1 Elemente der Wahrscheinlichkeitstheorie

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "1 Elemente der Wahrscheinlichkeitstheorie"

Transkript

1 H.-J. Starkloff Unendlichdimensionale Stochastik Kap Oktober Elemente der Wahrscheinlichkeitstheorie 1.1 Messbare Räume Gegeben seien eine nichtleere Menge Ω und eine Menge A von Teilmengen von Ω. Definition 1 A heißt σ Algebra auf Ω falls (i) Ω A; (ii) A n A, n N A n A und A n A; (iii) A A Ω \ A A. In diesem Fall heißt (Ω, A) ein messbarer Raum oder Messraum und die Elemente der σ Algebra A heißen messbare Mengen oder (zufällige) Ereignisse. Es gibt eine ganze Reihe unterschiedlicher Formulierungen der Definition einer σ Algebra auf Ω, die zueinander äquivalent sind, insbesondere braucht man nicht beide Forderungen in (ii) zu stellen, sondern nur eine. Es folgen einige Beispiele für σ Algebren, bei denen die messbaren Mengen direkt charakterisiert werden können. Beispiele 2 (i) Ω nichtleer, A = {, Ω}. (ii) Ω nichtleer, A = {A : A Ω} Potenzmenge, Menge aller Teilmengen. (iii) Ω = R, A = {A R : A symmetrisch, d.h. A = A}. (iv) Ω nichtleer, A = {A Ω : A oder Ω \ A ist höchstens abzählbar}. (v) Ω nichtleer, Γ nichtleere Indexmenge, Ω = Ω γ disjunkte Zerlegung der Grundmenge, A = {A Ω : A Ω γ Ω γ A γ Γ}. Häufiger werden jedoch σ Algebren verwendet, bei denen keine einfachen Charakterisierungen aller Elemente der σ Algebra angebbar sind und die (nur) durch eine erzeugende Menge bestimmt werden. Grundlage dazu ist die folgende Behauptung. Behauptung 3 Es seien Ω und Γ nichtleere Mengen und für jedes γ Γ sei A γ σ Algebra auf Ω. Dann ist der Durchschnitt A γ eine σ Algebra auf Ω. eine Folgerung 4 Ist A 0 eine beliebige Menge von Teilmengen der nichtleeren Menge Ω, dann existiert eine kleinste σ Algebra auf Ω, die A 0 enthält. Diese σ Algebra heißt die von A 0 erzeugte σ Algebra und sie wird mit σ(a 0 ) bezeichnet. Beweis Die gesuchte σ Algebra ist der Durchschnitt aller σ Algebren auf Ω, die A 0 enthalten. Dabei gibt es mindestens eine σ Algebra auf Ω, die A 0 enthält und zwar die Potenzmenge der Grundmenge Ω. Ist A 0 schon eine σ Algebra auf Ω, dann fällt natürlich die von A 0 erzeugte σ Algebra mit A 0 zusammen, d. h. es gilt σ(a 0 ) = A 0.

2 H.-J. Starkloff Unendlichdimensionale Stochastik Kap Oktober Beispiele 5 (i) Ω nichtleer, A 0 = σ(a 0 ) = {, Ω}. (ii) Ω = R, A 0 = {0} σ(a 0 ) = {, {0}, R \ {0}, R}. (iii) Ω nichtleer, A 0 = {{ω} : ω Ω} (die Menge aller einelementigen Teilmengen) σ(a 0 ) = {A Ω : A oder Ω \ A ist höchstens abzählbar}. Ein wichtigeres konkretes Beispiel einer σ Algebra auf der Menge der reellen Zahlen R ist die σ Algebra der Borel-Mengen auf R. Definition 6 Die σ Algebra auf der Menge der reellen Zahlen, die vom System der offenen Teilmengen der reellen Zahlengeraden erzeugt wird, heißt die Borelsche σ Algebra auf R oder die σ Algebra der Borel-Mengen auf R, sie wird mit B(R) bezeichnet. Ein und diesselbe σ Algebra auf einer Grundmenge Ω kann von ganz unterschiedlichen Mengen A 0 erzeugt werden, relevante Beispiele dazu werden im Kontext der Vorlesung später behandelt. Für die σ Algebra der Borel-Mengen auf R sei schon jetzt die folgende einfache Behauptung angegeben. Behauptung 7 Jedes der folgenden Teilmengensysteme der Menge der reellen Zahlen erzeugt die Borelsche σ Algebra: 1. die Menge aller abgeschlossenen Teilmengen von R; 2. die Menge aller offenen Intervalle; 3. die Menge aller endlichen offenen Intervalle; 4. die Menge aller endlichen offenen Intervalle mit rationalen Endpunkten; 5. die Menge aller offenen Intervalle der Form (, a) mit a R; 6. die Menge aller offenen Intervalle der Form (, a) mit a Q, d.h. die Menge der halbunendlichen Intervalle mit rationalen Endpunkten; 7. die Menge aller abgeschlossenen Intervalle der Form (, a] mit a R; 8. die Menge aller abgeschlossenen Intervalle der Form (, a] mit a Q. Definition 8 Es sei (Ω, A) ein messbarer Raum. Die σ Algebra A heißt höchstens abzählbar erzeugt, falls ein höchstens abzählbares Mengensystem A 0 mit σ(a 0 ) = A existiert. Behauptung 9 Die Kardinalzahl einer höchstens abzählbar erzeugten σ Algebra ist nicht größer als die Kardinalzahl der Menge der reellen Zahlen. Der Beweis dieser Behauptung ist z.b. in Michel[1] Nr. 4.10, S.31, zu finden. Folgerung 10 Es gibt nicht Borel-messbare Teilmengen in der Menge der reellen Zahlen. Beweis Die Menge aller endlichen offenen Intervalle in R mit rationalen Endpunkten bilden ein Erzeugendensystem für die σ Algebra der Borel-Mengen auf R. Diese Menge ist abzählbar unendlich, folglich ist die Mächtigkeit der σ Algebra der Borel-Mengen auf R gleich der Mächtigkeit von R. (Da jede einelementige Menge eine abgeschlossene Menge und folglich ein Element von B(R) ist, kann die Mächtigkeit von B(R) nicht kleiner als die Mächtigkeit von R sein.) Die Potenzmenge von R besitzt aber eine größere Mächtigkeit als R selbst, also muss es Teilmengen von R geben, die nicht in B(R) liegen.

