P(A i) Q(A i ) = k i= P(A i )log P(A i ) Q(A i ) = D( P A Q A ) Des weiteren gilt D( P A Q A ) = D(P B Q B ) für alle Partitionen B Π, die A verfeinern. Zusammen mit der Definition von D(P Q) führt dies zu D(P Q) = D( P A Q A ), sodass P B(Q,α). 5
7 3. Behauptung: cl τ Γ B(Q,α) mit A = (A...A k ) Π und α > sup A Π inf P Γ D(P A Q A ) Für jede A,...,A m Π mit A Π verfeinert jedes A i gilt Γ(A) Γ(A i ), i =,...,m. Aus (2.) folgt somit m (Γ(A i ) B(Q,α)) (6) i= Aufgrund der Kompaktheit von B(Q, α) sind auch die Mengen cl τ Γ(A) B(Q,α), A Π kompakt in der τ-topologie und alle endlichen Kollektionen dieser Mengen haben nach (6) keinen leeren Schnitt. Es folgt, dass der Schnitt all dieser Mengen ebenfalls nicht leer ist. Mit Hilfe von (.) folgt die Behauptung. 4. Behauptung: (4) Für jede Partition A Π gilt: Q n ({x : P x Γ}) Q n ({x : P x Γ(A)}) = Q n ({x : P A x Γ A P n (k)}) Lemma(i) (n+) k max (Q A ) n (T n (P)) Lemma(ii) (n+) k e ninf P ΓD(P A Q A ) P Γ A P n(k) und daher: lim sup n n logqn ({x : P x Γ}) inf [ inf A Π P Γ D(PA Q A )] = sup Damit gilt die Behauptung. 3. sup A Π A Π inf P Γ D(PA Q A ) inf P cl D(PA Q A ) inf D(P Q) τγ B(Q,α) P cl τγ 9 Literatur Imre Csiszár: A simple proof of Sanovs theorem Bulletin of the Brazilian Mathematical Society, 2006, Volume 37, Number 4, S
D-MATH Topologie FS 15 Theo Bühler. Musterlösung 11. d(x, y) := n 0. 2 n d n (x n, y n ),
D-MATH Topologie FS 15 Theo Bühler Musterlösung 11 1. a) Da (C n, d n ) kompakt ist, nimmt die stetige Funktion d n : C n C n [0, ), (x, y) d(x, y) ihr Maximum diam C n an. Ersetzen wir d n durch d n =
Mehr8 KAPITEL 1. GRUNDLAGEN
8 KAPITEL 1. GRUNDLAGEN Beweis. 1. Sei A X abgeschlossen, dann ist X \ A offen und jede offene Überdeckung von A lässt sich durch Hinzunahme von X \ A auf ganz X fortsetzen. Die Kompaktheit von X erlaubt
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrEtwas Topologie. Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann
Etwas Topologie Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann Literatur Abraham, Marsden, Foundations of Mechanics, Addison Wesley 1978, Seiten 3 17 Definition. Ein topologischer
MehrTopologische Grundbegriffe II. Inhaltsverzeichnis
Vortrag zum Seminar zur Analysis, 03.05.2010 Dennis Joswig, Florian Goy Aufbauend auf den Resultaten des Vortrages Topologische Grundbegriffe I untersuchen wir weitere topologische Eigenschaften von metrischen
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrKompaktheit in topologischen Räumen
Kompaktheit in topologischen Räumen Joel Gotsch 21. Januar 2011 Inhaltsverzeichnis 1 Notation und Allgemeines 2 2 Definitionen 2 2.1 Allgemeine Definitionen..................... 2 2.2 Globale Kompaktheitseigenschaften...............
