Konvergenz von Punktprozessen
|
|
- Elke Fanny Bösch
- vor 7 Jahren
- Abrufe
Transkript
1 KAPITEL 1 Kovergez vo Puktprozesse I iesem Kapitel were wir Verteilugskovergez er Puktprozesse eiführe u eiige Beispiele betrachte, i ee Poisso Prozesse als Grezwerte vo Puktprozesse er seltee Ereigisse etstehe. Usere Darstellug ist sehr uvollstäig, für mehr Eizelheite verweise wir auf as Buch vo S. Resick Extreme values, regular variatio a poit processes Vage Kovergez Im Folgee sei E ei lokal kompakter separabler metrischer Raum. Zuerst were wir eie Kovergezbegriff für Rao Maße auf E (u somit auch für Zählmaße auf E) eiführe. Defiitio Eie Mege B E heißt relativ kompakt, we ihr Abschluss B kompakt ist. Beispiel Eie Mege B R ist relativ kompakt geau a, we sie beschräkt ist. Defiitio Eie Folge vo Rao Maße µ 1, µ 2,... auf E kovergiert vage gege ei Rao Maß µ, we lim µ (B) = µ(b) für alle relativ kompakte Borel Mege B E mit µ( B) =. Bezeichug: µ v µ. Warum i obiger Defiitio π( B) = gelte muss, soll folgees Beispiel veraschauliche. Beispiel Betrachte folgee Rao Maße auf R: µ = δ 1/ u µ = δ. Für as offee Itervall B = (, 2) gilt µ (B) = 1 für alle N, aber µ(b) =. Hätte wir i er Defiitio er vage Kovergez ie Forerug µ( B) = weggelasse, so würe µ icht gege µ kovergiere. Das wäre ei sehr uatürlicher Kovergezbegriff. Hier si eiige eifache Beispiele er vage Kovergez. Beispiel Sei µ as Maß mit er Dichte 1 [,] auf R. Da kovergiert µ vage gege as Lebesgue Maß auf R. 1
2 Beispiel Sei µ = δ. Da kovergiert µ vage gege as Null Maß. Wir were u eie äquivalete Defiitio er vage Kovergez formuliere. Zuerst müsse wir stetige Fuktioe mit kompaktem Träger efiiere, ie wir als Testfuktioe beutze were. Defiitio Eie Fuktio f : E R hat kompakte Träger, falls es eie kompakte Mege K E gibt mit f(t) = für alle t E\K. Defiitio Die Mege aller stetige Fuktioe auf E mit kompaktem Träger sei mit C c (E) bezeichet. Es sei C + c (E) ie Mege aller f C c (E) mit f. Nu formuliere wir eie äquivalete Defiitio er vage Kovergez. Satz Seie µ 1, µ 2,... u µ Rao Maße auf E. Da si ie folgee Aussage äquivalet: v (1) µ µ. (2) Für alle f C c + (E) gilt lim E f(x)µ (x) = f(x)µ(x). E Beweis. Weggelasse. Aufgabe Zeige Sie, ass ma im obige Satz C c + (E) urch C c (E) ersetze ka. Beispiel Sei µ = 1 i Z δ i/. Da kovergiert µ vage gege as Lebesgue Maß auf R. I er Tat, für jees f C c (R) gilt f(t)µ (t) = 1 ( ) i f f(t)t, R R a Riema Summe gege as Riema Itegral kovergiere. i Z 1.2. Verteilugskovergez vo Puktprozesse Sei π ei Puktprozess (= ei zufälliges Zählmaß) auf E u seie B 1,..., B k E kompakte Mege. Da ist (π(b 1 ),..., π(b k )) ei k-imesioaler Zufallsvektor mit Werte i N k. Vektore ieser Art heiße auch elich-imesioale Verteiluge vo π. Wir efiiere u ie Verteilugskovergez vo Puktprozesse. 2
3 Defiitio Seie π, π 1, π 2,... Puktprozesse auf E. Wir sage, ass π gege π i Verteilug kovergiert, falls für alle relativ kompakte Borel Mege B 1,..., B k mit π( B i ) = f.s. gilt, ass (π (B 1 ),..., π (B k )) (π(b 1),..., π(b k )). Mit aere Worte gilt für alle m 1,..., m k N : lim P[π (B 1 ) = m 1,..., π (B k ) = m k ] = P[π(B 1 ) = m 1,..., π(b k ) = m k ]. Bezeichug: π π. Die Beigug i er obige Defiitio ist icht leicht zu überprüfe. Es ist viel ageehmer, ie folgee Charakterisierug er Verteilugskovergez vo Puktprozesse zu beutze. Satz Seie π 1, π 2,... u π Puktprozesse auf E, a si ie folgee Aussage äquivalet: (1) π π. (2) Für alle f C c + (E) gilt x π f(x) x π f(x). (3) Für alle f C c + (E) gilt lim π π (f) = ψ π (f),.h. [ { }] [ { lim E exp x π f(x) = E exp x π f(x) }]. Beweis. Weggelasse. Bemerkug Um ie Verteilugskovergez er Puktprozesse zu zeige, reicht es also ie Kovergez er Laplace