Kapitel 4: Irreduzible und aperiodische Markov Ketten 1
|
|
- Evagret Kaufer
- vor 7 Jahren
- Abrufe
Transkript
1 Matrielnummer: Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme über Marov Ketten betrachtet. Es ist eine wichtige Aufgabe in der Marov Theorie Bedingungen zu finden, die einerseits star genug sind, damit man hilfreiche Behauptungen erstellen ann, aber anderseits auch schwach genug für viele gute Beispiele sind. In diesem Kapitel geht es um zwei solcher Annahmen: Irreduzibilität und Aperiodizität. Diese beiden Bedingungen sind von zentraler Bedeutung in der Marov Theorie und insbesondere spielen sie in der Forschung über stationäre Verteilung eine wichtige Rolle. Wir beginnen mit Irreduziblität, was, einfach gesprochen, die Eigenschaft ist, dass alle Stadien der Marov Kette von allen anderen Stadien erreicht werden önnen. Um dies genauer zu beschreiben, betrachten wir eine Marov Kette (X 0, X 1,...) mit Zustandsraum S = {s 1,..., s } und Übergangsmatrix P. Wir sagen, dass der Zustand s i mit einem anderen Zustand s j ommuniziert (geschrieben: s i s j ), wenn die Wahrscheinlicheit, dass, beginnend bei s i, die Kette s j erreicht, positiv ist. In anderen Worten: s i und s j ommunizieren, wenn es ein n gibt, so dass P(X m+n =s j X m ) > 0 bzw. (P ij ) (n) > 0. Wenn s i s j und s j s i, dann sagt man die Zustände s i und s j sind verbunden, und schreibt: s i s j. Dies bringt uns gleich zu der Definition von Irreduzibilität: Definition 4.1 Eine Marov Kette (X 0, X 1,...) mit Zustandsraum S={s 1,...,s } und Übergangsmatrix P heißt irreduzibel, falls für alle s j, s i S gilt: s i s j. Sonst heißt die Marov Kette reduzibel. Oder anders gesagt: Die Kette ist irreduzibel, falls es für alle s j, s i S ein n gibt, so dass (P n ) i,j > 0. Um zu zeigen, dass eine Marov Kette irreduzibel ist, betrachtet man das Übergangsdiagramm und überprüft, ob man von jedem Zustand innerhalb endlich vieler Schritte zu jedem anderen Zustand gelangen ann. 1 Olle Häggström, "Finite Marov Chains and Algorithmic Applications", Cambridge 2002, S
2 Matrielnummer: Projetseminar zur Stochasti Beispiele: Die Marov Kette (X 0, X 1,...) mit Zustandsraum S = {1, 2, 3, 4} und Übergangsmatrix P = ist zum Beispiel reduzibel, denn beginnt die Kette mit Zustand 1 oder 2 ist sie eingeschränt auf Zustand 1 und 2. Dasselbe gilt für Zustand 3 und 4, einmal dort ann sie nicht zu Zustand 1 oder 2 wechseln. (Betrachtet man die Kette nur in Zustand 1 oder 2, dann verhält sie sich wie eine Marov Kette mit Zustandsraum {1,2} und Übergangsmatrix. Dies zeigt eine charateristische Eigenschaft für reduzible Marov Ketten, welches den Begriff reduzibel noch einmal erlärt: Wenn eine Marov Kette reduzibel ist, dann ann 2
3 Matrielnummer: Projetseminar zur Stochasti das Langzeitverhalten auf die Analyse von den Langzeitverhalten mehrerer Marov Ketten mit leineren Zustandsräumen reduziert werden.) Das Konzept der Aperiodizität Für eine endliche oder unendliche Menge positiver ganzer Zahlen {a 1, a 2,...}, schreiben wir ggt {a 1, a 2,...} für den größten gemeinsamen Teiler von a 1, a 2,.... Die Periode d (s i ) eines Zustandes s i S ist definiert als d (s i ) = ggt {n 1: (P n ) i,i > 0}. In Worten: Die Periode von s i ist der größte gemeinsame Teiler von der Menge der möglichen Rücehrzeiten zum Startpunt X 0. Wenn d (s i ), sagt man, der Zustand s i ist aperiodisch. Definition 4.2 Eine Marov Kette heißt aperiodisch, falls alle Zustände aperiodisch sind. Ansonsten heißt die Kette periodisch. Anschaulich ist eine Marov Kette periodisch, wenn man trotz der Zufälligeit des Gesamtsystems exate Voraussagen darüber treffen ann, in welcher Teilmenge der Zustandsmenge sich das System an einem bestimmten Zeitpunt befinden wird. Beispiel periodisch Random waler: Der Random Waler steht zum Zeitpunt 0 in der Ece v 1. Er muss also eine gerade Anzahl an Schritten nehmen um zurüc zu v 1 zu ommen. Das heißt (P n ) i,j > 0 nur für n = 2, 4, 6,... daraus folgt: ggt {n 1: (P n ) i,j > 0} = ggt {2, 4, 6,...} = 2 und die Kette ist also periodisch. 3