3 H.-J. Starkloff Unendlichdimensionale Stochastik Kap Oktober Maßräume Definition 1 Gegeben sei ein messbarer Raum (Ω, A). Die Abbildung µ : A [0, ] heißt Maß auf (Ω, A), wenn die folgenden Bedingungen gelten: (i) µ( ) = 0 and (ii) (A n ) A ( mit A ) i A j = für i j ist die Eigenschaft der σ Additivität erfüllt, d.h. µ A n = µ(a n ). In diesem Fall heißt das Tripel (Ω, A, µ) Maßraum. Das Maß µ heißt σ endlich, wenn eine Folge (A n ) von messbaren Mengen existiert mit Ω = A n und µ(a n ) < für alle n N. Das Maß µ heißt endlich, falls µ(ω) < gilt. Gilt sogar µ(ω) = 1, dann heißt das Maß ein normiertes Maß oder Wahrscheinlichkeitsmaß oder kurz Wahrscheinlichkeit und das Tripel (Ω, A, µ) Wahrscheinlichkeitsraum. Wahrscheinlichkeitsmaße werden häufig (so auch hier) durch P bezeichnet. Gelten für eine Abbildung µ : A R (oder µ : A [, ) oder µ : A (, ]) die obigen Eigenschaften (i) und (ii), dann heißt µ ein signiertes Maß. Beispiel 2 Ein äußerst wichtiges Beispiel für einen konkreten Wahrscheinlichkeitsraum ist die Menge der reellen Zahlen zwischen 0 und 1, d.h. Ω = (0, 1), ausgestattet mit der σ Algebra der Borel-Mengen B((0, 1)) und dem Lebesgue-Maß P = λ als Wahrscheinlichkeitsmaß. Bei Bedarf kann natürlich auch eine der Mengen (0, 1], [0, 1) oder [0, 1] betrachtet werden. Im Folgenden werden wir Stetigkeitseigenschaften von Wahrscheinlichkeitsmaßen benötigen, die zur σ Additivität des Maßes äquivalent sind. Die entsprechende Behauptung sei hier ohne Beweis angeführt (der Beweis ist in den Lehrbüchern der Maß-und Integrationstheorie zu finden), eine entsprechende Aussage gilt auch für allgemeine endliche Maße und unter geeigneten Zusatzbedingungen für unendliche Maße. Behauptung 3 Es sei (Ω, A, P) ein Wahrscheinlichkeitsraum. (i) Ist (A n ) eine monoton fallende Folge von messbaren Mengen, d.h. es gelten A n A und A n+1 A n n N, dann folgt daraus ( ) lim P(A n) = P A n. n (ii) Ist (A n ) eine monoton wachsende Folge von messbaren Mengen, d.h. es gelten A n A und A n A n+1 n N, dann folgt daraus ( ) lim P(A n) = P A n. n Bei bestimmten Fragestellungen ist es bequem mit vollständigen Wahrscheinlichkeitsräumen zu arbeiten. Die dazu notwendigen Begriffe und grundlegenden Aussagen sollen nun folgen.