Fuktioale für jee Testfuktio f C + c (E) achzuweise. Im Folgee were wir eie Reihe vo Beispiele er Verteilugskovergez vo Puktprozesse betrachte Beroulli Experimete mit kleier Erfolgswahrscheilichkeit Wir betrachte eie Serie aus uabhägige Beroulli Experimete mit eier sehr kleie Erfolgswahrscheilichkeit p. Die Erfolge i eier solche Serie si emetspreche sehr selte, e ie mittlere Wartezeit auf e erste Erfolg ist 1/p. Wir iteressiere us für e Puktprozess er Zeitpukte T 1, T 2,..., zu ee ma Erfolge beobachtet. Der ächste Satz behauptet, ass er Puktprozess, er aus e Pukte pt 1, pt 2,... besteht, für kleies p urch eie Poisso Puktprozess mit Itesität 1 approximiert were ka. 3
4 Satz Für jees N sei eie Folge ε i, i Z, vo uabhägige u ietisch verteilte Zufallsvariable mit P[ε i = 1] = p, P[ε i = ] = 1 p gegebe, wobei lim p = λ [, ). Da gilt ie folgee Verteilugskovergez vo Puktprozesse auf R: π := i Z ε i δ i PPP(λt). Beweis. Wir were Satz beutze. Für f C c + (R) efiiere wir ie Laplace Fuktioale [ { }] [ { }] ψ (f) = E exp x π f(x), ψ(f) = E exp x π wobei π ei homogeer Poisso Puktprozess auf R mit kostater Itesität λ sei. Es reicht zu zeige, ass lim ψ (f) = ψ(f). Wege er Uabhägigkeit er Familie ε i, i Z, gilt: [ { ψ (f) = E exp ( ) }] i ε i f = E e ε if( i ) = Ee ε if( i ) = (e i Z i Z i Z i Z(1+p f( i ) 1)). Mit er Approximatio log(1 + x) = x + o(x) (für x ) ergibt sich log ψ (f) = i Z log(1 + p (e f( i ) 1)) = i Z f(x) p (e f( i ) 1) + R, wobei R ei Restterm ist, für e wir später zeige were, ass lim R =. Es folgt, ass lim log ψ (f) = lim (p ) 1 (e f( i ) 1) = λ (e f(t) 1)t, i Z wobei letzteres eifach ie Defiitio es Riema Itegrals ist. Zusammefasse gilt also { } lim ψ (f) = exp λ (1 e f(t) )t, was em Laplace Fuktioal eies Poisso Puktprozesses mit Itesität λ etspricht. Mit Satz folgt, ass π := ε i δ i PPP(λt). i Z Der Restterm R ka wie folgt abgeschätzt were. Es gilt R = ( ) log(1 + p (e f( i ) 1)) p (e f( i ) 1) 1 p 2 2 (e f( i ) 1) 2, i Z wobei wir ie Ugleichug log(1 + x) x x 2 /2 für x > beutzt habe. Die Fuktio f hat eie kompakte Träger, also verschwiet sie außerhalb eies Itervalls [ A, A]. Es 4 R R i Z,
5 folgt, ass höchstes 2A Werte vo f(i/) (u somit höchstes 2A Summae i er obige Summe) ugleich si. Somit ergibt sich R 2AMp 2 = o(1), wobei M as Supremum vo (e f 1) 2 ist u wir beutzt habe, ass lim p 2 =. Als Aweug es obige Satzes were wir u zeige, ass ie Zeitpukte, zu ee eie Folge vo u.i.v. Zufallsvariable eie sehr hohe Schwellewert überschreitet, ach eier Normierug gege eie Poisso Puktprozess kovergiere Abbilug 1. Überschreituge eies hohe Schwellewerts i eier Folge vo u.i.v. Zufallsvariable Satz Seie X i, i Z, u.i.v. Zufallsvariable mit Verteilugsfuktio F. Sei u eie Folge mit lim F (u ) = λ [, ). Da gilt ie folgee Verteilugskovergez vo Puktprozesse auf R: i Z:X i >u δ i PPP(λt). Beweis. Betrachte ie Zufallsvariable ε i := 1 Xi >u, i Z. Diese ehme Werte u 1 a, u es sei p := P[ε i = 1]. Da ist lim p = lim P[ε i = 1] = lim F (u ) = λ. Damit si ie Beiguge vo Satz erfüllt u ie Behauptug folgt Kovergez er Biomialpuktprozesse gege ie Poisso Puktprozesse I iesem Abschitt beweise wir eie allgemeie Satz über ie Kovergez eier Folge vo Biomialpuktprozesse gege eie Poisso Puktprozess. 5