4 Matrielnummer: Projetseminar zur Stochasti Beispiel aperiodisch: Beispiel Gothenburger Wetter: Man nimmt an, dass es nur zwei verschiedene Zustände des Wetters gibt: Regen und Sonnenschein. In Gothenburg liegt die Wahrscheinlicheit, dass das Wetter morgen genauso ist wie heute, bei 75%. Dann ist das Wetter eine Marov Kette mit Zustandsraum S = {s 1, s 2 } (mit s 1 = Regen und s 2 = Sonnenschein ) und der Übergangsmatrix P = Es ist einfach zu erennen, dass, ohne Einschränungen ob es regnet oder die Sonne scheint, die Wahrscheinlicheit, dass wir das gleiche Wetter n Tage später haben, für alle n echt positiv ist. Also: (P n ) i,i > 0 für alle n und alle Zustände s i. Dies beinhaltet offensichtlich, dass die Marov Kette irreduzibel (s i s j ) und aperiodisch (ggt ) ist.. Theorem 4.1: Sei (X 0, X 1,... ) eine aperiodische Marov Kette mit dem Zustandsraum S = {s 1,...,s } und Übergangsmatrix P. Dann existiert ein N <, so dass (P n ) i,i > 0 für alle s i S und alle n N. In Worten: Für eine aperiodische Marov Kette existiert eine Schrittzahl N, so dass für alle darauffolgenden Schritte n N die Wahrscheinlicheit, dass der Zustand s i in den Ausgangszustand s i zurücehrt für alle s i S positiv ist. 4
5 Matrielnummer: Projetseminar zur Stochasti Um das Theorem zu beweisen, benötigt man folgendes Lemma aus der Zahlentheorie: Lemma 4.1: Sei A = {a 1, a 2,... } eine Menge positiver ganzer Zahlen für die gilt: (i) A ist teilerfremd, also ggt {a 1, a 2,... } (ii) A ist abgeschlossen bezüglich der Addition. Dann existiert ein positives ganzzahliges N <, mit n A für alle n N. (Beweis siehe Brémaud) 5
6 Matrielnummer: Projetseminar zur Stochasti Beweis von Theorem 4.1: Für s i S sei A i = {n 1: (P n ) i,i > 0 }, also ist A i die Menge der möglichen Rücehrzeitpunte zu s i, wenn die Marov Kette bei s i startet. Wir haben angenommen, dass die Marov Kette aperiodisch ist, dann ist auch der Zustand s i aperiodisch und A i ist teilerfremd (erste Bedingung von Lemma 4.1 erfüllt ). Des Weiteren ist A i abgeschlossen bezüglich der Addition, denn: Betrachte a, a A i (also 2 Schrittmöglicheiten vom Zustand s i zum Zustand s i zurüczuehren), dann gilt P(X a X 0 ) > 0 und P(X a+a X a ) >0. Wir wollen zeigen, dass P(X a+a X 0 ) > 0. Es gilt, dass: P(X a+a X 0 ) P(X a, X a+a X 0 ) = P(X a X 0 ) P(X a+a X a ) > 0 Die Summe aller a, a A i ist also auch Element der Menge A i, also a+a A i und somit ist A i abgeschlossen bezüglich der Addition (zweite Bedingung von Lemma 4.1 erfüllt ). A i erfüllt also die beiden Eigenschaften des Lemma 4.1, dass heißt es existiert eine ganze Zahl N i <, so dass (P n ) i,i > 0 mit n A für alle n N i. Theroem 4.1 folgt, indem man N = max {N 1,, N } wählt. q. e. d. Wenn man Aperiodizität und Irreduzibilität miteinander ombiniert, erhält man folgendes wichtiges Korollar: Korollar 4.1: Sei (X 0, X 1,...) eine irreduzible und aperiodische Marov Kette mit Zustandsraum S = {s 1,..., s } und Übergangsmatrix P. Dann existiert ein M <, so dass gilt (P n ) i,j > 0 für alle i, j {1,..., } und alle n M. In Worten: Es existiert eine Schrittzahl M, so dass für alle darauffolgenden Schritte n M die Wahrscheinlicheit, dass der Zustand s i zum Zustand s j geht, positiv ist. 6
7 Matrielnummer: Projetseminar zur Stochasti Beweis Korollar 4.1: Wir wissen aus Theorem 4.1: Es existiert ein N <, so dass (P n ) i,i > 0 für alle s i S und alle n N. Und aus der Irreduzibilität folgt: Es existiert ein n i,j, so dass (P ni,j ) i,j > 0. Wir suchen: M i,j, so dass für alle m M i,j gilt: P(X m = s j X 0 ) > 0 Dafür definieren wir M i,j = N+ n i,j Für alle m M i,j haben wir: P(X m = s j X 0 ) P(X m-ni,j, X m = s j X 0 ) = P(X m-ni,j X 0 ) P(X m = s j X m-ni,j ) *folgt durch Bedingung der Marov-Kette P(X m-ni,j X 0 ) > 0, da m-n i,j N (Theorem 4.1) und P(X m = s j X m-ni,j ) > 0, nach Definition von n i,j. P(X m = s j X 0 ) >0 für alle m M i,j. Das Korollar folgt, indem man M = max {M, M 1,2,,M 1,,M 2,1,, M, } wählt. q. e. d. 7