4 H.-J. Starkloff Unendlichdimensionale Stochastik Kap Oktober Definition 4 Gegeben sei ein Wahrscheinlichkeitsraum (Ω, A, P). Eine Teilmenge B von Ω (die nicht in A liegen muss) heißt P Nullmenge oder Nullmenge bezüglich P, falls es eine Menge A A mit B A und P(A) = 0 gibt. Die Menge aller P Nullmengen werde mit N P bezeichnet. Mit A P werde die folgende Menge von Teilmengen Ω bezeichnet: A P := A N P := { A Ω : A = A 1 B mit A 1 A und B N P}. Behauptung 5 Die Menge A P ist eine σ Algebra auf Ω mit A A P und das Wahrscheinlichkeitsmaß P auf A kann zu einem Wahrscheinlichkeitsmaß P auf A P durch die Definition P(A) = P(A 1 ) falls A = A 1 B mit A 1 A und B N P fortgesetzt werden. Behauptung 6 Die σ Algebra A P und das Wahrscheinlichkeitsmaß P lassen sich auch folgendermaßen charakterisieren: A P = σ ( A N P) oder A P = {A Ω : A 1, A 2 A mit A 1 A A 2 und P(A 1 ) = P(A 2 ) } P(A) = P(A 1 ) = P(A 2 ) falls A 1 A A 2 mit A 1, A 2 A und P(A 1 ) = P(A 2 ) Definition 7 Die σ Algebra A in einem Wahrscheinlichkeitsraum (Ω, A, P) heißt vollständig, wenn A = A P und folglich auch P = P gelten. Genau in diesem Fall heißt auch der Wahrscheinlichkeitsraum (Ω, A, P) vollständig. Nicht jeder Wahrscheinlichkeitsraum ist automatisch vollständig, aber es gilt die folgende Aussage. Behauptung 8 Jeder Wahrscheinlichkeitsraum kann vervollständigt werden. Wir werden im Folgenden immer angeben, wenn wir einen vollständigen Wahrscheinlichkeitsraum voraussetzen. 1.3 Messbare Abbildungen Es gibt verschiedene Möglichkeiten, messbare Abbildungen zu definieren. Wir wählen hier die üblichste und behandeln später den Zusammenhang zu anderen Varianten in speziellen Situationen. Zuerst vermerken wir einige grundlegende Eigenschaften von inversen Abbildungen (als Abbildungen von Mengensystemen). Definition 1 Gegeben seien zwei nichtleere Mengen Ω, X und eine Abbildung ξ : Ω X, d.h. für jedes ω Ω ist ξ(ω) X eindeutig definiert. Dann heißt für eine beliebige Teilmenge B X von X die Menge ξ 1 (B) := {ω Ω : ξ(ω) B} das (volle) Urbild von B unter der Abbildung ξ. Behauptung 2 Gegeben seien nichtleere Mengen Ω, X und eine Abbildung ξ : Ω X.

5 H.-J. Starkloff Unendlichdimensionale Stochastik Kap Oktober (i) Wird ξ 1 als Abbildung der Potenzmenge von X in die Potenzmenge von Ω betrachtet, erhält sie alle mengentheoretischen Operationen, d.h. für beliebige nichtleere Indexmengen Γ und Mengen B X, B γ X, γ Γ, gelten ( ) ξ 1 B γ = ξ 1 (B γ ) ; ξ 1 ( B γ ) = ξ 1 (B γ ) ; ξ 1 (X \ B) = Ω \ ξ 1 (B). (ii) Ist auf Ω eine σ Algebra A gegeben, so ist das Mengensystem { B X : ξ 1 (B) A } eine σ Algebra auf X. (iii) Ist auf X eine σ Algebra A X gegeben, so das Mengensystem ξ 1 (A X ) := { A Ω : A = ξ 1 (B) für ein B A X } = {ξ 1 (B) : B A X } eine σ Algebra auf Ω. Die beiden letzten Punkte obiger Behauptung geben Wege an, wie mit Hilfe einer Abbildung eine gegebene σ Algebra in einen anderen Raum transportiert werden kann. Definition 3 Gegeben seien eine nichtleere Menge Ω, ein messbarer Raum (X, A X ) und eine Abbildung ξ : Ω X. Die in obiger Behauptung (iii) definierte σ Algebra ξ 1 (A X ) wird die von ξ erzeugte σ Algebra genannt und mit σ(ξ) bezeichnet: σ(ξ) = ξ 1 (A X ). Nun kommen wir zum grundlegenden Begriff einer messbaren Abbildung. Man vergleiche diese Definition mit der Definition einer stetigen Funktion eines metrischen (oder topologischen) Raumes in einen metrischen (oder topologischen) Raum. Definition 4 Gegeben seien zwei messbare Räume (Ω, A) und (X, A X ) und eine Abbildung ξ : Ω X. Die Abbildung ξ heißt messbar oder X-wertige Zufallsvariable oder Zufallsvariable in X oder Zufallselement in X falls ξ 1 (A X ) = σ(ξ) A gilt. Genauer kann die Messbarkeit auch als A A X Messbarkeit charakterisiert werden. Häufig genutzt werden die folgenden Eigenschaften. Behauptung 5 Gegeben seien die messbaren Räume (Ω, A), (X, A X ) und (Y, A Y ), sowie die Abbildungen ξ : Ω X und f : X Y. Ist die Abbildung ξ A A X messbar und die Abbildung f A X A Y messbar, dann ist die Komposition η : Ω Y, η(ω) := f(ξ(ω)) eine A A Y messbare Abbildung. Behauptung 6 Gegeben seien die messbaren Räume (Ω, A) und (X, A X ), wobei A X durch eine Menge A 0 erzeugt werde, d.h. A X = σ(a 0 ). Dann ist eine Abbildung ξ : Ω X genau dann A A X messbar, wenn für jede Menge B A 0 gilt: ξ 1 (B) A.

