Konvergenz von Folgen reeller Zufallsvariablen
|
|
- Alexa Fleischer
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 4 Kovergez vo Folge reeller Zufallsvariable 4. Fa-sichere ud ochaische Kovergez Seie (Ω, C, ) ei W-Raum, X ( N) eie Folge reeller Zufallsvariable auf Ω ud X eie reelle Zufallsvariable auf Ω. Defiitio 4. (Fa-sichere Kovergez) Die Folge X kovergiert fa-sicher gege X, abkürzede Schreibweise: X Ω 0 C mit (Ω 0 ) = gibt, so dass X f.s., we es ei lim X (ω) = X(ω) ω Ω 0. Defiitio 4.2 (Stochaische Kovergez) Die Folge X kovergiert ochaisch gege X, abkürzede Schreibweise: X reelle ε > 0 gilt: ( lim X X ) > ε = 0. X, we für jedes Bemerkuge:. Eie adere Bezeichug für die ochaische Kovergez (der Folge X gege X) i Kovergez i Wahrscheilichkeit (der Folge X gege X). 2. Es verwudert agesichts der beide Defiitioe icht, dass die Limesvariable X im Fall X X f.s. oder X X icht reg eideutig beimmt i, soder ur -fa-sicher eideutig beimmt i. Theorem 4.3 (Beziehuge zwische fa-sicherer ud ochaischer Kovergez) (a) We X X f.s., da X X. (b) We X X, da exiiert eie Teilfolge X i (i N) (mit eier rikt aufeigede Folge < 2 <... < i <... i N ), so dass X i X f.s. (für i ). 33
2 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Witersemeer 202/3 Kapitel 4: Kovergez vo Folge reeller Zufallsvariable 34 Beispiel: Stochaische Kovergez i i.a. schwächer als fa-sichere Kovergez Seie Ω = R, C = B ud = R(0, ). Defiiere A i,m := [ i m Wähle irgedeie Abzählug der Idexmege, i ) i =,..., m, m N, m { } (i, m) : i {,..., m}, m N : N (i, m ), ud betrachte die Folge reeller Zufallsvariable X := Ai,m, N. Ma sieht leicht: X 0 ; aber für jedes ω [ 0, ) hat die Folge X (ω) ( N) uedlich viele Glieder gleich ud uedlich viele Glieder gleich 0, ud i daher icht koverget. Für die fa-sichere Kovergez i ziemlich offesichtlich, dass sie bei eier etige Trasformatio erhalte bleibt, i folgedem Sie. Seie k Folge reeller Zufallsvariable auf Ω gegebe: X (i), N, i =,..., k ; seie k reelle Zufallsvariable X (i), i =,..., k, auf Ω gegebe. Das folgede Resultat i leicht zu zeige: We X (i) da: g ( X () X (i) f.s. für jedes i =,..., k ud we g : R k R etig i,,..., X (k) ) ( g X (),..., X (k)) f.s. Die Voraussetzug der Stetigkeit vo g auf gaz R k läs sich abschwäche; es geügt die Voraussetzug, dass die Abbildug g messbar i (bezgl. B k ud B ) ud fa überall etig i, wobei sich fa überall auf die gemeisame Verteilug der Limesvariable X (),..., X (k) bezieht: { } C g =, wobei C g := x R k : g i etig im ukt x. Das wie auch das etsprechede Resultat für ochaische Kovergez i der Ihalt des achfolgede Cotiuous Mappig Theorem (CMT). Agemerkt sei, dass für eie messbare Fuktio g : R k R die Mege C g eie Borelsche Mege i. Theorem 4.4 (Cotiuous Mappig Theorem) (a) We X (i) X (i) f.s. für jedes i =,..., k ud g : R k R messbar mit C g =, da: g ( X (),..., X (k) ) ( g X (),..., X (k)) f.s. (b) We X (i) X (i) für jedes i =,..., k ud g : R k R messbar mit C g =, da: g ( X (),..., X (k) ) g ( X (),..., X (k)). 4.2 Gesetze der große Zahle Zur Motivatio der hier betrachtete roblemelluge: Seie x,..., x realisierte Werte vo u.i.v. reelle Zufallsvariable X,..., X, also x i = X i (ω), i =,...,, für ei ω Ω. Da sollte für großes approximativ gelte: x := x i β, wobei β de (idetische) Erwartugswert der Zufallsvariable X i bezeichet (die -itegrierbar seie). Das schwache Gesetz der große Zahle (egl. Weak Law of Large Numbers, WLLN) präzisiert dies als