6 Satz Für alle N seie Y 1,..., Y : Ω E u.i.v. Zufallselemete mit Werte i E u Verteilug µ. D.h. µ sei ei Wahrscheilichkeitsmaß auf E mit µ (B) = P[Y 1 B] für alle Borel Mege B E. Es gelte außerem für ei Rao Maß µ auf E, ass v µ µ. Da gilt ie folgee Verteilugskovergez vo Puktprozesse auf E: π := δ Yi PPP(µ). Beispiel Seie Y 1,..., Y gleichverteilt auf em Quarat [, ] 2. Da ist µ ei Wahrscheilichkeitsmaß mit er Dichte 1 1 [, ] u ma ka leicht zeige, ass µ 2 vage gege as Lebesgue Maß auf er Viertelebee [, ) 2 kovergiert. Es folgt, ass δ Y i gege eie Poisso Puktprozess mit Itesität 1 auf er Viertelebee kovergiert. Beweis vo Satz Sei f C c + (E), a gilt { ψ (f) := E exp } { } f(x) = E exp f(y i ) = E x π e f(yi). Wege er Uabhägigkeit er Zufallsvariable Y 1,..., Y ka ma iese Ausruck wie folgt schreibe: ( ψ (f) = Ee f(yi) = e f(t) E µ (t) = 1 (1 ) e f(t) )µ (t). v E Wege µ (t) µ(t) für folgt schließlich: ( E ψ (f) = 1 (1 ) { } e f(t) )µ (t) exp (1 e f(t) )µ(t), E was as Laplace Fuktioal eies Poisso Puktprozesses mit Itesität µ ist. Mit Satz folgt, ass π i Verteilug gege PPP(µ) kovergiert Kovergez er extreme Orugsstatistike: Gumbel Fall I iesem Abschitt were wir zeige, ass ie obere extreme Orugsstatistike eier u.i.v. Stichprobe aus em Gumbel Max Aziehugsbereich urch eie Poisso Puktprozess approximiert were köe. Die beie aere Max Aziehugsbereiche were im ächste Abschitt behaelt. 6
7 Satz Seie X1, X2,... u.i.v. Zufallsvariable aus em Max Aziehugsbereich x er Gumbel Verteilug Λ(x) = e e,.h. es gebe Folge a > u b R mit max{x1,..., X } a (1.5.1) Λ. b Da gilt ie folgee Verteilugskovergez er Puktprozesse auf R: X π := δ Xi a PPP(e t t). b Abbilug 2. Drei uabha gige Realisieruge es Poisso Puktprozesses mit Itesita t e t auf R. Das Bil zeigt as Itervall [ 5, 3]. Bemerkug Sei π er Poisso Puktprozess mit Itesita t e t auf R. Fu r jees x R ist ie Azahl er Pukte vo π im Itervall (x, ) fast sicher elich, e es gilt Z t e t = Poi(e x ). π((x, )) Poi x Isbesoere ist ie erwartete Azahl er Pukte auf er positive Halbachse gleich 1. Auf er aere Seite, ist ie Azahl er Pukte im Itervall (, x) fast sicher uelich, e Z x t e t = Poi( ). π((, x)) Poi Wir ko e also ie Pukte vo π absteige aore: Y1 > Y2 >... u es gilt lim Y =. Wie ist u Y1 verteilt? Der obige Satz la sst vermute, ass Y1 eie Gumbel Verteilug habe sollte. Das ist i er Tat richtig, e x P[Y1 x] = P[π((x, )) = ] = e e, a π((x, )) Poi(e x ). Aufgabe Bestimme Sie ie Verteilug vo Yk, k N. Aufgabe Bestimme Sie ie gemeisame Dichte es Vektors (Y1,..., Yk ). Beweisiee vo Satz Wir wisse, ass ie Kovergez i (1.5.1) geau a gilt, we lim P[X1 > a + tb ] = e t 7
8 für alle t R. Wir efiiere Y i := X i a b B B(R). Da gilt für Mege B er Form [t, ): [ X1 a µ ([t, )) = P[Y 1 t] = P Betrachte wir als ächstes Mege B er Form [t 1, t 2 ): µ ([t 1, t 2 )) = µ ([t 1, )) µ ([t 2, )) e t 1 e t 2 = für i = 1,..., u µ (B) := P[Y 1 B] für b ] t e t. t2 t 1 e t t = µ([t 1, t 2 )). Dieser Beweislogik folge lässt sich ie Kovergez auch für beliebige relativ kompakte Borel Mege B R zeige: lim µ (B) = µ(b), worauf wir hier verzichte wolle. Mit Satz folgt ie Behauptug. Beispiel Seie X 1, X 2,... uabhägige u ietisch expoetialverteilte Zufallsvariable mit Parameter 1,.h. P[X i > t] = e t für t >. Da gilt ach Satz?? Mit Satz folgt u max{x 1,..., X } log δ Xi log e e x. PPP(e t t). Beispiel Seie X 1, X 2,... uabhägige u ietisch staarormalverteilte Zufallsvariable. Wir habe bereits gezeigt, ass 2 log (max{x1,..., X } a ) e e x mit a = 2 log 1 2 log log +log 2 π 2 log. Es folgt mit Satz 1.5.1, ass δ 2 log (X i a ) PPP(e t t). Im ächste Satz gebe wir eie explizite Kostruktio es Poisso Puktprozesses π PPP(e t t) als eie Trasformatio es homogee Poisso Puktprozesses =1 δ P mit Itesität 1 a. Propositio Es sei =1 δ P ei homogeer Poisso Puktprozess mit Itesität 1 auf (, ). Da gilt δ log P PPP(e t t). =1 8
