Stochastische FEM mit elementaren Zufallselementen
|
|
- Calvin Böhler
- vor 7 Jahren
- Abrufe
Transkript
1 Stochastische FEM mit elementaren Zufallselementen Hans-Jörg Starkloff Westsächsische Hochschule Zwickau 13. Südostdeutsches Kolloquium zur Numerischen Mathematik 2007 Freiberg, 27. April 2007
2 Einführung Deterministische FEM Die Methode der finiten Elemente für stochastische Aufgabenstellungen Methode der finiten Elemente: wichtiges Näherungsverfahren zur Lösung einer großen Anzahl mathematischer und angewandter Aufgabenstellungen flexibel, mathematisch gut fundiert und weit verbreitet eingehende Parameter, Daten in (praktischen) Problemen häufig mit Unsicherheiten behaftet eine Möglichkeit der Modellierung der Unsicherheiten: Modellierung durch Zufallsgrößen bzw. Zufallsfunktionen oder allgemeine Zufallselemente stochastische FEM (SFEM), FEM für stochastische Probleme (FEMSP)
3 Einführung Deterministische FEM Ausgangspunkt für deterministische FEM häufig: Randwertaufgabe für partielle oder gewöhnliche Differentialgleichung, z.b. div (a(x) grad u(x)) = f (x), x D R d (1) u(x) = 0, x D bzw. d dx (klassische Lösungen) ( a(x) du(x) ) = f (x), x (0, 1) R, (2) dx u(0) = 0, a(1) du(1) dx = F
4 Einführung Deterministische FEM Variationsformulierung Definition einer Bilinearform a(u, v) und einer Linearform l(v) auf einem geeigneten Hilbertraum V Betrachtung der Variationsaufgabe: ges. u V mit a(u, v) = l(v) v V (3) z.b. bzw. D a(x) 1 0 d j=1 u(x) v(x) dx = f (x)v(x) dx x j x j D a(x)u (x)v (x) dx = v H 1 0 (D) 1 0 f (x)v(x) dx + Fv(1), v H 1 ([0, 1]), v(0) = 0
5 Einführung Deterministische FEM FEM Betrachtung der Variationsaufgabe in endlichdimensionalen Teilräumen V h V : ges. u h V h mit Basisfunktionen {φ 1,..., φ N } in V h a(u h, v h ) = l(v h ) v h V h (4) Basisdarstellung der gesuchten Lösung in V h u h = u 1 φ u N φ N mit lokalem Träger lineares Gleichungssystem für die N unbekannten Koeffizienten {u j } N u j a(φ j, φ i ) = l(φ i ) i = 1,..., N, bzw. A u = f j=1 Satz von Lax/Milgram sichert eindeutige Lösbarkeit unter bestimmten Bedingungen (Koerzität von a(, ), Stetigkeit von a(, ), l( ))
6 Zufällige Parameter Zufällige Variationsformulierungen Zufällige Parameter rechte Seite Koeffizienten,Parameter in der Differentialgleichung oder den Randbedingungen das betrachtete Gebiet selber verschiedene Interpretationen der vorkommenden Operatoren, z.b. Ableitungen als zufällige Parameter Zahl Zufallsgröße Vektor Zufallsvektor Funktion Zufallsfunktion allgemein: Zufallselement d.h. Wahrscheinlichkeitsraum (Ω, S Ω, P), messbarer Raum (X, S X ), messbare Abbildung X : Ω X