6 H.-J. Starkloff Unendlichdimensionale Stochastik Kap Oktober Behauptung 7 Gegeben seien die messbaren Räume (Ω, A), (X, A X ) und (Y γ, A γ ), γ Γ, wobei die σ Algebra A X durch die Menge von Abbildungen f γ : X Y γ, γ Γ, erzeugt werde, d.h. A X = σ(f γ, γ Γ). Dann ist eine Abbildung ξ : Ω X genau dann A A X messbar, wenn für jedes γ Γ die Abbildung ω f γ (ξ(ω)) A A γ messbar ist. Ein weiteres fundamentales mathematisches Objekt, welches bei der Untersuchung von Zufallsvariablen in einer Menge X eigentlich immer eine Rolle spielt, ist die Verteilung der X-wertigen Zufallsvariablen. Definition 8 Gegeben seien ein Wahrscheinlichkeitsraum (Ω, A, P), ein messbarer Raum (X, A X ) und eine X-wertige Zufallsvariable ξ : Ω X. Die Abbildung Pξ 1 : A X [0, 1], Pξ 1 (B) = P ( ξ 1 (B) ) = P (ω Ω : ξ(ω) B) =: P(ξ B) ist ein Wahrscheinlichkeitsmaß auf dem messbaren Raum (X, A X ), welches Verteilung oder Wahrscheinlichkeitsverteilung der Zufallsvariable ξ genannt und mit P ξ bezeichnet wird, d.h. P ξ (B) = P(ξ B), B A X. Die nächste Behauptung zeigt, dass jedes Wahrscheinlichkeitsmaß auf einem messbaren Raum als die Verteilung einer entsprechenden Zufallsvariable aufgefasst werden kann (obwohl dieses Maß auch direkt gegeben sein kann, d.h. ohne Bezug auf eine Zufallsvariable). Andererseits haben im Allgemeinen viele unterschiedliche Zufallsvariablen ein und dieselbe Verteilung, d.h. durch die Verteilung wird eine erzeugende Zufallsvariable nicht eindeutig definiert. Behauptung 9 Gegeben seien ein messbarer Raum (X, A X ) und ein Wahrscheinlichkeitsmaß P X auf (X, A X ). Dann existiert ein Wahrscheinlichkeitsraum (Ω, A, P) und darauf eine X-wertige Zufallsvariable ξ : Ω X, so dass P X die Verteilung von ξ ist, d.h. P ξ = P X. Beweis Man nehme (Ω, A, P) = (X, A X, P X ) und die X-wertige Zufallsvariable ξ, welche durch ξ(x) = x, x X = Ω definiert wird. Für Integrale von reellwertigen messbaren Abbildungen gilt die bekannte Substitutionsformel. Behauptung 10 Gegeben seien ein Wahrscheinlichkeitsraum (Ω, A, P), ein messbarer Raum (X, A X ), eine X-wertige Zufallsvariable ξ : Ω X und eine messbare reellwertige Abbildung f : (X, A X ) (R, B(R)). Dann gilt Ef(ξ) := f(ξ(ω))p(dω) = f(x)p X (dx) Ω in dem Sinne, dass wenn eines der Integrale existiert auch das andere existiert (jeweils als abstraktes Lebesgue-Integral auf dem entsprechenden Maßraum) und deren Werte übereinstimmen. X Literatur [1] H. Michel. Maß- und Integrationstheorie. Dt. Verl. d. Wissenschaften, Berlin, 1978.

Im gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge

Im gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge 1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten

Mehr

Zufallsvariablen: Die allgemeine Definition

Zufallsvariablen: Die allgemeine Definition KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)

Mehr

Kapitel II - Wahrscheinlichkeitsraum

Kapitel II - Wahrscheinlichkeitsraum Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie

Grundbegriffe der Wahrscheinlichkeitstheorie KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir

Mehr

Aufgaben zu Kapitel 0

Aufgaben 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.

Mehr

Mathematik III. Topologische Räume

Mathematik III. Topologische Räume Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 63 Wir beschäftigen uns weiter mit der Frage, welchen Teilmengen des R n man ein sinnvolles Volumen zuordnen kann. Es wird sich herausstellen,

Mehr

Lineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund

Lineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer

Mehr

σ-algebren, Definition des Maßraums

σ-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

Mehr

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f. Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

4 Messbare Funktionen

4 Messbare Funktionen 4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und

Mehr

Analysis III. Vorlesung 61

Analysis III. Vorlesung 61 Prof. Dr. H. Brenner Osnabrück WS 2014/2015 Analysis III Vorlesung 61 In diesem Kurs beschäftigen wir uns mit dem Flächeninhalt von ebenen Gebilden und den Volumina von räumlichen Gebilden. Für ein Rechteck