9 Abbilug 3. Poisso Puktprozess mit Itesität 1 (horizotale Achse) wir mit er Trasformatio T (x) = log x auf e Poisso Puktprozess mit Itesität e t (vertikale Achse) trasformiert. Beweis. Wir beutze e Trasformatiossatz für Poisso Puktprozesse für ie Abbilug T : (, ) R, T (x) = log x. Sei ν as Lebesgue Maß auf (, ). Mit em Trasformatiossatz für Poisso Puktprozesse folgt: δ T (P) PPP(T ν). =1 Wir müsse och achweise, ass ie Dichte es Bilmaßes T ν gleich e t ist. Es gilt (T ν)((a, b)) = ν(t 1 ((a, b))) = ν((e b, e a )) = e a e b = b a e t t. Deshalb folgt ie Behauptug. Aus er Kovergez er Puktprozesse i Satz folgt ie Kovergez er extreme Orugsstatistike. Wir were hier keie exakte Beweis gebe. Die Iee besteht ari, ass ma ie extreme Orugsstatistike als ei stetiges Fuktioal es Puktprozesses asehe ka. Nach em Satz über ie stetige Abbilug folgt aus er Verteilugskovergez er Puktprozesse ie Verteilugskovergez er extreme Orugsstatistike. Wir erier a ie Notatio M (k) = X k+1:, k = 1,...,. Korollar Uter Voraussetzuge vo Satz gilt für alle k N ( ) M (1) a,..., M (k) a (Y 1,..., Y k ), b b wobei Y 1 > Y 2 >... ie Pukte es Poisso Puktprozesses π mit Itesität e t auf R seie. 9
10 1.6. Kovergez er extreme Orugsstatistike: Fre chet u Weibull Fall I Satz habe wir Zufallsvariable aus em Max Aziehugsbereich er Gumbel Verteilug betrachtet. Nu formuliere wir eie a hliche Satz fu r e Max Aziehugsbereich er Fre chet Verteilug. Satz Seie X1, X2,... u.i.v. Zufallsvariable aus em Max Aziehugsbereich er Fre chet Verteilug Φα, α >,.h. es gebe eie Folge b > mit max{x1,..., X } (1.6.1) Φα. b Da gilt ie folgee Kovergez er Puktprozesse auf (, ): α X δ Xi PPP α+1 t. b t P Dabei beeutet ie Notatio, ass alle Pukte Xi mit Xi aus er Summe per Kovetio ausgeschlosse were Abbilug 4. Drei uabha gige Realisieruge es Poisso Puktprozesses mit Itesita t t 2 t auf (, ). Das Bil zeigt as Itervall [, 1]. Bemerkug Sei π er Poisso Puktprozess mit Itesita t αt (α+1) auf (, ). Fu r jees x > ist ie Azahl er Pukte vo π im Itervall (x, ) fast sicher elich, e es gilt Z αt (α+1) t π((x, )) Poi = Poi(x α ). x Auf er aere Seite ist ie Azahl er Pukte im Itervall (, x) fast sicher uelich, e Z x (α+1) π((, x)) Poi αt t = Poi( ). Aufgabe Es sei Y1 > Y2 >... > ie absteigee Aorug er Pukte vo π. Zeige Sie, ass Y1 Fre chet verteilt mit Parameter α ist. Bestimme Sie ie Verteilug vo Yk, k N, u ie gemeisame Verteilug vo (Y1,..., Yk ). Beweisiee vo Satz Beigug (1.6.1) gilt geau a, we 1 lim P[X1 b t] = α t 1
11 für alle t >. Wir efiiere ie Zufallsvariable Y i = X i b 1 Xi >. Es sei µ ie Verteilug vo Y i. Wir betrachte zuerst Mege er Form [t, ): 1 µ ([t, )) = P[Y i t] = P[X 1 tb ] t. α Betrachte wir u Mege er Form [t 1, t 2 ) mit < t 1 < t 2 : 1 µ ([t 1, t 2 )) = µ ([t 1, )) µ ([t 2, )) t α 1 1 t α 2 = t2 t 1 α t. tα+1 Dieser Beweislogik folge lässt sich ie Kovergez auch für beliebige relativ kompakte Borel Mege B (, ) zeige, worauf wir hier verzichte wolle. Es folgt: lim µ α (B) = t. tα+1 Damit ist Satz awebar u ie Behauptug ist bewiese. Beispiel Seie X 1, X 2,... u.i.v. Pareto-verteilt mit Parameter α >,.h. P[X i > t] = 1 für alle t > 1. Wir habe i Satz?? gezeigt, ass Pareto verteilte Zufallsvariable t α im Max Aziehugsbereich er Fréchet Verteilug liege, ämlich Mit Satz gilt a auf (, ): max{x 1,..., X } δ X i 1/α 1/α B Φ α. ( α ) PPP t t. α+1 1 Beispiel Es seie X 1, X 2,... Cauchy verteilt mit Dichte, t R. Wir wisse, π(1+t 2 ) ass max{x 1,..., X } Φ α. Somit folgt aus Satz 1.6.1, ass auf (, ),..., X i >,..., X i < δ X i ( α ) PPP t t. α+1 Aus Symmetriegrüe folgt aber auch, ass auf (, ) δ X i PPP ( α t ( t) α+1 Ma ka sogar beie Fälle vereiige u zeige, ass auf E = R\{} gilt ( ) α δ X i PPP t. t α+1 Es sei bemerkt, ass wir e Pukt ausschließe müsse, e ie Pukte es Poisso Puktprozesses auf er rechte Seite häufe sich a er Stelle. 11 ).