7 Zufällige Parameter Zufällige Variationsformulierungen Kenngrößen der zufälligen Parameter Verteilungen: Wahrscheinlichkeitsmaß P X auf (X, S X ) für Zufallsgrößen geg. durch Verteilungsfunktion F X (x) = P(X < x), x R, oder Verteilungsdichte bzw. Wahrscheinlichkeitsfunktion oder charakteristische Funktion für Zufallsvektoren geg. durch gemeinsame Verteilungsfunktion F (X1,...,X n)(x 1,..., x n ) = P(X 1 < x 1,..., X n < x n ) oder Verteilungsdichte bzw. Wahrscheinlichkeitsfunktion für Zufallsfunktionen geg. durch System der endlichdimensionalen Verteilungen bzw. äquivalente Kenngrößen abgeleitete Kenngrößen, wie Erwartungswerte, Varianzen, höhere Momente, Kovarianzen, Erwartungswert- und Kovarianzfunktionen
8 Zufällige Parameter Zufällige Variationsformulierungen Zufällige Lösungen Lösungen (klassische oder verallgemeinerte) sind Zufallsfunktionen bzw. Zufallselemente, es können ganz verschiedene Kenngrößen gesucht sein, z.b. Verteilungen von Funktionalen der Lösung Momente der Lösung oder von Funktionalen der Lösung Wahrscheinlichkeiten für bestimmte zufällige Ereignisse, die durch die Lösung definiert werden usw. zu beachten ist: Abhängigkeit der Lösung von Koeffizienten in Differentialgleichung ist nichtlinear Verteilungen verhalten sich wesentlich nichtlinear Verteilungen sind unendlichdimensional abgeleitete Kenngrößen der zufälligen Parameter bestimmen im Allgemeinen nicht eindeutig Kenngrößen der Lösung
9 Zufällige Parameter Zufällige Variationsformulierungen Nichteindeutigkeit der Lösungskenngrößen im Beispiel d dx ( a(x) du(x) ) = 0, x (0, 1), dx u(0) = 0, Lösung u(x) = falls a(x, ω) = β(ω)a 0 (x) mit E{β} = 1 x 0 a(1) du(1) dx F a(y) dy und F, a 0 (x) deterministisch, β(ω) > 0 f.s., a 0 (x) > 0 { } 1 x F E{u(x)} = E β a 0 (y) dy 0 = F
10 Zufällige Parameter Zufällige Variationsformulierungen Unzureichende Charakteristiken Es gilt aber { { } 1 sup E β { { } 1 inf E β } : β( ) > 0, E{β} = 1 = (β U(1, 1 + )) } : β( ) > 0, E{β} = 1 = 1 (Jensen-Ungleichung) z.b. falls a 0 (x) = e x, F = 100 E{u(x)} = E { } ( 1 e x) β
11 Zufällige Parameter Zufällige Variationsformulierungen Realisierungsweise Variationsformulierung Voraussetzungen wie für deterministische FEM an (fast) alle Realisierungen der zufälligen Parameter Variationsaufgabe: ges. Zufallselement u(ω), ω Ω, mit Werten in V, z.b. D so dass a(ω)(u(ω), v) = l(ω)(v) v V P f.s. (5) a(x, ω) 1 0 d j=1 u(x, ω) v(x) dx = f (x, ω)v(x) dx x j x j D v H 1 0 (D) a(x, ω)u (x, ω)v (x) dx = P f.s. 1 v H 1 ([0, 1]), v(0) = 0 0 f (x, ω)v(x) dx + F(ω)v(1), P f.s.