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrAktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen
Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 5: Endliche Maße und schwache Konvergenz von Maßen in metrischen Räumen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut
MehrTopologische Aspekte: Eine kurze Zusammenfassung
Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,
MehrDas Singularitätentheorem von Hawking Teil 2
Das Singularitätentheorem von Hawking Teil Jakob Hedicke 0.06.06 In diesem Vortrag werden wir den Beweis des Singularitätentheorems von Stephen Hawking vervollständigen. Im letzten Vortrag wurde bereits
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
MehrRelative Kontrollierbarkeit und Invarianz-Entropie
Relative Kontrollierbarkeit und Invarianz-Entropie Ralph Lettau in Zusammenarbeit mit Fritz Colonius und Christoph Kawan Institut für Mathematik Universität Augsburg 9. Elgersburg Workshop 5. März 2014
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrÜberabzählbarkeit der reellen Zahlen
Überabzählbarkeit der reellen Zahlen Mathematik M4 Dozentin: Dr. Regula Krapf Jan Lukas Schallenberg Matr. Nr.: 214202241 November 2017 1 Inhaltsverzeichnis 1 Dedekindsche Schnitte 3 2 Addition und Multiplikation
MehrWahrscheinlichkeitstheorie und Maßtheorie
KAPITEL 7 Wahrscheinlichkeitstheorie und Maßtheorie 7.1. Vorüberlegungen Die folgenden drei Beispiele sind Spezialfälle des Oberbegriffs Maß. Beispiel 7.1.1 (Verteilung der Ladung oder der Masse). Man
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
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 +
MehrÜbungen zur Vorlesung. Einführung in Dynamische Systeme. Musterlösungen zu Aufgabenblatt 8
Prof. Roland Gunesch Sommersemester 2010 Übungen zur Vorlesung Einführung in Dynamische Systeme Musterlösungen zu Aufgabenblatt 8 Aufgabe 1: Sei (X, d) ein kompakter metrischer Raum. Die Hausdorff-Metrik
Mehr1 Endlich additive Volumen auf R n
Endlich additive Volumen auf R n In Satz. im Skript haben wir gezeigt, dass kein σ-additives Volumen auf der Potenzmenge P (R n ) definiert werden kann. Man könnte sich vorstellen, das Problem ist aus
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrElemente der mengentheoretischen Topologie
Elemente der mengentheoretischen Topologie Es hat sich herausgestellt, dass das Konzept des topologischen Raumes die geeignete Struktur darstellt für die in der Analysis fundamentalen Begriffe wie konvergente
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrÜbungen zur Funktionalanalysis Lösungshinweise Blatt 2
Übungen zur Funktionalanalysis Lösungshinweise Blatt 2 Aufgabe 5. Beweisen Sie: Ein kompakter Hausdorffraum, welcher dem ersten Abzählbarkeitsaxiom genügt, ist folgenkompakt. Lösung. Es sei X ein kompakter
MehrVergleich und Erzeugung von Topologien und topologischen
KAPITEL 3 Vergleich und Erzeugung von Topologien und topologischen Räumen 3.1. Definition. Auf einer Menge X seien zwei Topologien τ und σ gegeben. Ist jede bezüglich σ offene Menge auch bezüglich τ offen,
MehrDer Fundamentalsatz der Algebra
Der Fundamentalsatz der Algebra Vortragsausarbeitung im Rahmen des Proseminars Differentialtopologie Benjamin Lehning 17. Februar 2014 Für den hier dargelegten Beweis des Fundamentalsatzes der Algebra
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........................
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:
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrSymmetrische Ableitungen von Massen
Symmetrische Ableitungen von Massen Hyuksung Kwon 5. Juni 203 Inhaltsverzeichnis Einführung 2 Hardy-Littlewood Maximaloperator 2 3 Symmetrische Ableitung vom positiven Maß 7 Einführung Definition. (Borelmaß
Mehr1. Topologische Räume
1. Topologische Räume 5 1. Topologische Räume Wie schon in der Einleitung erwähnt wollen wir uns in dieser Vorlesung mit stetigen Abbildungen beschäftigen. Als Erstes müssen wir uns daher fragen, welche
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
Mehr( ) ( ) < b k, 1 k n} (2) < x k
Technische Universität Dortmund Fakultät für Mathematik Proseminar Analysis Prof. Dr. Röger Benjamin Czyszczon Satz von Heine Borel Gliederung 1. Zellen und offene Überdeckungen 2. Satz von Heine Borel
MehrSatz Eine Teilmenge U von M ist genau dann offen, wenn jeder Punkt von U innerer Punkt ist. U x, und U ist als Vereinigung offener Mengen offen.