3 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Witersemeer 202/3 Kapitel 4: Kovergez vo Folge reeller Zufallsvariable 35 ochaische Kovergez X := X i β, währed das arke Gesetz der große Zahle (egl. Strog Law of Large Numbers, SLLN) dies als fa-sichere Kovergez präzisiert: X β f.s. Im Folgede sei (Ω, C, ) ei W-Raum. Lemma 4.5 (Tchebychev-Ugleichug) Sei X eie quadrat--itegrierbare reelle Zufallsvariable auf Ω. Da gilt für jedes ε > 0 : ( ) X E(X) ε Var(X) ε 2. Korollar 4.6 Sei Y ( N) eie Folge quadrat--itegrierbarer reeller Zufallsvariable auf Ω mit E(Y ) = 0 N ud mit lim Var(Y ) = 0. Da gilt Y 0. Theorem 4.7 (Schwaches Gesetz der große Zahle) Sei X i (i N) eie Folge quadrat--itegrierbarer ud paarweise ukorrelierter reeller Zufallsvariable auf Ω. Bezeiche X := X i N. Es gilt: We lim 2 Var(X i ) = 0, da X E ( X ) 0. Korollar 4.8 (Spezialfall: Idetisch verteilte Zufallsvariable) Sei X i (i N) eie Folge quadrat--itegrierbarer, idetisch verteilter ud paarweise ukorrelierter reeller Zufallsvariable auf Ω. Da gilt, mit β := E(X i ) : X β. Die Herleitug eies arke Gesetzes der große Zahle i weitaus schwieriger ud erfordert eiige vorbereitede Resultate. Lemma 4.9 (Toeplitz- ud Kroecker-Lemma) Sei x i (i N) eie reelle Zahlefolge. (a) We lim i x i = x R, da lim (b) We die Reihe x i i x i = x., ( N), i R kovergiert, da lim x i = 0.
4 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Witersemeer 202/3 Kapitel 4: Kovergez vo Folge reeller Zufallsvariable 36 Lemma 4.0 (Kolmogorov-Ugleichug) Seie Y,..., Y ochaisch uabhägige quadrat--itegrierbare reelle Zufallsvariable auf Ω mit E(Y i ) = 0 i =,...,. j Bezeiche S j := Y i für j =,...,. Da gilt für jedes ε > 0 : ( max j ) Sj ε ε 2 E ( Yi 2 ). Lemma 4. (Kolmogorov & Khichi) Sei Y i (i N) eie Folge ochaisch uabhägiger quadrat--itegrierbarer reeller Zufallsvariable auf Ω mit E(Y i ) = 0 i N ud E ( Yi 2 ) <. Da kovergiert die artialsummefolge S := Zufallsvariable S auf Ω. Y i, ( N), fa-sicher gege eie reelle Die ochaische Uabhägigkeit der Y i (i N) bedeutet, dass die Zufallsvariable Y,..., Y ochaisch uabhägig sid, für jede Wahl vo N. Theorem 4.2 (Starkes Gesetz der große Zahle vo Kolmogorov) Sei X i (i N) eie Folge ochaisch uabhägiger quadrat--itegrierbarer reeller Zufallsvariable auf Ω. Bezeiche X := X i, ( N). Es gilt: We Var(X i ) i 2 <, da X E ( X ) 0 f.s. Korollar 4.3 (Spezialfall: U.i.v. Zufallsvariable) Sei X i (i N) eie Folge ochaisch uabhägiger, idetisch verteilter ud quadrat--itegrierbarer reeller Zufallsvariable auf Ω. Bezeiche β := E(X i ). Da gilt X β f.s.