8 Matrielnummer: Projetseminar zur Stochasti Kapitel 5: Stationäre Verteilung 2 In diesem Kapitel geht es um das Langzeitverhalten von Marov Ketten. Was ann man über eine Marov Kette sagen, die sehr lange läuft? Gibt es interessante Limes Theoreme? Wenn man irgendeine nicht triviale Marov Kette (X 0, X 1,... ) betrachtet, wird der Wert von X n, selbst mit n, im Allgemeinen nicht gegen einen bestimmten Wert onvergieren. Wir hoffen jedoch, dass die Verteilung von X n sich bezüglich eines Grenzwertes annähert. Dies ist in der Tat der Fall, falls die Marov Kette irreduzibel und aperiodisch ist. Für die Verteilung der Wahrscheinlicheiten von X n lassen sich hingegen Aussagen über den Grenzwerte machen: µ=(µ 1,...,µ ) heißt Wahrscheinlicheitsverteilung µ i 0 für i,..., und µ i =1 Die Wahrscheinlicheitsverteilung gibt an, wie sich die Wahrscheinlicheiten auf die möglichen Zufallsergebnisse (Werte der Zufallsvariablen) verteilen. i=1 Definition 5.1: Sei (X 0, X 1,...) eine Marov Kette mit dem Zustandsraum S = {s 1,...,s } und Übergangsmatrix P. Ein Vetor π = (π 1,..., π ) heißt stationäre Verteilung der Marov Kette, wenn gilt: (i) π i 0 für alle,.., und π i (ii) π P = π, also π i P i, j = π j für j,..., Eigenschaft (i) bedeutet, dass π die mögliche Verteilung über {s 1,...,s } beschreibt. (ii) besagt, dass wenn die Anfangsverteilung µ (0) gleich π ist, dann entspricht die Verteilung µ (1) zum Zeitpunt 1 der Kette: µ (1) =µ (0) P = πp = π, und bei Wiederholung sehen wir, dass µ (n) = π für jedes n. 2 Olle Häggström, "Finite Marov Chains and Algorithmic Applications", Cambridge 2002, S
9 Matrielnummer: Projetseminar zur Stochasti Beispiel Wetter in Los Angeles: Man nimmt an, dass es nur zwei verschiedene Zustände des Wetters gibt: Regen und Sonnenschein. Dann ist das Wetter eine Marov Kette mit Zustandsraum S = {s 1, s 2 } (mit s 1 = Regen und s 2 = Sonnenschein ) und der Übergangsmatrix P= Wenn wir µ ( 0) 6,5 als Startposition wählen folgt µ ( 0) = µ n für alle n und µ ( 0) heiß t 6 stationare Verteilung der Marov Kette: = Theorem 5.1 (Existenz von stationären Verteilungen): Für jede irreduzible, aperiodische Marov Kette existiert mindestens eine stationäre Verteilung. Um dieses Theorem zu beweisen müssen wir zunächst ein Lemma beweisen, dass sich mit der Treffzeit von Marov Ketten beschäftigt. Hierfür definieren wir zunächst einmal Treffzeit: T i,j = min {n 1 X n = s j } heißt Treffzeit. Die Treffzeit, ist also die Zeit, die nach dem Start in s i vergeht bis das erste Mal s j besucht wird, wobei T i,j = falls s j niemals besucht wird. Des Weiteren definieren wir den Erwartungswert: τ i,j = E(T i,j ) ist der Erwartungswert von T i,j. Er gibt die erwartete Zeit an, die es braucht mit Startwert s i zu Zustand s j zu ommen. Für den Fall, dass i = j, wird τ i,j die mean return time für Zustand s i genannt. Lemma 5.1: Sei (X 0, X 1,...) eine irreduzible aperiodische Marov Kette mit dem Zustandsraum S = {s 1,...,s } und Übergangsmatrix P. Dann gilt für alle s i, s j S, dass, wenn die Marov Kette in s i startet: (i) P(T i, j < ), d.h. T i, j ist endlich (ii) E(T i, j ) <, d.h. der Erwartungswert von T i, j ist ebenfalls endlich 9
10 Matrielnummer: Projetseminar zur Stochasti Beweis Lemma 5.1: Laut Korollar 4.1 existiert für jede aperiodische irreduzible Marov Kette ein M > 0, sodass (P M ) i,j > 0 für alle i,j {1,..., }. Wir setzen { }, wobei α > 0 die minmalen Einträge der Matrix PM angibt. α = min (P M ) i, j i, j { 1,...,} Setze zwei Zustände s i und s j fest und starte die Marov Kette in s i. Es folgt: P(T i, j > M) P(X M s j ) P(X M = s j ) (P M ) i, j 1 α da { T i, j > M} { X M s i } = (P M ) i, j α Weiter muss betrachtet werden, was zum Zeitpunt 2M passiert: P(T i, j > 2M) = P(T i, j > M)P(T i, j > 2M T i, j > M) P(T i, j > M)P(X 2M s j T i, j > M) (1 α) (1- α) (1 - α) 2 Wir wiederholen dieses Problem für beliebiges l: P(T i, j > lm) = P(T i, j > M) P(T i, j > 2M T i, j > M) x... x P(T i, j > lm T i, j > (l 1)M) (1 α) l Mit l läuft (1-α) l gegen 0. Dies bedeutet P(T i,j = ) = 0 und deshalb ist auch P(T i,j < ) =1 - P(T i,j = ) -0, womit (i) bewiesen wäre. Um (ii) zu beweisen, wird die Definition des Erwartungswertes verwendet: [ ] = P(X ) E X =1 10