Ergänzungen zu offenen und abgeschlossenen Mengen Definition Ist L Teilmenge eines topologischen Raums M, so heißt x L innerer Punkt von L, wenn es eine offene Umgebung von x gibt, die ganz in L liegt.
MehrDie reellen Zahlen als Dedekindsche Schnitte. Iwan Otschkowski
Die reellen Zahlen als Dedekindsche Schnitte Iwan Otschkowski 14.12.2016 1 1 Einleitung In dieser Ausarbeitung konstruieren wir einen vollständig geordneten Körper aus gewissen Teilmengen von Q, den Dedekindschen
MehrLösung zur Übung für Analysis einer Variablen WS 2016/17
Blatt Nr. 3 Prof. F. Merkl Lösung zur Übung für Analysis einer Variablen WS 206/7 Aufgabe Das Guthaben G setzt sich zusammen aus der Summe aller bisherigen Einzahlungen multipliziert mit ( + p) k, wobei
MehrVollständige Induktion. Analysis I. Guofang Wang. Universität Freiburg
Universität Freiburg 26.10.2011 Vollständige Induktion Wir unterbrechen jetzt die Diskussion der Axiome der reellen Zahlen, um das Beweisverfahren der vollständigen Induktion kennenzulernen. Wir setzen
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrKapitel 6 Grenzwerte von Funktionen und Stetigkeit
Kapitel 6 Grenzwerte von Funktionen und Stetigkeit 225 Relle Funktionen Im Folgenden betrachten wir reelle Funktionen f : D R, mit D R. Wir suchen eine formale Definition für den folgenden Sachverhalt.
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrProf. Dr. H. Garcke, D. Depner WS 2009/10 NWF I - Mathematik Universität Regensburg. Analysis III
Prof. Dr. H. Garcke, D. Depner WS 2009/10 NWF I - Mathematik 18.11.2009 Universität Regensburg Analysis III Verbesserung der Zusatzaufgabe von Übungsblatt 4 Zusatzaufgabe Wir definieren die Cantormenge
Mehr1 Grundlagen der Maßtheorie
1 Grundlagen der Maßtheorie In diesem Kapitel führen wir die Mengensysteme ein, die eine systematische Betrachtung von Ereignissen und zufälligen Beobachtungen in der Wahrscheinlichkeitstheorie erlauben.
MehrWir betrachten nun das Deformieren einer Abbildung in eine andere.
Abschnitt 1 Quotienten Homotopie, erste Definitionen Wir betrachten nun das Deformieren einer Abbildung in eine andere. 1.1 Definition. Seien X, Y topologische Räume und f 0, f 1 : X Y stetige Abbildungen.
MehrÜbungen zu Grundbegriffe der Topologie
Übungen zu Grundbegriffe der Topologie A. Čap Wintersemester 2018 (1) Wiederholen Sie die Definition des Durchschnittes i I A i einer beliebigen Familie {A i : i I} von Mengen und zeigen Sie, dass für
MehrAufgabensammlung Grundbegriffe der Topologie
Aufgabensammlung Grundbegriffe der Topologie Günther Hörmann, Roland Steinbauer Die vorliegende Aufgabensammlung dient als Grundlage für die Übungen zu Grundbegriffe der Topologie, das die gleichnamige
MehrJ.M. Sullivan, TU Berlin B: Metrische Räume Analysis II, WS 2008/09
B. METRISCHE RÄUME B1. Definition Definition B1.1. Sei X eine Menge. Eine Funktion oder Abbildung d : X X R heißt dann eine Metrik auf X, falls für alle x, y, z X die folgenden (axiomatischen) Bedingungen
MehrHausdorff-Maß und Hausdorff-Dimension. Jens Krüger
Hausdorff-Maß und Hausdorff-Dimension Jens Krüger Inhaltsverzeichnis 1 Einleitung 2 2 Grundlagen aus der Maßtheorie 3 3 Die Konstruktion des Hausdorff-Maßes 4 4 Eigenschaften des Hausdorff-Maßes und Hausdorff-Dimension
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrDarstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012
Darstellungssatz von Riesz in vollständig regulären Räumen Carina Pöll 0726726 Wintersemester 2012 Inhaltsverzeichnis 1 Einleitung 1 2 Definitionen und Resultate aus der Topologie 1 3 Der Darstellungssatz
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
Mehr1 Das Lebesgue-Maß. 1.1 Etwas Maßtheorie. Sei stets X eine nichtleere Menge mit Potzenzmenge P(X) := {A : A X}.