5 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Witersemeer 202/3 Kapitel 4: Kovergez vo Folge reeller Zufallsvariable Kovergez empirischer Verteilugsfuktioe Zur Motivatio: Seie x,..., x realisierte Werte vo u.i.v. reelle Zufallsvariable X,..., X, also x i = X i (ω), i =,...,, (für ei ω Ω). Die empirische Verteilugsfuktio F x,...,x (x) := { i {,..., } : x i x} x R sollte für großes approximativ mit der wahre Verteilugsfuktio F (die Verteilugsfuktio vo X i ) übereiimme: Fx,...,x (x) F (x) x R. Das arke Gesetz der große Zahle ergibt eie ere räzisierug; dabei setze wir im Folgede voraus: Seie (Ω, C, ) ei W-Raum ud X i (i N) eie Folge vo u.i.v. reelle Zufallsvariable auf Ω. Betrachte zu gegebeem x R die Zufallsvariable auf Ω : F (x) : ω { } i {,..., } : X i (ω) x, d.h. F (x) = Mit Korollar 4.3 erhalte wir da : (, x ] X i. F (x) F (x) f.s. x R, (wobei F die Verteilugsfuktio vo X i ). Beachte: Eie mit dieser fa-sichere Kovergez implizierte Mege Ω 0 C mit (Ω 0 ) = wird vo x abhäge: Ω 0 = Ω 0 (x), x R. Der achfolgede Satz vo Gliveko-Catelli verschärft aber die Kovergezaussage i zweierlei Hisicht: Zum eie gibt es eie simultae Teilmege Ω 0 C mit (Ω 0 ) =, so dass die Kovergez F (x)(ω) F (x) für alle ω Ω 0 ud alle x R gültig i. Zum adere i die Kovergez für jedes ω Ω 0 sogar gleichmäßig i x. Bezeiche, für jedes N : D (ω) := sup x R kurz: D = sup x R F (x)(ω) F (x) ω Ω, F (x) F (x). Mit der rechtsseitige Stetigkeit der Fuktioe F ud x F (x)(ω) für jedes ω Ω sieht ma, dass die obe defiierte Fuktio D : Ω R messbar i, also eie reelle Zufallsvariable auf Ω i. Theorem 4.4 (Gliveko & Catelli) Für eie Folge X i (i N) vo u.i.v. reelle Zufallsvariable auf Ω gilt: D 0 f.s. (für ).
Konvergenz von Folgen von Zufallsvariablen
Kapitel 5 Kovergez vo Folge vo Zufallsvariable 5.1 Fa-sichere ud ochaische Kovergez Seie Ω, A, P ei W-Raum, X N eie Folge R k -wertiger Zufallsvariable auf Ω ud X eie R k -wertige Zufallsvariable auf Ω
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
Mehr4 Konvergenz von Folgen
4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder
Mehr5 Stationäre Prozesse (Version Januar 2012)
5 Statioäre Prozesse (Versio Jauar 2012) 5.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud defiiere, wa eie
MehrSchwache Konvergenz von W-Verteilungen auf der Zahlengeraden
Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrKapitel 4: Stationäre Prozesse
Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud
MehrKAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).
KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
MehrLösungen ausgewählter Übungsaufgaben zum Buch. Elementare Stochastik (Springer Spektrum, 2012) Teil 4: Aufgaben zu den Kapiteln 7 und 8
1 Lösuge ausgewählter Übugsaufgabe zum Buch Elemetare Stochastik (Spriger Spektrum, 2012) Teil 4: Aufgabe zu de Kapitel 7 ud 8 Aufgabe zu Kapitel 7 Zu Abschitt 7.1 Ü7.1.1 Ω sei höchstes abzählbar, ud X,
Mehr5.4.2 Die empirische Verteilungsfunktion als Ausgangspunkt
Tests 9 5.4 Der Kolmogorov Smirov Test Grudlage für de Kolmogorov Smirov Apassugs Test ist ei Satz vo Kolmogorov, die asymptotische Verteilug eier Statistik Δ betreffed. Aus Δ ergibt sich durch Modifikatio
Mehr1.1 Mengensysteme. Ω Grundmenge, 2 Ω Potenzmenge, A 2 Ω Mengensystem. Definition 1.1: a) A stabil ( stabil, \-stabil), wenn für A, B A auch A B A
1.1 Megesysteme Grudmege, 2 Potezmege, A 2 Megesystem Defiitio 1.1: a) A stabil ( stabil, \-stabil), we für A, B A auch A B A (A B A, A\B A). b) A heißt Halbrig, we i) A ii) A ist stabil iii) A, B A es
MehrZahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
Mehrvon solchen Abbildungen. Eine solche Folge bestimmt für jedes x M die Folge der Werte f n. Schreibt man dies noch einmal formal hin, so erhält man:
Gleichmäßige Kovergez Wir betrachte im Folgede Abbilduge f : M N, wobei M eie Mege ud N ei metrischer Raum ist. Isbesodere iteressiere ud Folge f vo solche Abbilduge. Eie solche Folge bestimmt für jedes
MehrKAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
Mehrn gerade 0 n ungerade (c) x n = a 1 n, a R + (d) x 1 := 2, x n+1 = 2 + x n (e) x n = (f) x n = exp(exp(n)) (g) x n = sin(n)