12 Zum Schluss betrachte wir och e Max Aziehugsbereich er Weibull Verteilug Ψ α. Satz Seie X 1, X 2,... u.i.v. Zufallsvariable aus em Max Aziehugsbereich er Weibull Verteilug Ψ α, α >,.h. er rechte Epukt x sei elich u es gebe eie Folge b > mit max{x 1,..., X } x b Ψ α. Da gilt ie folgee Kovergez vo Puktprozesse auf (, ): Beweis. Weggelasse. δ X i x b PPP ( α( t) α 1 t ). Beispiel Seie X 1, X 2,... uabhägig u ietisch gleichverteilt auf [, 1]. Es gilt: (max{x 1,..., X } 1) Da folgt aus Satz 1.6.6, ass Aus Symmetriegrüe gilt auch δ (Xi 1) δ Xi ex = Ψ 1 (x), x <. PPP(t) auf (, ). PPP(t) auf (, ) Kovergez er Rekorzeite gege eie Poisso Puktprozess Seie X 1, X 2,... u.i.v. Zufallsvariable mit stetiger Verteilugsfuktio F. Wir beutze ie Notatio M = max{x 1,..., X } für as Maximum er erste Zufallsvariable bzw. ξ j = 1 Xj >M j 1, j = 1, 2,... für ie Iikatorvariable es Ereigisses, ass zum Zeitpukt j ei euer Rekor aufgestellt wir. Die ebefalls bereits behaelte Rekorzeite L(1), L(2),... were weiterhi wie folgt efiiert: L(1) = 1 u L( + 1) = mi{j > L() : ξ j = 1}, = 1, 2,.... Der ächste Satz behauptet, ass ie Folge er Rekorzeite wie ei Poisso Puktprozess aussieht, we ma sie aus eier sehr große Etferug betrachtet. Satz Es gilt π := δ L(i) ( ) t PPP t auf (, ). 12
13 Beweis. Wir zeige ie Kovergez er Laplace Fuktioale. Sei f C c + (, ). Es gilt { ψ (f) := E exp } { ( ) } { L(i) ( ) } j f(x) = E exp f = E exp ξ j f, x π weil ξ j immer a ist, we kei Rekor a Stelle j vorliegt. Ma ka obiges auch wie folgt schreibe u wege er Uabhägigkeit er ξ j ach Satz vo Réyi umforme: { ( )} j { ( )} j ψ (f) = E exp ξ j f = E exp ξ j f = (1 1j + 1j ) j e f( ), wobei sich ie letzte Gleichheit ergibt, a ebefalls mit em Satz vo Réyi P[ξ j = 1] = 1 P[ξ j = ] = 1 gilt. Es folgt: j ( log ψ (f) = log ( e f( j ) 1) ) 1 ( ) = e f( j ) 1 + R, j j wobei hier R ei Restterm ist, er, wie wir später zeige were, gege geht, u wir ie Tayloretwicklug log(1 + x) = x + o(x) im Auge behalte. Defiiert ma ( ) j g = 1 ( ) e f( j ) 1 j/ u lässt gege uelich gehe, so folgt: log ψ (f) = 1 ( ) e f( j ) 1 + R j g(t)t = ( e f(t) 1 ) t t, wobei wir hier ie Kovergez eier Riema Summe gege as Riema Itegral beutzt habe. Schließlich ist zu beobachte, ass { lim ψ ( (t) = exp e f(t) 1 ) } t, t was ie Laplace Trasformierte eies Poisso Puktprozesses auf (, ) mit Itesität 1 t ist. Zu zeige ist ur och, ass lim R =. Mit er Ugleichug log(1 + x) x 1 2 x2 ergibt sich, ass R 1 2 was ie Behauptug beweist. 1 ( ) e f( j 2 j 2 ) 1 1 = 2 1 ( ) j g Kovergez gege e Extremwertprozess g 2 (t)t, I e vorherige Abschitte habe wir Sätze über ie Kovergez er obere Orugsstatistike gege Poisso Puktprozesse formuliert. Ma ka iese Sätze erweiter iem ma ie Positioe er Beobachtuge berücksichtigt, wo extrem große Werte auftrete. 13
14 Satz Seie X1, X2,... u.i.v. Zufallsvariable aus em Max Aziehugsbereich x er Gumbel Verteilug Λ(x) = e e,.h. es gebe Folge a > u b R mit max{x1,..., X } a (1.8.1) Λ. b Da gilt ie folgee Verteilugskovergez er Puktprozesse auf [, 1] R: X π := δ( i, Xi a ) PPP(s e t t). b Beweis. Weggelasse. Der Puktprozess auf er rechte Seite ka wie folgt kostruiert were. Seie Y1 > Y2 >... ie Pukte es Poisso Puktprozesses mit Itesita t e t auf R. Uabha gig avo seie U1, U2,... u.i.v. Zufallsvariable, ie gleichverteilt auf em Itervall [, 1] si. Da gilt X δ(ui,yi ) PPP(s e t t) Abbilug 5. Poisso Puktprozesse aus Sa tze u Der obige Satz macht e folgee fuktioale Grezwertzsatz fu r e Maximumsprozess plausibel. Zuerst beo tige wir eie Defiitio. 14