1 Das Lebesgue-Maß 1.1 Etwas Maßtheorie Sei stets X eine nichtleere Menge mit Potzenzmenge P(X) := {A : A X}. Definition 1.1. Ein nichtleeres Mengensystem A P(X) heißt σ-algebra, wenn: (A1) X A (A2) Wenn
MehrPrimzahlen Primzahlsatz Satz von Szemerédi Verallg. von Green/Tao Anwendung. Arithmetische Progressionen von Primzahlen
Arithmetische Progressionen von Primzahlen Sei N := {1, 2, 3,... } die Menge der natürlichen Zahlen. Definition Eine Primzahl ist eine natürliche Zahl > 1, die nur durch 1 und durch sich selbst teilbar
MehrDie komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe
Die komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe Matthias Nagel Riemannsche Flächen Stets sei X eine 2-dimensionale Mannigfaltigkeit (Fläche). Definition. ) Eine komplexe Karte auf X ist
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrDie Hausdorff-Metrik und Limiten von Mengen
Die Hausdorff-Metrik und Limiten von Mengen Jakob Reiffenstein Seminararbeit aus Analysis SS 2017 1 Inhaltsverzeichnis 1 Die Hausdorff-Metrik 3 2 Konvergenz in H(X) 6 3 Kompaktheit in H(X) 8 2 Zusammenfassung
MehrThema: Totalvariationabstand, Kopplung und Mischzeiten
Technische Universität Berlin Thema: Totalvariationabstand, Kopplung und Mischzeiten Ausarbeitung zum Seminar Moderne Anwendung von Markovketten Name: Nina Kamswich Matrikelnummer: 33677 Fachbereich: Mathematik
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
Mehrσ-algebren, Definition des Maßraums
σ-algebren, Definition des Maßraums Ziel der Maßtheorie ist es, Teilmengen einer Grundmenge X auf sinnvolle Weise einen Inhalt zuzuordnen. Diese Zuordnung soll so beschaffen sein, dass dabei die intuitiven
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrFundamentale Sätze. versuche folgendes: gib eine Formelmenge Φ an, so dass Mod(Φ) = {(N, +, )}
Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 4.7 Prädikatenlogik Fundamentale Sätze 171 Fundamentale Sätze versuche folgendes: gib eine Formelmenge Φ an, so dass Mod(Φ) = {(R, +, )} gib
MehrB A C H E L O R A R B E I T
B A C H E L O R A R B E I T Die Dimension von topologischen Räumen ausgeführt am Institut für Analysis & Scientific Computing der Technischen Universität Wien unter der Anleitung von Ao.Univ.Prof. Dipl.-Ing.
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrBlatt 4. Übungen zur Topologie, G. Favi 20. März Abgabe: 27. März 2008, 12:00 Uhr
Übungen zur Topologie, G. Favi 20. März 2009 Blatt 4 Abgabe: 27. März 2008, 12:00 Uhr Aufgabe 1. (a) Auf der 2-Sphäre S 2 := {(x, y, z) R 3 x 2 + y 2 + z 2 = 1} R 3 betrachten wir folgende Äquivalenzrelation:
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiano Dr. M. Prähofer Zentralübung 38. Einschränkung eines Maßes TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 4 (Analysis 3) http://www.ma.tum.de/hm/ma9204
MehrLösungsvorschlag zu den Hausaufgaben der 3. Übung
FAKULTÄT FÜR MATHEMATIK Prof. Dr. Patrizio Neff 30.0.204 Lösungsvorschlag zu den Hausaufgaben der 3. Übung Aufgabe : (6 Punte) Welche der folgenden Tupel sind Maßräume? Beweisen Sie Ihre Behauptung. {
MehrAufgaben zur Verbandstheorie
TU Bergakademie Freiberg WS 2005/06 Institut für Diskrete Mathematik & Algebra Prof. Dr. Udo Hebisch Aufgaben zur Verbandstheorie 1. Für ein beliebiges n IN sei X n die Menge aller Teiler von n. Definiert
Mehr{ Anzahl Elemente in A wenn endlich, sonst,
Analysis 3, Woche 3 Maße II 3.1 Äußeres Maß Man könnte hoffen, nachdem man durch die Erweiterung von X, A, µ zu X, A, µ einen vollständigen Maßraum konstruiert hat, dass auch alle Mengen messbar sein sollten.