Übugsaufgabe Aalysis I Aufgabe. Beweise oder widerlege Sie: a Jede i R kovergete Folge ist beschräkt. b Es gibt Cauchy-Folge im R, die icht kovergiere. c Beschräkte Folge sid koverget. d Folge mit eiem
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
Mehr1 Lösungen zu Analysis 1/ 12.Übung
Lösuge ausgewählter Beispiele zu Aalysis I, G. Bergauer, Seite Lösuge zu Aalysis / 2.Übug. Eileitug Gleichmäßige Kovergez ist eie starke Eigeschaft eier Fuktioefolge. Formuliert ma sie für Netze, statt
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
MehrKapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen
- 39 (Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable 5 Deiitio : : Ω Ω,, seie Abbilduge über derselbe Mege Ω Die Abbildug
MehrReelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37
Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.
MehrResultate: Vertauschbarkeit von Grenzprozessen, Konvergenzverhalten von Potenzreihen
26 Gleichmäßige Kovergez ud Potezreihe 129 26 Gleichmäßige Kovergez ud Potezreihe Lerziele: Kozepte: Puktweise ud gleichmäßige Kovergez Resultate: Vertauschbarkeit vo Grezprozesse, Kovergezverhalte vo
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
Mehr5 Folgen. 5.1 Konvergenz von Folgen. Definition: Zu jedem 0 existiert ein N so, daß. Eine Folge, die gegen 0 konvergiert, heißt
Prof. Dr. Berd Dreseler 5 Folge 5.1 Kovergez vo Folge Defiitio: Eie Folge a heißt koverge t, we es eie Zahl a mit folgeder Eigeschaft gibt: Zu jedem 0 existiert ei N so, daß a a für alle > N Die Zahl a
MehrEinführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
MehrAufgaben zur Analysis I
Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.
Mehrmit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1
Kapitel 1: Reste, Teiler, Vielfache Defiitio Es sei a 0. Die Zahl b 0 ist ei Teiler vo a, we es ei u 0 gibt, sodass ub= a. Ist b ei Teiler vo a, so ist a ei Vielfaches vo b. Bezeichug b a für b ist Teiler
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
Mehr3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.
3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie
MehrAnalysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Mehr3. Taylorformel und Taylorreihen
Prof Dr Siegfried Echterhoff Aalysis Vorlesug SS 9 3 Taylorformel ud Taylorreihe Sei I R ei Itervall ud sei f : I R eie Fuktio Ziel: Wolle utersuche, wa sich die Fuktio f i eier Umgebug vo eiem Pukt I
Mehr1. Zahlenfolgen und Reihen
. Zahlefolge ud Reihe We ma eie edliche Mege vo Zahle hat, ka ma diese i eier bestimmte Reihefolge durchummeriere: {a,a 2,...,a }. Ma spricht vo eier edliche Zahlefolge. Fügt ma immer mehr Zahle hizu,
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrBernsteinpolynome Vortrag zum Proseminar zur Analysis, Malte Milatz
Bersteipolyome Vortrag zum Prosemiar zur Aalysis, 6. 10. 2010 Malte Milatz I diesem Vortrag wird der bereits im Sript zur Aalysis ii zitierte Approximatiossatz vo Weierstraß mithilfe der Bersteipolyome
Mehr1 Aussagenlogik und vollständige Induktion
Dr. Siegfried Echterhoff Aalysis 1 Vorlesug WS 08 09 1 Aussagelogi ud vollstädige Idutio Die Mathemati basiert auf eier Reihe vo Axiome, d.h. auf mathematische Aussage, die als (offesichtlich? wahr ageomme
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrTutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
Mehr74 3. GRENZWERTSÄTZE. k=1 IIE[X k] = µ, und, wegen der Unkorreliertheit,
74 3. GRENZWERTSÄTZE 3. Grezwertsätze Sei u {X 1, X 2,...} eie Folge vo Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, IIP). Wir iteressiere us u für die Summe S = X 1 + + X, ud vor allem für die
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
Mehr1 Vollständige Induktion
1 Vollstädige Idutio 1.1 Idutiosbeweise Das Beweisprizip der vollstädige Idutio ist eies der wichtigste Hilfsmittel der Mathemati icht ur der Aalysis. Es fidet Verwedug bei pratische alle Aussage, die
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes
MehrWir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.
Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie
MehrTechnische Universität München Ferienkurs Analysis 1 Hannah Schamoni Folgen, Reihen, Potenzreihen, Exponentialfunktion. Musterlösung
Feriekurs Seite Techische Uiversität Müche Feriekurs Aalysis Haah Schamoi Folge, Reihe, Potezreihe, Expoetialfuktio Musterlösug 0.0.0. Folge I Utersuche Sie die Folge a N auf Kovergez bzw. Divergez ud
Mehr6. Grenzwertsätze. 6.1 Tschebyscheffsche Ungleichung
6. Grezwertsätze 6.1 Tschebyscheffsche Ugleichug Sofer für eie Zufallsvariable X die Verteilug bekat ist, lässt sich die Wahrscheilichkeit dafür bestimme, dass X i eiem bestimmte Itervall liegt. Wie ist
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgabe ud Lösuge Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 2008/2009 Übug am 09.2.2008 Übug 8 Eileitug Es soll och eimal auf die agebotee Sprechstude higewiese werde, sowie auf mögliche
MehrAnalysis I für M, LaG/M, Ph 4.Übungsblatt
Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:
MehrAnalysis I. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Aalysis I 5. Übugsstude Steve Battilaa steveb@studet.ethz.ch battilaa.uk/teachig March 9, 07 Erierug Satz. Quotietekriterium (bei!,,...) Das Quotietekriterium zeigt absolute Kovergez. lim a +
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004 Lösuge zu Aufgabeblatt 7
MehrAnalysis I für M, LaG/M, Ph 8.Übungsblatt
Aalysis I für M, LaG/M, Ph 8Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr Robert Haller-Ditelma 0206200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergezkriterie/Kovergezradie) (a)
Mehr5. Übungsblatt Aufgaben mit Lösungen
5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug
Mehrf X1 X 2 Momente: Eigenschaften: Var(aX + b) = a 2 Var(X) a, b R
Siebformel vo Poicare-Sylvester: k P A k = k+ P A ij k= k= = k= P A k k= i
MehrKAPITEL 8. Zahlenreihen. 8.1 Geometrische Reihe Konvergenzkriterien Absolut konvergente Reihen
KAPITEL 8 Zahlereihe 8. Geometrische Reihe................................. 53 8.2 Kovergezkriterie................................. 54 8.3 Absolut kovergete Reihe............................ 64 Lerziele
MehrThema 8 Konvergenz von Funktionen-Folgen und - Reihen
Them 8 Kovergez vo Fuktioe-Folge ud - Reihe Defiitio Sei (f ) eie Folge vo Fuktioe vo D R i R. Wir sge, dß f puktweise gege eie Fuktio f kovergiert, flls gilt: f () f() für jedes D. Dies ist der türliche
MehrStochastisches Integral
Kapitel 11 Stochastisches Itegral Josef Leydold c 26 Mathematische Methode XI Stochastisches Itegral 1 / 2 Lerziele Wieer Prozess ud Browsche Bewegug Stochastisches Itegral Stochastische Differetialgleichug
MehrZusammenfassung: Folgen und Konvergenz
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 5 Für Experte 7 Defiitioe ud Beispiele
MehrStochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014
Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik
Mehrso spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
Mehr$Id: reihen.tex,v /06/14 13:59:06 hk Exp $
Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,
Mehr24 Konvergente Teilfolgen und Cauchy-Kriterium
120 IV. Uedliche Reihe ud Taylor-Formel 24 Kovergete Teilfolge ud Cauchy-Kriterium Lerziele: Kozepte: Teilfolge, Häufugswerte, Limes superior ud iferior, Cauchy-Folge Resultate: Satz vo Bolzao-Weierstraß,
MehrAngabe Analysis 1 - Beweise, Vollständige Induktion, Folgen
Agabe Aalysis - Beweise, Vollstädige Idutio, Folge 4. März 0 Aufgabe : Zum Aufwärme i Zeige durch geschictes Umforme, dass + + gilt. +!!!!!! +!! +! + + + + + ii Zeige durch vollstädige Idutio, dass 6 +
MehrKonvergenz von Fourier-Reihen
Kovergez vo Fourier-Reihe Ausarbeitug zum Semiar zur Fourieraalysis, 3..27 obias Reimes Diese Ausarbeitug beschäftigt sich mit der Kovergez vo Fourier-Reihe. Hierzu werde im erste Abschitt eiige Vorbemerkuge
Mehr1. Einführung. 1 A (T (x 1,..., x n )) P θ (dx 1 )... P θ (dx n ) X. P θ {T n (X 1,..., X n ) A} =
. Eiführug Bezeichuge: Der durch die Zufallsgröße X defiierte Wahrscheilichkeitsraum [X, B, P X ] heißt auch die Grudgesamtheit X. B ist die σ-algebra der Borelmege aus X. Vielfach wird die Grudgesamtheit
MehrMethoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln
6 Kovergete Folge Lerziele: Kozepte: Grezwertbegriff bei Folge, Wachstumsgeschwidigkeit vo Folge Resultat: Mootoe beschräkte Folge sid koverget. Methode: Hero-Verfahre, Erweiterug vo Differeze vo Quadratwurzel
Mehr2. Verteilung der Primzahlen. Bertrands Postulat
O Forster: Prizahle 2 Verteilug der Prizahle Bertrads Postulat 21 Satz (Euklid Es gibt uedlich viele Prizahle Beweis Wir zeige, dass es zu jeder edliche Mege 1, 2,, vo Prizahle ier och eie weitere Prizahl
MehrDie erste Zeile ("Nummerierung") denkt man sich also dazu. Häufig wird eine Indexschreibweise benutzt um ein Folgenglied zu kennzeichnen.
Folge ud Reihe (Izwische Stoff der Hochschule. ) Stad: 30.03.205. Folge Was sid Zahlefolge? Z.B. oder Das ist die vereifachte Wertetabelle eier Fuktio geschriebe wie üblich bei Fuktioe i eier Wertetabelle.
Mehr0. Mengentheorie. 1. Mengensysteme und Maße 1.1 Grundlagen. 1.2 Funktionen auf Mengensystemen
Zusammefassug Stochastik Hiweis: Es gilt jeweils die letzte Festlegug für Bezeichuge. Sie werde (isb. am Afag vo Lemmata ud Sätze) icht otwedigerweise wiederholt. Sofer icht aders agegebe, bezeiche Ω im
MehrFolgen, Reihen und Grenzwert. Vorlesung zur Didaktik der Analysis
Folge, Reihe ud Grezwert Vorlesug zur Didktik der Alysis Ihlt Motivtio Folge Spezielle Folge Grezwertdefiitio Wichtige Zusmmehäge ud Strtegie der Kovergezutersuchug Fuktioegrezwert Reihe Prdoxie ud Zusmmefssug
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,
MehrX n = 10 j Y j. i.w. i.w. i.v.