15 Defiitio Der stochastische Prozess {Z t : t [, 1]} mit Z t = heißt er Gumbel Extremwertprozess. max i N: U i t Y i Satz Uter Voraussetzuge vo Satz kovergiert er Prozess {(M [t] b )/a : t [, 1]} gege e Gumbel Extremwertprozess im Sie er elich imesioale Verteiluge. D.h. für alle < t 1 <... < t k 1 gilt ( ) M[t1 ] b a,..., M [t k ] b a (Z t 1,..., Z tk ). Beweis. Weggelasse. Ähliche Sätze ka ma auch für ie beie aere Max Aziehugsbereiche formuliere. Wir betrachte hier ur e Fréchet Fall. Satz Seie X 1, X 2,... u.i.v. Zufallsvariable aus em Max Aziehugsbereich er Fréchet Verteilug Φ α, α >,.h. es gebe eie Folge b > mit (1.8.2) max{x 1,..., X } b Φ α. Da gilt ie folgee Kovergez er Puktprozesse auf [, 1] (, ): δ ( i, X i ) b ( PPP s α ) t t. α+1 Dabei beeutet ie Notatio, ass alle Pukte X i mit X i aus er Summe per Kovetio ausgeschlosse were. Beweis. Weggelasse Allgemeier Extremwertprozess Seie X 1, X 2,... uabhägige u ietisch verteilte Zufallsvariable mit Verteilugsfuktio F. Sei M = max{x 1,..., X }. Es gilt M 1 M 2 M Im ächste Satz beschreibe wir ie elich imesioale Verteiluge es Prozesses M 1, M 2,
16 Satz Seie t 1 < t 2 <... < t k, mit t i N u x 1,..., x k R. Die Verteilug vo (M t1,..., M t ) ist gegebe urch: P[M t1 x 1,..., M tk x k ] = F t k t k 1 (x k )F t k 1 t k 2 (mi{x k 1, x k })... F t 1 (mi{x 1,..., x k }). Bemerkug Es gilt ie Markov Eigeschaft: P[M +1 u M 1 = m 1,..., M = m ] = P[M +1 u M = m ]. Der ächste Satz zeigt, ass ma e Maximumsprozess (M t ) t N i eie Extremwertprozess (Z t ) t i stetiger Zeit eibette ka. Es sei x bzw. x er like bzw. er rechte Epukt er Verteilugsfuktio F. Satz Sei π = k=1 δ (X k,y k ) PPP(µ) auf [, ) (x, x ] mit µ((a, b] (c, ]) = (b a) (log F () log F (c)). Sei Z t = sup{y k : X k t} mit t. Da gilt (M t ) t N = (Z t ) t N. Beweis. Seie t 1 < t 2 <... < t k mit t i N, a gilt: P[Z t1 u 1,..., Z tk u k ] = P[π(A j ) = für alle j = 1,..., k] = P [ π ( A j ) = ], wobei hier A j = [t j 1, t j ] (mi{u k, u k 1,..., u j }, x ). Obiges lässt sich, a π ei Poisso Puktprozess ist, zu Folgeem vereifache: k k P[Z t1 u 1,..., Z tk u k ] = e µ( k A j) = e µ(aj) = e (t j t j 1 ) log F (mi{u k,u k 1,...,u j }). Somit gilt P[Z t1 u 1,..., Z tk u k ] = P[M t1 u 1,..., M tk u k ]. Beispiel Für F (x) = e e x stimmt er Prozess Z t mit em obe eigeführte Gumbel Extremwertprozess überei. *** 16
Empirische 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,...,
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
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
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
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
MehrGüteeigenschaften von Schätzern
KAPITEL 6 Güteeigeschafte vo Schätzer Wir erier a ie Defiitio es parametrische Moells Sei {h θ : θ Θ}, wobei Θ R m, eie Familie vo Dichte oer Zählichte Seie X 1,, X uabhägige u ietisch verteilte Zufallsvariable
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
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
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
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
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
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
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
MehrKonvergenz 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
Mehr18 Exponentialfunktion und Logarithmus
8 Epoetialfuktio u Logarithmus Lerziele: Kozepte: Epoetialfuktio u Logarithmus Resultat: Wachstumshierarchie für Fuktioe u Folge Kompeteze: Berechug weiterer Itegrale I iesem Abschitt führe wir e Logarithmus
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
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
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
MehrNennenswertes zur Stetigkeit
Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit
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
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