Mehrpiiq oder p 8, aq, p 8, as, pa, `8q, ra, `8q mit einer reellen Zahl a; piiiq oder p 8, `8q R. [6 Punkte] Achtung: Denken Sie auch an den Fall I!
Analysis I Wintersemester 2015/16 9. Übungsblatt, Lösungsbeispiele Jun. Prof. Dr. Christian Reiher, Pascal Gollin Alexander Block, Hendrik Niehaus, Jakob Kneip, Jakob Schnitzer Aufgabe 5 Es sei I Ď R eine
MehrSatz von Sarkovskii und Periode 3 impliziert Chaos
Satz von Sarkovskii und Periode 3 impliziert Chaos Florian Lindemann 10 Februar 2003 Vortrag für das Seminar Differentialgleichungen, WS 02/03 Dozent: Prof Lauterbach Wir wollen uns das Feigenbaum-Diagramm
MehrMaße und Integrale. begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller. Berlin, den 26.
Maße und Integrale begleitend zur Vorlesung Stochastik I Humboldt-Universität zu Berlin SS 2008 P. Imkeller Berlin, den 26. April 2008 Inhaltsverzeichnis 1 Konstruktion von Maßen 3 2 Konstruktion von Integralen
Mehr(c) (a) X ist abgeschlossen. X = A,wobeiderDurchschnittüberalleabgeschlossenenMengengebildet wird, die X enthalten. (d) (e)
27 15. Metrische Räume Mit Hilfe einer Norm können wir den Abstand x y zweier Punkte x, y messen. Eine Metrik ist eine Verallgemeinerung dieses Konzepts: 15.1. Metriken. Es sei M eine beliebige Menge.
MehrHolonomiegruppen Riemannscher Mannigfaltigkeiten
Holonomiegruppen Riemannscher Mannigfaltigkeiten Skript zum Seminarthema Holonomiegruppen von Überlagerungen und Riemannschen Produkten Sommersemester 2009 an der Humbol Universität zu Berlin. Daniel Schliebner
MehrUltrametrik. Christian Semrau Metrische Räume
Ultrametrik Christian Semrau 05.11.2002 Inhaltsverzeichnis 1 Metrische Räume 1 1.1 Definition der Metrik.................................. 1 1.2 Offene und abgeschlossene Mengen..........................
MehrDas Lebesgue-Maß im R p
Das Lebesgue-Maß im R p Wir werden nun im R p ein metrisches äußeres Maß definieren, welches schließlich zum Lebesgue-Maß führen wird. Als erstes definieren wir das Volumen von Intervallen des R p. Seien
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrMathematik III. Produkt-Präringe
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 66 Es ist unser Ziel zu zeigen, dass auf der Produktmenge von Maßräumen unter recht allgemeinen Voraussetzungen ein Maß definiert ist,
Mehr2 Vollständige Induktion
Vollständige Indution Wir unterbrechen jetzt die Disussion der Axiome der reellen Zahlen, um das Beweisverfahren der vollständigen Indution ennenzulernen. Wir setzen voraus, dass die natürlichen Zahlen
MehrVertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 8. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 5.6.2013 8. Unabhängigkeit von Zufallsgrößen, Erwartungswert und Varianz 8.1
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
Mehr