Mehr

Mathematik III. Prof. Dr. H. Brenner Osnabrück WS 2010/2011. Vorlesung 62 In diesem Kurs beschäftigen wir uns mit dem

Mathematik III. Prof. Dr. H. Brenner Osnabrück WS 2010/2011. Vorlesung 62 In diesem Kurs beschäftigen wir uns mit dem Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 62 In diesem Kurs beschäftigen wir uns mit dem Flächeninhalt von ebenen Gebilden und den Volumina von räumlichen Gebilden. Für ein Rechteck

Mehr

Lehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler

Lehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002

Mehr

Kap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v

Kap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v Kap 1: VEKTORRÄUME Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung ϕ : I X, i ϕ(i) = x i, wobei die Menge I in diesem Zusammenhang auch Indexmenge genannt wird. Man schreibt vereinfacht

Mehr

Topologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen

Topologische 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

Mehr

Skriptbausteine zur Vorlesung Maßtheorie

Skriptbausteine zur Vorlesung Maßtheorie Skriptbausteine zur Vorlesung Maßtheorie Vorlesender: Prof. Dr. Bernd Hofmann Der folgende Text soll die Nacharbeit der Vorlesung erleichtern und dabei an Definitionen, Sätze und Beispiele erinnern. Das

Mehr

Abbildungseigenschaften

Abbildungseigenschaften Abbildungseigenschaften.5. Injektivität Injektivität (injektiv, linkseindeutig) ist eine Eigenschaft einer mathematischen Funktion. Sie bedeutet, dass jedes Element der Zielmenge höchstens einmal als Funktionswert

Mehr

Übungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006

Übungsrunde 9, Gruppe 2 LVA 107.369, Übungsrunde 8, Gruppe 2, 12.12. Markus Nemetz, TU Wien, 12/2006 3.75. Angabe Übungsrunde 9, Gruppe 2 LVA 07.369, Übungsrunde 8, Gruppe 2, 2.2. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 2/2006 X sei eine stetige sg mit Dichte f(x), x R. Ermitteln Sie einen

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 11. Oktober 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 11. Oktober 2013 3 Fortsetzung von Prämassen zu Massen Der Begriff des Prämasses ist nicht ausreichend, um eine geschmeidige Integrationstheorie

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume

Kapitel II Kontinuierliche Wahrscheinlichkeitsräume Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE 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

Mehr

2 Rationale und reelle Zahlen

2 Rationale und reelle Zahlen 2 reelle Es gibt Mathematik mit Grenzwert (Analysis) und Mathematik ohne Grenzwert (z.b Algebra). Grenzwerte existieren sicher nur dann, wenn der Zahlbereich vollständig ist, also keine Lücken aufweist

Mehr

Wahrscheinlichkeitstheorie

Wahrscheinlichkeitstheorie Wahrscheinlichkeitstheorie Peter Eichelsbacher Wintersemester 2008/09 Inhaltsverzeichnis 1 σ-algebren und Maße 3 2 Fortsetzung von Prämaßen zu Maßen 17 3 Messbare Abbildungen und das Lebesgue-Borel-Maß

Mehr

Grundlagen Mengenlehre, Maßtheorie

Grundlagen Mengenlehre, Maßtheorie Grundlagen Mengenlehre, Maßtheorie 12. März 2011 1 Grundlagen der Mengenlehre - Rechnen mit Mengen Im folgenden bezeichnen wir mit P(X) die Menge aller Teilmengen von X, die sogenannte Potenzmenge von

Mehr

8 Konvergenzkriterien und Häufungswerte von Folgen in R

8 Konvergenzkriterien und Häufungswerte von Folgen in R 8 Konvergenzkriterien und Häufungswerte von Folgen in R 8.1 Konvergenz monotoner Folgen 8.2 Die Zahl e 8.3 Existenz monotoner Teilfolgen 8.4 Auswahlprinzip von Bolzano-Weierstraß 8.5 Konvergenzkriterium

Mehr

Satz 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.

Satz 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.

Mehr

1 falls x 2. falls x = 1 und. 0 falls x > 1. eine Lebesgue-integrierbare Majorante. Somit können wir den Satz von Lebesgue anwenden:

1 falls x 2. falls x = 1 und. 0 falls x > 1. eine Lebesgue-integrierbare Majorante. Somit können wir den Satz von Lebesgue anwenden: Lösungsvorschläge zur Klausur 045 Maß- und Integrationstheorie WS 205/6 Lösungsvorschlag zu Aufgabe Sei f n der Integrant 0 falls x > 2 und f n x) falls x 2. 3+sin 2n)+x x 4n Sein punktweiser Grenzwert

Mehr

Wahrscheinlichkeitsrechnung

Wahrscheinlichkeitsrechnung Grundstudium Mathematik Wahrscheinlichkeitsrechnung Bearbeitet von Dominique Foata, Aime Fuchs 1. Auflage 1999. Taschenbuch. xv, 383 S. Paperback ISBN 978 3 7643 6169 3 Format (B x L): 17 x 24,4 cm Gewicht:

Mehr

8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.