11 Matrielnummer: Projetseminar zur Stochasti [ ] = P(T i, j n) E T i, j = P(T i, j > n) n =0 (l +1)M 1 = P(T i, j > n) l =0 n =lm (l +1)M 1 P(T i, j > lm) = MP(T i, j > lm) l =0 n =lm l =0 M l =0 (1 α) l 1 = M 1 (1 α) = M α < q. e. d. Beweis Theorem 5.1: Gegeben sei eine Marov Kette (X 0, X 1,... ) mit dem Zustandsraum S = {s 1,...,s } und Übergangsmatrix P. Wir starten die Kette in s 1 und definieren: ρ i = P(X n > n) für i,..., n =0 ρ i ist dann also die erwartete Anzahl an Besuchen des Zustandes i bis zum Zeitpunt T - 1. Da der Erwartungswert von E [T 1, 1 ] = τ endlich ist, ist ρ i < τ ebenfalls endlich. Unser Kandidat für unsere stationäre Verteilung ist: π = (π 1,...,π ) = ρ 1, ρ 2,..., ρ. τ τ τ Zunächst müssen wir zeigen, dass die Wahl von π die Bedingungen (i) und (ii) von Definition 5.1 erfüllen: Zuerst müssen wir beweisen, dass die Relation π i P i, j = π j in Bedingung (ii) für j 1 gilt (der Fall j wird separat behandelt): Zur Erinnerung noch mal die zu erfüllenden Bedingungen: (i) π i 0 für alle i,.., und π i (ii) π P =π, also π i P i, j =π j für j,..., 11
12 Matrielnummer: Projetseminar zur Stochasti Da wir im Zustand s 1 starten und j 1 ist, ist P(X 0 = s j ) = 0: π j = ρ j P(X τ τ n = s j > n) P(X τ n = s j P(X τ n 1,X n = s j, T P(X τ n = s j X n 1 P(X n 1 P(X τ n = s j X n 1 ) P(X n 1 τ = P i, j P i, j P(X n 1 P τ i, j P(X n 1 P τ i, j P(X m > m) m=0 P τ i, j ρ i = P i, j ρ i = π τ i P i, j Als nächstes zeigen wir Bedingung (ii) für den Fall, dass j ist. Es gilt ρ 1, da für n = 0 : P(X 0 = s 1 > 0) für n > 0 : P(X n = s 1 > n) = P( ) = 0 ρ = P( 1 X n = s 1 > n) n =0 12
13 ρ 1 = P(T < ) = P(T = n) = P(X n 1 = n) = P(X n 1,X n = s 1 = P(X n = s 1 X n 1 ) P(X n 1 = P i,1 P(X n 1 = P i,1 P(X n 1 = P i,1 P(X m > m) m=0 = ρ i P i,1 Daraus folgt : π 1 = ρ 1 τ = = ρ i P i,1 ρ i = P i,1 π i τ Charlotte Bachmair Matrielnummer: Projetseminar zur Stochasti Also ist auch Bedingung (ii) für j erfüllt. Es bleibt also noch zu zeigen, dass auch Bedingung (i) gilt. Das π i 0 für i,..., ist offensichtlich. Um zu sehen, dass auch π i betrachte folgendes: τ = E T [ ] = P(T > n) n =0 = P(X n, T > n) n=0 = P(X n, T > n) i=1 n =0 = ρ i i=1 Damit ist auch Bedingung (i) gezeigt. π i i=1 τ ρ i i=1 q. e. d 13
Markov-Ketten 1. Definition 2.1
Marov-Ketten Definition 2. Sei P eine -Matrix mit Elementen {P i,j : i, j,...,}. Ein Zufallsprozess (X 0, X,...) mit endlichem Zustandsraum S{s,...,s } heißt homogene Marov-Kette mit Übergangsmatrix P,
MehrEinführung in die Theorie der Markov-Ketten. Jens Schomaker
Einführung in die Theorie der Markov-Ketten Jens Schomaker Markov-Ketten Zur Motivation der Einführung von Markov-Ketten betrachte folgendes Beispiel: 1.1 Beispiel Wir wollen die folgende Situation mathematisch
MehrDer Ergodensatz. Hendrik Hülsbusch
Der Ergodensatz Hendrik Hülsbusch 1..212 Inhaltsverzeichnis Einleitung 3 5 Stationäre Verteilungen 5 6 Reversible Markovketten 11 2 Einleitung In meinem Vortrag beschäftigen wir uns mit dem asymptotischen
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
MehrÜbersicht. 1 Einführung in Markov-Chain Monte-Carlo Verfahren. 2 Kurze Wiederholung von Markov-Ketten
Markov-Chain Monte-Carlo Verfahren Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Übersicht 1 Einführung
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
MehrProzesse dieser Art sind in der Informatik z.b. bei der Untersuchung der Auslastung von Servern wichtig (Warteschlangenmodelle).
77 Markowketten 77 Motivation Der Zustand eines Systems zur Zeit n N werde durch eine Zufallsvariable X n beschrieben und soll nur von X n abhängen (nicht jedoch von früheren Zuständen X n, X n 3, ) Wir
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2018/2019 1 / 40 Überblick Überblick Grundlegendes zu Markov-Ketten
Mehrfür die Wahrscheinlichkeit, dass die Markov-Kette in t Schritten von Zustand i in Zustand j übergeht. Es ist also P (t) = (P t ) ij.
8 Markov-Ketten 8.1 Grundlegendes zu Markov-Ketten Eine Markov-Kette ist ein stochastischer Prozess, der in diskreten Zeitschritten abläuft. Dabei wird jeweils von einem Zustand in einen nächsten übergegangen.