3 Grezwertsätze 3.1 Kovergez vo Zufallsvariable Betrachte wir als Beispiel die Zahle y [0, 1) i Dezimalform y =0,y 1 y 2 y 3 = y j 10 j.esseiy j die diskrete Zufallsvariable Y j :[0, 1) y j {0, 1,...,9},
Mehr4 Andreas Gathmann. x 2 +y 2 x 2 +y 2 x 2 +y 2
4 Adreas Gathma 1. Komplexe Zahle Bevor wir mit der komplexe Aalysis begie, wolle wir uächst die grudlegede Defiitioe ud Eigeschafte der komplexe Zahle och eimal kur wiederhole. Defiitio 1.1. Die Mege
MehrLangrange-Multiplikators und Hinreichende Bedingungen
Albert Ludwigs Uiversität Freiburg Abteilug Empirische Forschug ud Ökoometrie Mathematik für Wirtschaftswisseschaftler Dr. Sevtap Kestel Witer 008 10. November 008 14.-4 Lagrage-Multiplikators ud Hireichede
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr26 Stochastische Prozesse zweiter Ordnung
26 Stochastische Prozesse zweiter Ordug ô 26. Die Kovariazfuktio vo stochastische Prozesse zweiter Ordug Im allgemeie wird es icht möglich sei, eie stochastische Prozess aalytisch bzw. durch Agabe seier
MehrIndex. Majorante, 24 Minorante, 23. Partialsumme, 17
Folge, Reihe Idex Kovergezkriterie Hauptkriterium, Leibiz-Kriterium, Majoratekriterium, 4 Mioratekriterium, otwediges Kriterium, 0 Quotietekriterium, teleskopierede Summe, Wurzelkriterium, Majorate, 4
MehrAufgabe 4.2. (a) lim 7 + = (b) lim. ( 2n 3 6n 2 + 3n 1. (c) lim n n 2 ( 1) n n 3) = lim. (d) n n + 1. lim. (e) n n. Aufgabe 4.3.
Folge Eie Folge ist eie Aordug vo reelle Zahle. Die eizele Zahle heiße Glieder der Folge. Kapitel 4 Folge ud Reihe Formal: Eie Folge ist eie Abbildug a : N R, a Folge werde mit a i i oder kurz a i bezeichet.
Mehr6. AufdemRaumder stetigdifferenzierbaren FunktionenC 1 ([a,b],r n ) kannman auch folgende Norm betrachten:
2 Kapitel. Gewöhliche Differetialgleichuge.2 Baachräume Um de Satz vo Picard ud Lidelöf auf höhere Dimesioe übertrage zu köe, wird hier zuächst der Begriff des Baachraums bereitgestellt ud da der Baachsche
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
Mehr1 Funktionen und Flächen
Fuktioe ud Fläche. Fläche Defiitio: Die Ebee R ist defiiert als Mege aller geordete Paare vo reelle Zahle: R = {(,, R} Der erste Eitrag heißt da auch Koordiate ud der zweite Koordiate. Für zwei Pukte (,,
Mehr1 Elementare Zahlentheorie. 0. Grundbegriffe
Elemetare Zahletheorie 0 Grudbegriffe 0 Teilbarkeit i N Mit N (oder auch ur N, zumidest i dieser Vorlesug werde die Mege {,, } der gaze Zahle bezeichet; wir ee diese Zahle die atürliche Zahle Wir verwede
MehrGrundkurs Mathematik II
Prof. Dr. H. Breer Osabrück SS 2017 Grudkurs Mathematik II Vorlesug 48 Itervallschachteluge Eie weitere Möglichkeit, reelle Zahle zu beschreibe, eizuführe, zu approximiere ud recherisch zu hadhabe, wird
MehrKleingruppen zur Service-Veranstaltung Mathematik I fu r Ingenieure bei Prof. Dr. G. Herbort im WS12/13 Dipl.-Math. T. Pawlaschyk,
Musterlo suge zu Blatt 0 Kleigruppe zur Service-Verastaltug Mathematik I fu r Igeieure bei Prof. Dr. G. Herbort im WS/3 Dipl.-Math. T. Pawlaschyk, 9.. Theme: Kovergez vo Folge Aufgabe P (i) Sei a : k kk.
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
Mehr1.3 Funktionen. Seien M und N Mengen. f : M N x M : 1 y N : y = f(x) nennt man Funktion oder Abbildung. Beachte: Zuordnung ist eindeutig.
1.3 Fuktioe Seie M ud N Mege f : M N x M : 1 y N : y fx et ma Fuktio oder Abbildug. Beachte: Zuordug ist eideutig. Bezeichuge: M : Defiitiosbereich N : Bildbereich Zielmege vo f Der Graph eier Fuktio:
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
Mehr