8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W. 8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A

Mehr

Skript zur Vorlesung MASS- UND INTEGRATIONSTHEORIE

Skript zur Vorlesung MASS- UND INTEGRATIONSTHEORIE Skript zur Vorlesung MASS- UND INTEGRATIONSTHEORIE Jürgen Gärtner Sommer 2008 Inhaltsverzeichnis Vorbemerkungen 5 1. Motivation. Inhaltliche Bedeutung des Maßbegriffs 7 2. Das Lebesguesche Maß ebener

Mehr

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt

Universität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert

Mehr

Das Lebesgue-Maß im R p

Das 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

Mehr

Analysis I: Übungsblatt 1 Lösungen

Analysis I: Übungsblatt 1 Lösungen Analysis I: Übungsblatt 1 Lösungen Verständnisfragen 1. Was ist Mathematik? Mathematik ist eine Wissenschaft, die selbstgeschaffene, abstrakte Strukturen auf ihre Eigenschaften und Muster hin untersucht.

Mehr

3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba.

3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba. Die Eindeutigkeit nach Satz 3 ergibt schließlich (5). (6) folgt aus (2) und () wegen Aussage (7) ergibt sich aus () und (6). 0 = log b = log b ( a a) = log b a +log ba. 3 Reihen 3. Konvergenz und Divergenz

Mehr

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume

Kapitel II Kontinuierliche Wahrscheinlichkeitsraume Kapitel II Kontinuierliche Wahrscheinlichkeitsraume 1. Einfuhrung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 195/460 Beispiel 78 Wir betrachten

Mehr

Eine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten:

Eine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten: Aussagen Aussagen Eine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten: verbale Aussage formale Aussage Wahrheitswert 1) 201 ist teilbar durch 3 3 201 wahre Aussage (w.a.) 2)

Mehr

Meßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :

Meßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 : 24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar

Mehr

Wissenschaftliches Arbeiten Quantitative Methoden

Wissenschaftliches Arbeiten Quantitative Methoden Wissenschaftliches Arbeiten Quantitative Methoden Prof. Dr. Stefan Nickel WS 2008 / 2009 Gliederung I. Motivation II. III. IV. Lesen mathematischer Symbole Wissenschaftliche Argumentation Matrizenrechnung

Mehr

Übungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie

Übungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie Dr. Christoph Luchsinger Übungsblatt 5 zur Vorlesung Wahrscheinlichkeitstheorie Allgemeine Masse Herausgabe des Übungsblattes: Woche 13, Abgabe der Lösungen: Woche 14 (bis Freitag, 16.15 Uhr), Besprechung:

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

Metrische äußere Maße, Borel-Maße

Metrische äußere Maße, Borel-Maße Metrische äußere Maße, Borel-Maße Zum einen haben wir mit dem Fortsetzungssatz gesehen, dass man mit einem äußeren Maß (auf P(X) ) stets eine σ-algebra und ein Maß auf dieser bekommt. Liegt nun ein metrischer

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4

Einführung 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

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 1. Wahrscheinlichkeitsräume Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.

Mehr

Wahrscheinlichkeitsrechnung und Statistik

Wahrscheinlichkeitsrechnung und Statistik 1. und 2. Vorlesung - 2017 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich werde mit Sicherheit gewinnen! Ist das wirklich unmöglich?

Mehr

Grundlagen. Kapitel Mengen

Grundlagen. Kapitel Mengen Kapitel 1 Grundlagen 1.1 Mengen Grundobjekte mathematischer Theorien sind Mengen. Zwar stellt man sich darunter Gesamtheiten von gewissen Dingen (den Elementen der Menge) vor, doch führt die uneingeschränkte

Mehr

Wahrscheinlichkeitstheorie und Maßtheorie

Wahrscheinlichkeitstheorie 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

Mehr

13 Mehrdimensionale Zufallsvariablen Zufallsvektoren

13 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

Mehr

Konvergenz von Folgen

Konvergenz von Folgen 6 Konvergenz von Folgen Definition 6.1 Eine Folge in C (oder R) ist eine Abbildung f : N C (oder R). Schreibweise: (a n ) n N, (a n ), a 1, a 2... wobei a n = f(n). Beispiele: 1) (1 + 2 n ) n N, 3 2, 5

Mehr

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen

6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen 6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,

Mehr

2. Integration. {x : f(x) <a+ 1 n }

2. Integration. {x : f(x) <a+ 1 n } 9 2.1. Definition. 2. Integration in Maß ist eine nichtnegative, abzählbar additive Mengenfunktion. in Maßraum ist ein Tripel (X,,µ) bestehend aus einem messbaren Raum X mit der -lgebra und einem auf definierten

Mehr

Stochastik. Stand: 19. Juli 2015, 14:02

Stochastik. Stand: 19. Juli 2015, 14:02 Stochastik Dominik Bullach Hannes F. Funk Stand: 19. Juli 2015, 14:02 Dies ist eine Mitschrift der Vorlesung von Prof. Dr. Peter Pickl im Sommersemester 2015. Sie stellt den Versuch dar, den Vorlesungsstoff