MehrEinführung in Markoff-Ketten
Einführung in Markoff-Ketten von Peter Pfaffelhuber Version: 6. Juli 200 Inhaltsverzeichnis 0 Vorbemerkung Grundlegendes 2 Stationäre Verteilungen 6 3 Markoff-Ketten-Konvergenzsatz 8 0 Vorbemerkung Die
MehrEin Zustand i mit f i = 1 heißt rekurrent. DWT 2.5 Stationäre Verteilung 420/476 c Ernst W. Mayr
Definition 140 Wir bezeichnen einen Zustand i als absorbierend, wenn aus ihm keine Übergänge herausführen, d.h. p ij = 0 für alle j i und folglich p ii = 1. Ein Zustand i heißt transient, wenn f i < 1,
MehrStudiengang Diplom-Mathematik DIPLOMARBEIT. Die Markov Ketten Monte Carlo Methode zum Testen stochastischer Unabhängigkeit.
Studiengang Diplom-Mathematik DIPLOMARBEIT Die Markov Ketten Monte Carlo Methode zum Testen stochastischer Unabhängigkeit eingereicht von Christina Gunkel am 3. Juni 2008 Erste Gutachterin: Zweiter Gutachter:
MehrExact Sampling: Der Propp-Wilson-Algorithmus
Exact Sampling: Der Propp-Wilson-Algorithmus Markus Gerstel Proseminar: Markovketten in der Algorithmik Technische Universität München gerstel@in.tum.de Zusammenfassung Der Propp-Wilson-Algorithmus liefert
MehrKapitel 2: Multiplikative Funktionen. 3 Multiplikative Funktionen. Definition 2.1 (arithmetische Funktion, (vollständig) multiplikative Funktion)
Kapitel 2: Multiplikative Funktionen 3 Multiplikative Funktionen Definition 2.1 (arithmetische Funktion, (vollständig) multiplikative Funktion) (a) Eine Funktion α : Z >0 C heißt arithmetisch (oder zahlentheoretisch).
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
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
Mehr16.3 Rekurrente und transiente Zustände
16.3 Rekurrente und transiente Zustände Für alle n N bezeichnen wir mit f i (n) = P(X n = i,x n 1 i,...,x 1 i,x 0 = i) die Wahrscheinlichkeit, daß nach n Schritten erstmalig wieder der Zustand i erreicht
Mehr3. Markov Ketten in stetiger Zeit, Teil II 3.2. Klassenstruktur
3. Markov Ketten in stetiger Zeit, Teil II 3.2. Klassenstruktur Ein Zustand j ist erreichbar von i (i j), falls P i (X t = j für ein t 0) > 0. i j, wenn i erreichbar von j und j erreichbar von i ist. Die
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
Mehr11. Behandlung der Warteschlange (M/G/1): Einbettung eines diskreten (Markov-) Prozesses.
SS 6 Arbeitsblatt 6 / S von Behandlung der Warteschlange (M/G/): Einbettung eines disreten (Marov-) Prozesses Die bisher erhaltenen detaillierten Aussagen über die betrachteten Warteschlangen sollten nicht
MehrVorstellung der Kopplung bei Markovketten
Vorstellung der Kopplung bei Markovketten Leonie Weinhold 13. Mai 2011 1 Einleitung In der Wahrscheinlichkeitstheorie und ihren Anwendungen ist die Coupling- Methode ein wichtiges Instrument, um z.b. Aussagen
MehrPr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P.
2.2 Berechnung von Übergangswahrscheinlichkeiten Wir beschreiben die Situation zum Zeitpunkt t durch einen Zustandsvektor q t (den wir als Zeilenvektor schreiben). Die i-te Komponente (q t ) i bezeichnet
MehrDWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr
2. Ankunftswahrscheinlichkeiten und Übergangszeiten Bei der Analyse von Markov-Ketten treten oftmals Fragestellungen auf, die sich auf zwei bestimmte Zustände i und j beziehen: Wie wahrscheinlich ist es,
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
Mehr3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
Mehr1 A dp = P(A B). (1.3)
Markov-etten Seminar Stochastik vom 4-500 Version Oktober 00 Markus Penz Vorbemerkungen zu bedingten Wahrscheinlichkeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und X : Ω R eine F-messbare sowie integrierbare
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
MehrDisMod-Repetitorium Tag 3
DisMod-Repetitorium Tag 3 Markov-Ketten 21. März 2018 1 Markov-Ketten Was ist eine Markov-Kette? Was gehört alles dazu? Darstellung als Graph und als Matrix Stationäre Verteilung und Grenzverteilung Ergodizität
MehrKapitel 3: Die Sätze von Euler, Fermat und Wilson. 8 Der Satz von Euler
Kapitel 3: Die Sätze von Euler, Fermat und Wilson In diesem Kapitel wollen wir nun die eulersche -Funktion verwenden, um einen berühmten Satz von Euler zu formulieren, aus dem wir dann mehrere interessante
Mehr2.3 Basis und Dimension
23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten
MehrDie Abbildung zeigt die Kette aus dem "
½ Ô ½ 0 1 2 Õ Eine Markov-Kette mit absorbierenden Zustanden Die Abbildung zeigt die Kette aus dem " gamblers ruin problem\ fur m = 2. Man sieht sofort, dass hier sowohl 1 = (1; 0; 0) als auch 2 = (0;
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann heißt
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2018/2019 1 / 25 Überblick Überblick Metropolis-Algorithmus
MehrSeminar über Markovketten
Universität Siegen Fachbereich Mathematik Seminar über Markovketten Sommersemester 003 Dozent Dr. Edgar Kaufmann Seminarteilnehmer Tobias Kegel Alexander Luke Uwe Nowak Übergangswahrscheinlichkeiten höherer
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
MehrSeminar zur. Zahlentheorie. Prof. Dr. T. Wedhorn. Vortrag zum Thema. Euklidische und faktorielle Ringe Peter Picht. und.