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
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
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
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,
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
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:
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,
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.
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:
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrKAPITEL 9. Konfidenzintervalle
KAPITEL 9 Kofiezitervalle Sei {h θ (x) : θ Θ} eie Familie vo Dichte bzw Zählichte I iesem Kapitel ist Θ = (a, b) R ei Itervall Seie X,, X uabhägige u ietisch verteilte Zufallsvariable mit Dichte bzw Zählichte
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
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
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.
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
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
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
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)
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
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
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,
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgabe ud e Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 008/009 Übug am 8..008 Übug 5 Eileitug Zuerst soll auf de aktuelle Übugsblatt ud Stoff der Vorlesug eigegage werde. Dazu werde
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
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
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
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
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
MehrLösungen zur Klausur Maß- und Integrationstheorie WS 2012/13
Lösuge zur Klausur 45 Maß- ud Itegratiostheorie S 22/3 Lösug zu Aufgabe I der Aufgabestellug ist kei Tippfehler. Es steht dort fx, y, x dλ 3 x, y, z. z fx, y, x ist kostat i z. Falls jemad fx, y, z dλ
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
MehrÜbungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
Mehr11 Likelihoodquotiententests
11 Likelihoodquotietetests I de Paragraphe 7-10 wurde beste Tests UMP-Tests oder UMPU-Tests i spezielle Verteilugssituatioe hergeleitet Hier soll u ei allgemeies Kostruktiosprizip für Tests vo zusammegesetzte
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
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
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
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
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
MehrKonvergenz von Folgen reeller Zufallsvariablen
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
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
Mehrn (n + 1) = 1(1 + 1)(1 + 2) 3 Induktionsschritt: Angenommen die Gleichung gilt für n N. Dann folgt: 1 2 = 2 =
Aufgabe 1: (6 Pukte) Zeige Sie für alle N die Formel: 1 2 + 2 3 + 3 4 +... + ( + 1) = ( + 1)( + 2). 3 Lösug: Beweis durch vollstädige Iduktio. Iduktiosafag: Für = 1 gilt: 1 2 = 2 = 1(1 + 1)(1 + 2) 3 Iduktiosschritt:
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
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
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
Mehr8. Übungsblatt Aufgaben mit Lösungen
8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium
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
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
MehrMathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.
Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
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
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
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
MehrInhaltsverzeichnis. 2 Grenzwerte, Folgen und Reihen. 2.1 Intervalle in R. 2.2 Umgebungen (in R und C)
Ihaltsverzeichis 2 Grezwerte, Folge ud Reihe I diesem Kapitel führe wir de zetrale Begriff der Kovergez eier Folge vo Zahle (x ) N gege eie Grezwert x ei. Aschaulich bedeutet dies, dass i jeder och so
MehrDirichlet-Reihen II. 1 Konvergenzeigenschaften von Dirichlet-Reihen
Vortrag zum Semiar zur Fuktioetheorie, 7.2.2007 Holger Witermayr I diesem Vortrag werde wir Kovergezeigeschafte vo Dirichlet-Reihe erarbeite ud eie Vergleich zu Potezreihe ziehe. Ei weiteres Ziel dieses
Mehr3.2 Potenzreihen und komplexe Taylorentwicklung
40 Kapitel 3. Holomorphe Fuktioe 3.2 Potezreihe ud komplexe Tayloretwicklug Wede wir us u de Reiheetwickluge vo Fuktioe zu. 3.2. Defiitio Uter eier Potezreihe um de Pukt z 0 C versteht ma eie Reihe der
MehrHöhere Mathematik I (Analysis) für die Fachrichtung Informatik
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag
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
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
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
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
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,
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
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,
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 1
Techische Uiversität Müche Zetrum Mathematik Mathematik (Elektrotechik) Prof. Dr. Ausch Taraz Dr. Michael Ritter Übugsblatt Hausaufgabe Aufgabe. Bestimme Sie de Kovergezbereich M der folgede Reihe für
MehrLösungen zum Übungsblatt 2
Fakultät für Luft- ud Raumfahrttechik Istitut für Mathematik ud Recherawedug Partielle Differetialgleichuge II (ME), Prof. Dr. J. Gwier Übug: N. Ovcharova, K. Dvorsky 6. Jauar bis 9. Februar 011 Lösuge
MehrÜbungsblatt 9 zur Vorlesung. Statistische Methoden
Dr. Christof Luchsiger Übugsblatt 9 zur Vorlesug Statistische Methode Schätztheorie ud Kofidezitervalle Herausgabe des Übugsblattes: Woche 8, Abgabe der Lösuge: Woche 9 (bis Freitag, 65 Uhr), Besprechug:
MehrKapitel 11 DIE NORMAL-VERTEILUNG
Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49 . De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
MehrLösungen zum Ferienkurs Analysis 1, Vorlesung 2 Wintersemester 2014/2015
Lösuge zum Feriekurs Aalysis, Vorlesug Witersemester 04/05 Fabia Hafer, Thomas Baldauf I Richtig oder Falsch Sid folgede Aussage richtig oder falsch? Korrigiere bzw. ergäze Sie falsche Aussage. Gebe Sie
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
MehrMusterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
Mehrund wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
MehrWallis-Produkt, Gammafunktion und n-dimensionale Kugeln
Wallis-Produkt, Gammafuktio ud -dimesioale Kugel Thomas Peters Thomas Mathe-Seite www.mathe-seite.de 6. Oktober 3 Das Ziel dieses Artikels ist es, Formel für das Volume ud die Oberfläche vo -dimesioale
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
Mehr1 Das Skalarprodukt und das Kreuzprodukt
Das Skalarprodukt ud das Kreuzprodukt Wir betrachte zu x = de Ausdruck y t x : = x Grud: Die rechte Seite der Gleichug ist: y t x = (y tx +... + (y ty { t x } y +... + x y x + x y (x y +... + x y x x t
MehrGesetze der Großen Zahl und Zentraler Grenzwertsatz
Kapitel 5 Gesetze der Große Zahl ud Zetraler Grezwertsatz Seie X,X,... uabhägige, idetisch verteilte reelle Zufallsvariable mit Var[Xi 0,. Wir betrachte S := X i i= ud frage ach de typische Werte, die
MehrKapitel 2 Differentialrechnung in einer Variablen. 2.1 Folgen und Grenzwerte
Kapitel 2 Differetialrechug i eier Variable 2. Folge ud Grezwerte 2.. Defiitio Eie Folge ist eie Zuordug N R, a, geschriebe als Liste (a,a 2,...) oder i der Form (a ) N. Hier sid ei paar Beispiele: 2,4,6,8,...
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
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 +
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:
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.
Mehr