Mehr

Teil II. Wahrscheinlichkeitsrechnung

Teil II. Wahrscheinlichkeitsrechnung Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse

Mehr

Teil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse

Teil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung

Mehr

Topologische Räume und stetige Abbildungen Teil 2

Topologische Räume und stetige Abbildungen Teil 2 TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des

Mehr

PD Dr. R. Schätzle 1.11.1999. Maßtheoretische Methoden WS 1999/00

PD Dr. R. Schätzle 1.11.1999. Maßtheoretische Methoden WS 1999/00 ETH Zürich Departement für Mathematik PD Dr. R. Schätzle 1.11.1999 Maßtheoretische Methoden WS 1999/00 1.Übung AUFGABE 1: Es sei µ ein borelreguläres Maß auf einem metrischen Raum X und X = j=1 V j, wobei

Mehr

Einführung in die Stochastik 6. Übungsblatt

Einführung in die Stochastik 6. Übungsblatt Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.

Mehr

8 Verteilungsfunktionen und Dichten

8 Verteilungsfunktionen und Dichten 8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein

Mehr

Topologische Begriffe

Topologische Begriffe Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer

Mehr

01145 Maß- und Integrationstheorie

01145 Maß- und Integrationstheorie 01145 Maß- und Integrationstheorie Eine Einführung Prof. Dr. Werner Kirsch Wissenschaftliche Mitarbeit: Dr. Tobias Mühlenbruch Lehrgebiet Stochastik FernUniversität in Hagen LG.Stochastik@fernuni-hagen.de

Mehr

2. Vorlesung. Die Theorie der schwarz-weissen Ketten.

2. Vorlesung. Die Theorie der schwarz-weissen Ketten. 2. Vorlesung. Die Theorie der schwarz-weissen Ketten. Die Theorie der schwarzen Steinchen haben wir jetzt halbwegs vertanden. Statt mit schwarzen Steinen wie die Griechen, wollen wir jetzt mit schwarzen

Mehr

ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen

ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen ELEMENTARE DISKRETE MATHEMATIK Kapitel 4: Mächtigkeit von Mengen MAA.01011UB MAA.01011PH Vorlesung mit Übung im WS 2016/17 Christoph GRUBER Günter LETTL Institut für Mathematik und wissenschaftliches Rechnen

Mehr

Analysis I - Stetige Funktionen

Analysis 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

Mehr

Mengenlehre. Aufgaben mit Lösungen

Mengenlehre. Aufgaben mit Lösungen Mengenlehre Aufgaben mit Lösungen Inhaltsverzeichnis 1 Hilfsmittel 1 1. Zahlenmengen........................................ 1 2. Symbole........................................... 1 3. Intervalle: Schreibweise...................................

Mehr

Ultrametrik. Christian Semrau Metrische Räume

Ultrametrik. 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..........................

Mehr

Elemente der mengentheoretischen Topologie

Elemente 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

Mehr

Lineare Algebra II 9. Übungsblatt

Lineare Algebra II 9. Übungsblatt Lineare Algebra II 9. Übungsblatt Fachbereich Mathematik SS Prof. Dr. Kollross 5./6. Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest: ohne Benutzung des Skripts und innerhalb von Minuten!)

Mehr

Maße auf Produkträumen

Maße 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

Mehr

Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME

Analysis 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

Mehr

Exkurs: Polnische Räume

Exkurs: Polnische Räume Ein normaler Hausdorff-Raum mit abzählbarer Basis kann auf viele Weisen metrisiert werden; man kann insbesondere eine einmal gewonnene Metrik in vielerlei Weise abändern, ohne die von ihr erzeugte Topologie

Mehr

DIE SPRACHE DER WAHRSCHEINLICHKEITEN

DIE SPRACHE DER WAHRSCHEINLICHKEITEN KAPITEL 1 DIE SPRACHE DER WAHRSCHEINLICHKEITEN Es ist die Aufgabe der ersten drei Kapitel, eine vollständige Beschreibung des grundlegenden Tripels (Ω, A, P) und seiner Eigenschaften zu geben, das heutzutage

Mehr

Vollständigkeit. 1 Konstruktion der reellen Zahlen

Vollständigkeit. 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

Mehr

Kapitel II. Konvergenz von Folgen und Reihen

Kapitel II. Konvergenz von Folgen und Reihen Kapitel II Konvergenz von Folgen und Reihen 7 Einführende Beispiele und Rechenregeln für konvergente Folgen 8 Konvergenzkriterien und Häufungswerte von Folgen in R 9 Konvergenz und absolute Konvergenz

Mehr

Lösungen zum Aufgabenblatt Nr. 1: Konstruktion der reellen Zahlen

Lösungen zum Aufgabenblatt Nr. 1: Konstruktion der reellen Zahlen Lösungen zum Aufgabenblatt Nr. 1: Konstruktion der reellen Zahlen Aufgabe 1: Es sei D die Menge aller rationalen Dedekind-Mengen, also D := { M 2 Q M is Dedekind-Menge }. Auf der Menge D definieren wir