Seminar zur Zahlentheorie Prof. Dr. T. Wedhorn Vortrag zum Thema Euklidische und faktorielle Ringe 13.11.2007 Peter Picht und Stephan Schmidt 4 Euklidische und faktorielle Ringe (A) Assoziierheit, Irreduziblität,
MehrDarstellungstheorie endlicher Gruppen
Darstellungstheorie endlicher Gruppen Universität Regensburg Sommersemester 2014 Daniel Heiß: 8: Ganze algebraische Zahlen 02.06.2014 Notation. R bezeichne stets einen kommutativen unitären Ring. Die Operation
Mehr3. Untergruppen. 3. Untergruppen 23
3. Untergruppen 23 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
Mehr8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem 8.1 Der Kompaktheitssatz Kompaktheitssatz Endlichkeitssatz Der Kompaktheitssatz ist auch unter dem Namen Endlichkeitssatz bekannt. Unter Verwendung
MehrEndliche Markov-Ketten
Endliche Markov-Ketten Michael Krühler 24. Oktober 2013 Inhaltsverzeichnis 1 Einführung 2 1.1 Mathematische Einführung......................... 2 1.2 Interpretation................................. 3 2
MehrBasen. Inhaltsverzeichnis
Vortrag zum Seminar zur Funtionentheorie, 15.07.2009 Benjamin Laumen Diese Ausarbeitung beruht auf Kapitel III, Paragraph 4 Unterpunt 1 3 aus dem Buch: Elliptische Funtionen und Modulformen von M. Koecher
Mehr4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9
Chr.Nelius: Zahlentheorie (SS 2007) 9 4. ggt und kgv (4.1) DEF: Eine ganze Zahl g heißt größter gemeinsamer Teiler (ggt) zweier ganzer Zahlen a und b, wenn gilt: GGT 0 ) g 0 GGT 1 ) g a und g b GGT 2 )
Mehr1 Zahlentheorie. 1.1 Kongruenzen
3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern
MehrDiskrete Strukturen 5.9 Permutationsgruppen 168/558 c Ernst W. Mayr
Bemerkung: Der folgende Abschnitt Boolesche Algebren ist (im WS 2010/11) nicht Teil des Prüfungsstoffs, soweit nicht Teile daraus in der Übung behandelt werden! Diskrete Strukturen 5.9 Permutationsgruppen
MehrBeispiel: Primelemente in den Gaußschen Zahlen
Beispiel: Primelemente in den Gaußschen Zahlen Satz Primelemente in Z[i] Für die Primelemente π Z[i] gilt bis auf Assoziiertheit 1 N(π) = p für ein p P oder 2 π = p für ein p P mit p x 2 + y 2 für (x,
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrBeispiel: Primelemente in den Gaußschen Zahlen
Beispiel: Primelemente in den Gaußschen Zahlen Satz Primelemente in Z[i] Für die Primelemente π Z[i] gilt bis auf Assoziiertheit 1 N(π) = p für ein p P oder 2 π = p für ein p P mit p x 2 + y 2 für (x,
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrDIPLOMARBEIT. Abschätzungen der Konvergenzgeschwindigkeit von Markov-Ketten gegen die Gleichgewichtsverteilung
Studiengang Diplom-Mathematik mit Schwerpunkt Biowissenschaften DIPLOMARBEIT Abschätzungen der Konvergenzgeschwindigkeit von Markov-Ketten gegen die Gleichgewichtsverteilung von: Christina Boll geb. Wolf
MehrUniversalität für Wigner Matrizen
Universalität für Wigner Matrizen Benjamin Schlein, Universität Zürich HSGYM Tag 29. Januar 2015 1 1. Einführung Zufallmatrizen: sind N N Matrizen dessen Einträge Zufallsvariablen mit gegebenen Verteilung
Mehr1 Aufbau des Zahlensystems
1 Aufbau des Zahlensystems 1.1 Die Menge N der natürlichen Zahlen 1.1.1 Definition Die mathematischen Eigenschaften dieser durch das Abzählen von Gegenständen motivierten Zahlenmenge lassen sich auf die
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 23 Die Gradformel Satz 1. Seien K L und L M endliche Körperweiterungen. Dann ist auch K M eine endliche Körpererweiterung und
MehrKörper- und Galoistheorie
Prof. Dr. H. Brenner Osnabrück SS 2011 Körper- und Galoistheorie Vorlesung 8 Erzeugte Algebra und erzeugter Körper Satz 8.1. Sei K L eine Körpererweiterung und sei f L ein algebraisches Element. Dann ist
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathemati Prof. Dr. Oliver Matte Max Lein Zentralübung 15. Abzählbareit Mathemati für Physier 2 Analysis 1) Wintersemester 2010/2011 Lösungsblatt 3 29.10.2009) i)