12 Zufällige Parameter Zufällige Variationsformulierungen Realisierungsweise Variationsformulierung deterministischer Raum von Testfunktionen bei Kenntnis der Eigenschaften der Realisierungen der zufälligen Parameter kann die deterministische Theorie der FEM genutzt werden Ausgangspunkt von verschiedenen Varianten der FEMSP Monte-Carlo-FEMSP FEMSP mit Störungsansatz FEMSP mit Neumann-Reihe
13 Zufällige Parameter Zufällige Variationsformulierungen Stochastische Variationsformulierung geeigneter Hilbertraum von Zufallselementen Ṽ, z.b. F-messbare Zufallselemente in V mit endlichem zweiten Moment F wird von zufälligen Parametern erzeugt { { Ṽ = v( ) : Ω V, F messbar, E v( ) 2} } < unter bestimmten Bedingungen an zufällige Parameter: Linearform l : Ṽ L 1(Ω, F, P; R) l(v) := E {l( ) (v( ))} Bilinearform ã : Ṽ Ṽ L 1(Ω, F, P; R) ã(u, v) := E {a( )(u( ), v( ))}
14 Zufällige Parameter Zufällige Variationsformulierungen Stochastische Variationsformulierung gesucht u Ṽ, so dass v Ṽ ã(u, v) = l (v) Zufallselemente als Testfunktionen Approximation durch endlichdimensionale Aufgaben durch FEM-Methoden bezüglich der räumlichen Variablen und besonderer endlichdimensionaler Approximationen bezüglich der stochastischen Einflussgrößen Ausgangspunkt von weiteren Varianten der FEMSP, wie dem sogenannten Spektralansatz
15 elementare Zufallselemente in V können nur endlich viele mögliche Werte annehmen, d.h. ihr Wertebereich ist eine (f.s.) endliche Menge im Raum V im Fall von Zufallsgrößen oder Zufallsvektoren besitzen elementare Zufallselemente eine diskrete Verteilung sind die zufälligen Parameter der Differentialgleichung elementare Zufallselemente, ist das Problem bezüglich der stochastischen Einflussgrößen endlichdimensional: N Zerlegung des Wahrscheinlichkeitsraumes Ω = k=1 auf jeder Teilmenge Ω k nimmt jeder der Parameter einen deterministischen Wert an deterministische Differentialgleichung oder Variationsaufgabe Ω k
16 unter bestimmten Bedingungen lassen sich beliebige Zufallselemente durch elementare Zufallselemente approximieren: Satz: Sei X ein Zufallselement mit Werten in einem separablen metrischen Raum. Dann existiert eine Folge (X n ) n N von elementaren Zufallselementen, die P-f.s. (unter geeigneten Voraussetzungen auch im p-ten Mittel) gegen X konvergiert. (Entsprechende Aussagen gelten auch für Verteilungen und die Konvergenz in Verteilung.)
17 für Zufallsvariable bzw. Zufallsvektoren: durch diskrete Zufallsvariable bzw. Zufallsvektoren für Zufallsfunktionen: Abbruch von Reihenentwicklungen, Koeffizienten mit diskreten Verteilungen Approximation z.b. durch zufällige Polynome mit Koeffizienten mit diskreter Verteilung Approximationsoperatoren im unendlichdimensionalen Wertebereich des Zufallselementes hier ist die Approximation der gemeinsamen Verteilung von Interesse
18 Zerlegung des Wahrscheinlichkeitsraumes Ω = N k=1 auf jeder Teilmenge Ω k nimmt jeder der Parameter einen deterministischen Wert an endliche Anzahl von deterministischen Problemen: gesucht u k V so dass Ω k a k (u k, v) = l k (v) v V Lösung dieser Probleme mittels deterministischer FEM