Mehr

KONSTRUKTION VON MASSEN

KONSTRUKTION VON MASSEN KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer

Mehr

9 Metrische und normierte Räume

9 Metrische und normierte Räume 9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik

Mehr

Topologische Räume und stetige Abbildungen

Topologische Räume und stetige Abbildungen TU Dortmund Mathematik Fakultät Proseminar Lineare Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Julia Schmidt Dozent: Prof. Dr. L. Schwachhöfer Datum: 29.11.2013 Inhaltsverzeichnis

Mehr

Ü b u n g s b l a t t 15

Ü b u n g s b l a t t 15 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine

Mehr

Ferienkurs in Maß- und Integrationstheorie

Ferienkurs in Maß- und Integrationstheorie Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien

Mehr

Statistik für Ingenieure Vorlesung 2

Statistik für Ingenieure Vorlesung 2 Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen

Mehr

Schwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik

Schwache 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

Mehr

A. Maß- und Integrationstheorie

A. Maß- und Integrationstheorie A. Maß- und Integrationstheorie Im folgenden sind einige Ergebnisse aus der Maß- und Integrationstheorie zusammengestellt, die wir im Laufe der Vorlesung brauchen werden. Für die Beweise der Sätze sei

Mehr

λ(a n ) n 1 = (λa n ) n 1. Abbildung 1: Graph einer Folge. b n = arctan(n), f n = cos(nπ), g n = n 2, h n = ( 1) n n.

λ(a n ) n 1 = (λa n ) n 1. Abbildung 1: Graph einer Folge. b n = arctan(n), f n = cos(nπ), g n = n 2, h n = ( 1) n n. Folgen Es sei X eine beliebige Menge. Eine Folge mit Werten in X ist eine Abbildung von N nach X. Es wird also jeder natürlichen Zahl n (dem Index) ein Element a n aus X zugeordnet (das n-te Folgenglied).

Mehr

Die Topologie von R, C und R n

Die 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).

Mehr

1 Bedingte Erwartungswerte

1 Bedingte Erwartungswerte Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,

Mehr

Einführung in die Mengenlehre

Einführung in die Mengenlehre Einführung in die Mengenlehre Kevin Kaatz, Lern-Online.net im Mai 2009 Lern-Online.net Mathematik-Portal 1 Inhaltsverzeichnis 1 Vorwort und 3 1.1 Vorwort und Literaturempfehlungen............................

Mehr

Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man

Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.

Mehr

Kapitel 19. Das Lebesgue Maß σ Algebren und Maße

Kapitel 19. Das Lebesgue Maß σ Algebren und Maße Kapitel 19 Das Lebesgue Maß 19.1 σ Algebren und Maße 19.2 Das äußere Lebesgue Maß 19.3 Das Lebesgue Maß 19.4 Charakterisierungen des Lebesgue Maßes 19.5 Messbare Funktionen 19.1 σ Algebren und Maße Wir

Mehr

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik

Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen

Mehr

Konstruktion der reellen Zahlen

Konstruktion der reellen Zahlen Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert

Mehr

Klausur zur Vorlesung Stochastik II

Klausur zur Vorlesung Stochastik II Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur

Mehr

Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume

Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober/November 2017

Mehr

11 Stochastisches Integral und Itô-Formel

11 Stochastisches Integral und Itô-Formel 11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess

Mehr

Darstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012

Darstellungssatz 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

Mehr

Mathematik für Naturwissenschaftler I WS 2009/2010

Mathematik für Naturwissenschaftler I WS 2009/2010 Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 12 1. Dezember 2009 Kapitel 3. Differenzialrechnung einer Variablen (Fortsetzung) Satz 19. Es seien M und N zwei nichtleere Teilmengen von R,

Mehr

Statistik I für Betriebswirte Vorlesung 1

Statistik I für Betriebswirte Vorlesung 1 Statistik I für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

Ist die Funktion f : R R injektiv, hat den Definitionsbereich D und den Wertebereich W, so ist f : D W bijektiv. Dann heißt

Ist die Funktion f : R R injektiv, hat den Definitionsbereich D und den Wertebereich W, so ist f : D W bijektiv. Dann heißt Ist die Funktion f : R R injektiv, hat den Definitionsbereich D und den Wertebereich W, so ist f : D W bijektiv. Dann heißt f 1 : W D, y wobei D mit f() = y die Umkehrfunktion zu f. Der Graph G f 1 = {(y,

Mehr

2.6 Stetigkeit und Grenzwerte

2.6 Stetigkeit und Grenzwerte 2.6 Stetigkeit und Grenzwerte Anschaulich gesprochen ist eine Funktion stetig, wenn ihr Graph sich zeichnen lässt, ohne den Stift abzusetzen. Das ist natürlich keine präzise mathematische Definition und

Mehr

Definition 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

Definition 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

Mehr