MehrAufbau der Projektiven Geometrie
Seminararbeit zum Seminar aus Reiner Mathematik Aufbau der Projektiven Geometrie Leonie Knittelfelder Matr. Nr. 1011654 WS 2012/13 Inhaltsverzeichnis 1 Einleitung 3 2 Linearmengen 4 2.1 Satz (1.3.1): Das
MehrLösung zu Serie 20. Die Menge der Polynome vom Grad 4 ohne Nullstelle ist gegeben durch
Lineare Algebra D-MATH, HS 2014 Prof. Richard Pin Lösung zu Serie 20 1. (a) Bestimme alle irreduziblen Polynome vom Grad 4 in F 2 [X]. (b) Bestimme die Fatorisierung von X 6 + 1 und X 10 + 1 und X 20 +
MehrProf. Dr. H. Brenner Osnabrück SS Zahlentheorie. Vorlesung 3. Der euklidische Algorithmus
Prof. Dr. H. Brenner Osnabrück SS 2008 Zahlentheorie Vorlesung 3 Der euklidische Algorithmus Euklid (4. Jahrhundert v. C.) Definition 3.1. Seien zwei Elemente a, b (mit b 0) eines euklidischen Bereichs
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
MehrKAPITEL 13. Polynome. 1. Primfaktorzerlegung in den ganzen Zahlen. ,, p r
KAPITEL 13 Polynome 1. Primfaktorzerlegung in den ganzen Zahlen DEFINITION 13.1 (Primzahl). Eine Zahl p ist genau dann eine Primzahl, wenn folgende beiden Bedingungen gelten: (1) Es gilt p > 1. (2) Für
MehrAufgabenblatt 5: Abgabe am vor der Vorlesung
Aufgabenblatt 5: Abgabe am 15.10.09 vor der Vorlesung Aufgabe 17. In Beispiel 2.24 wurde die abelsche Gruppe (Z/kZ, ) eingeführt und in Definition 2.33 um die Verknüpfung erweitert (in Beispiel 2.25 und
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil VI Markov-Ketten Markov-Ketten Markov-Ketten
MehrIn diesem Kapitel bestimmen wir die multiplikative Struktur der Einheitengruppe (Z/Z) von Z/Z für eine beliebige positive Zahl Z >0.
Kapitel 5: Die Einheitengruppe von Z/Z und Primitivwurzeln modulo In diesem Kapitel bestimmen wir die multiplikative Struktur der Einheitengruppe (Z/Z) von Z/Z für eine beliebige positive Zahl Z >0. 16
MehrSchriftliche Ausarbeitung zum Seminarvortrag: Einführung in die Perfekte Simulation. Propp-Wilson-Algorithmus
Technische Universität Berlin Schriftliche Ausarbeitung zum Seminarvortrag: Einführung in die Perfekte Simulation Propp-Wilson-Algorithmus Lisa Brust Matrikelnummer: 330793 Master Mathematik 30. Juni 2016
MehrÜber die so definierten Potenzen beweisen wir nun einige einfache Aussagen. = a m+n a Def.
4 NATÜRLICHE ZAHLEN UND VOLLSTÄNDIGE INDUKTION 15 der Eigenschaften von N streng begründen, was hier aber nicht geschehen soll. (Statt Zahlen önnen die a n auch Elemente irgendwelcher Mengen sein.) Über
MehrDas Lemma von Gauß und Quotientenringe
Das Lemma von Gauß und Quotientenringe Proseminar Körpertheorie, 02.05.2013 Fabian Cejka Prof. K. Wingberg, K. Hübner Zusammenfassung In diesem Teil des Proseminars wird zunächst bewiesen, dass jedes irreduzible
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrZahlentheorie. Stefan Takacs Linz, am 2. Juni 2004
Zahlentheorie Anna Rieger 0355556 Stefan Takacs 0356104 Daniela Weberndorfer 0355362 Linz, am 2. Juni 2004 Zusammenfassung Die vorliegende Arbeit über die grundlegenden Sätze der Zahlentheorie beschäftigt
Mehr1 Häufungswerte von Folgen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heio Hoffmann WS 0/..0 Höhere Mathemati I für die Fachrichtung Informati. Saalübung (..0) Häufungswerte von Folgen Oft
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um
MehrElemente der Algebra
Prof. Dr. H. Brenner Osnabrück SS 2015 Elemente der Algebra Vorlesung 1 Der Gruppenbegriff Definition 1.1. Eine Verknüpfung auf einer Menge M ist eine Abbildung : M M M, (x,y) (x,y) = x y. Statt (x,y)
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
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
MehrHilbertpolynom von I, i.z. a HP I.
9.4.4 Korollar/Def. Sei (1) I k[x 1,..., X n ] ein Ideal. Dann ist die affine Hilbertfunktion a HF I (s) für s 0 ein Polynom in s mit Koeffizienten in Q; es heißt das affine Hilbertpolynom von I, i.z.
MehrKurzskript MfI:AGS WS 2018/19 Teil II: Gruppen 9
Kurzskript MfI:AGS WS 2018/19 Teil II: Gruppen 9 Satz 3.1.15 Sei N eine Natürliche Zahl. Dann gilt S =! := 1 2. (D.h. -Fakultät Elemente.) Beweis : Um eine bijektive Abbildung σ : {1} {1} zu erhalten,
MehrProf. Dr. H. Brenner Osnabrück SS Zahlentheorie
Prof. Dr. H. Brenner Osnabrück SS 2008 Zahlentheorie Vorlesung 22 In dieser und der nächsten Vorlesung beweisen wir zwei Versionen zur eindeutigen Primfaktorzerlegung in Zahlbereichen, die beide Abschwächungen
MehrSeminar über Galoistheorie und Anwendungen SEPARABILITÄT
Seminar über Galoistheorie und Anwendungen SEPARABILITÄT Christine Anthamatten und Alexandra Valle May 5, 2009 Contents 1 Einfache und mehrfache Nullstellen 2 2 Separabilität 7 3 Der Satz vom primitiven
MehrSei R ein Integritätsring. R heißt Hauptidealring, falls jedes Ideal I R ein Hauptideal ist, d.h. I = b := Rb := {rb r R} für ein b R.
Hauptidealring Definition Hauptideal Sei R ein Integritätsring. R heißt Hauptidealring, falls jedes Ideal I R ein Hauptideal ist, d.h. I = b := Rb := {rb r R} für ein b R. Satz Jeder euklidische Ring R
MehrLANGZEITVERHALTEN VON MARKOW-KETTEN
LANGZEITVERHALTEN VON MARKOW-KETTEN NORA LOOSE. Buchstabensalat und Definition Andrei Andreewitsch Markow berechnete Anfang des 20. Jahrhunderts die Buchstabensequenzen in russischer Literatur. 93 untersuchte
MehrBedingt unabhängige Zufallsvariablen
7. Markov-Ketten 7. Definition und Eigenschaften von Markov-Ketten Benannt nach Andrei A. Markov [856-9] Einige Stichworte: Markov-Ketten Definition Eigenschaften Konvergenz Hidden Markov Modelle Sei X
MehrAlgebra und Zahlentheorie I (WS03/04), Lösungen zu Blatt 12
Algebra und Zahlentheorie I (WS03/04), Lösungen zu Blatt 12 Aufgabe 1. (Division mit Rest in Polynomringen) Es sei R ein kommutativer Ring {0} und R[X] ein Polynomring in der Unbestimmten X über R. Ferner
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrPermutationsgruppen. 1 Zykelzerlegung und Signum. Jesko Hüttenhain. Winter 2013
Permutationsgruppen Jesko Hüttenhain Winter 2013 Sei N eine endliche Menge. Dann bezeichnen wir mit S N := {σ : N N σ bijektiv} die symmetrische Gruppe auf N. Für n N sei [n] := {1,..., n}. Wir schreiben
MehrKapitel 6: Das quadratische Reziprozitätsgesetz
Kapitel 6: Das quadratische Reziprozitätsgesetz Ziel dieses Kapitels: die Untersuchung der Lösbarkeit der Kongruenzgleichung X also die Frage, ob die ganze Zahl Z eine Quadratwurzel modulo P besitzt. Im
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrDefinition 153 Sei n eine fest gewählte ganze Zahl 0. Für jedes l Z heißt die Menge
3.6 Restklassen in Polynomringen 3.6.1 Einführung und Definitionen Der Begriff der Restklasse stammt ursprünglich aus der Teilbarkeitslehre in Z; (Z = Z, +, ist ein kommutativer Ring). Definition 153 Sei
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
Mehr1.8 Endlich erzeugte kommutative Gruppen
1.8 Endlich erzeugte kommutative Gruppen 23 1.8 Endlich erzeugte kommutative Gruppen Im folgenden sei (G, +) stets eine endlich erzeugte kommutative Gruppe. G ist direkte Summe der Untergruppen H 1,...,H
MehrProseminar Spieltheorie - Mehrstufige Spiele -
Proseminar Spieltheorie - Mehrstufige Spiele - Thorsten Tasch 11. Mai 006 Zusammenfassung Wir haben bis jetzt fast ausschließlich Spiele betrachtet, die aus jeweils genau einem Spielzug zweier Spieler
MehrZentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza)
SS 2013 Zentralübung Diskrete Wahrscheinlichkeitstheorie (zur Vorlesung Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ss/dwt/uebung/ 10. Mai 2013
MehrAlgebra und Zahlentheorie WS 13/14
Algebra und Zahlentheorie WS 13/14 FU Berlin David Müßig http://page.mi.fu-berlin.de/def/auz14/ muessig@mi.fu-berlin.de 21.01.2014 1 Hintergrund: Basen & Vektorräume 1.1 Grundlegende Begriffe Da einige
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
Mehr1 Grundlagen zur Darstellungstheorie
Seminar Gruppen in der Physik SS 06 Vortrag 1 Gruppen und ihr Darstellung Matthias Nagl 1 Grundlagen zur Darstellungstheorie In diesem Vortrag wird es nur um lineare Darstellungen endlicher Gruppen in
Mehr1 Übersicht Induktion
Universität Koblenz-Landau FB 4 Informatik Prof. Dr. Viorica Sofronie-Stokkermans Dipl.-Inform. Markus Bender 0.11.01 (v1.3) 1 Übersicht Induktion 1.1 Allgemeines Unter einem induktiven Vorgehen versteht
MehrKapitel 12: Markov-Ketten
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 21.01.2016 Kapitel 12: Markov-Ketten Ab jetzt betrachten wir stochastische Prozesse (X n ) n N0 mit 1. diskreter Zeit N 0 = {0,1,2,...},
Mehr