19 Resultat: elementares Zufallselement mit Werten u k : u(ω) = u k für ω Ω k, P(Ω k ) = p k Verteilung der Näherungslösung ist bekannt gesuchte stochastische Kenngrößen der Lösung können näherungsweise berechnet werden flexibel notwendig, zuverlässig Approximationen durch elementare Zufallselemente zu bestimmen entstehende Fehler müssen abgeschätzt werden Möglichkeit zur Verifizierung anderer Verfahren steht im Verhältnis zur Monte Carlo stochastischen FEM ungefähr wie die Erzeugung von Quasizufallszahlen (gleichverteilte Zahlenfolgen) zur Erzeugung von Folgen von Zufallszahlen
20 Zufällige Beispielaufgabe Gesucht ist eine Zufallsfunktion u(x, ω) mit d ( a(x, ω) du ) (x, ω) = f (x, ω), 0 < x < 1 dx dx u(0) = 0 a(1) du (1, ω) = F(ω) dx Lösungsformel für Ensemble der Realisierungen ( x ) F(ω) u(x, ω) = a(y, ω) f (s, ω) ds dy a(y, ω) 0 (Verschiebungen in einem axial belasteten Stab) y
21 Konkretisierung der Beispielaufgabe F( ) sei gleichverteilt auf (100, ) α( ) sei gleichverteilt auf ( δ, δ) und unabhängig von F a(x, ) = e (1+α( ))x Für feste Werte x (0, 1) (bzw. x 1, x 2 ) ist dann die Verteilungsfunktion von a(x): 0 für z e (1 δ)x ( 1 P(a(x) z) = ln z 2δ x 1 + δ ) für e (1 δ)x < z e (1+δ)x 1 für e (1+δ)x < z
22 Konkretisierung der Beispielaufgabe die Dichtefunktion von a(x): p a(x) (z) = { 1 2δxz für e (1 δ)x < z < e (1+δ)x 0 sonst Verteilungsfunktion Dichtefunktion (x = 1 2, δ = 0.4)
23 Konkretisierung der Beispielaufgabe die Erwartungswertfunktion von a(x): vgl. dazu die Funktion die Kovarianzfunktion von a(x): C a (x 1, x 2 ) = E{a(x)} = E{e (1+α)x } = e x eδx e δx e (1+E{α}))x = e x 2δx e x 1+x 2 (e ) (x 1+x 2 )δ e (x 1+x 2 )δ 2δ(x 1 + x 2 ) ex 1+x 2 4δ 2 x 1 x 2 ( e x 1δ e x 1δ ) ( e x 2δ e x 2δ )
24 Konkretisierung der Beispielaufgabe Erwartungswertfunktion Kovarianzfunktion (δ = 0.4 rot, δ = 0.8 grün, (δ = 0.4) Vergleichsfunktion blau)
25 Charakteristiken der Lösung erhält man mit Hilfe der Lösungsformel als nichtlineare Transformation der gegebenen Zufallsgrößen α( ) und F( ) u(x, ω) = F(ω) (1 e (1+α(ω))x) 1 + α(ω) { F m u (x) = E{u(x)} = E (1 e (1+α)x)} 1 + α δ 1 e (1+s)x = 100 ds δ 2δ(1 + s)
26 C u (x 1, x 2 ) = ( δ (1 e (1+s)x 1)(1 e (1+s)x 2) 3 3 ) δ 2δ(1 + s) 2 ds m u (x 1 ) m u (x 2 ) Erwartungswertfunktion Kovarianzfunktion (δ = 0.4 rot, δ = 0.8 grün, (δ = 0.4) Vergleichsfunktion blau) (Einheiten mal )
27 elementare Zufallselemente im Beispiel Betrachten statt der unabhängigen, stetig gleichverteilten Zufallsgrößen α, F unabhängige, diskret gleichverteilte Zufallsgrößen α, F mit den möglichen Werten, z.b. α 1 = 0.32 α 2 = 0.16 α 3 = 0 α 4 = 0.16 α 5 = 0.32 F 1 = 92 F 2 = 96 F 3 = 100 F 4 = 104 F 5 = 108 Jede der 25 Kombinationen tritt mit einer Wahrscheinlichkeit von = 1 = 0.04 ein. 25
28 elementare Zufallselemente im Beispiel Berechnung der zugehörigen Lösung ũ, z.b. u kl (x) = x 0 F k e (1+α l )y dy = oder mittels deterministischer FEM F ( ) k 1 e (1+α l )x 1 + α l Berechnung der gewünschten Kenngrößen für die Lösung mit endlich vielen möglichen Werten, z.b. m u (x) m eu(x) = k=1 l=1 5 u kl (x)
29 elementare Zufallselemente im Beispiel Lösungsfunktionen Verteilungsfunktion
30 Bemerkung zur FEM im Beispiel falls räumliche Diskretisierung mit Hütchenfunktionen analytisch invertierbare Systemmatrix ( A 1) min(i,j) = ij k=1 Lösung falls f (x) = 0, 0 < x < 1 u i = F n 2 i k=1 1 = 1 min(i,j) c k n 2 k=1 1 b i = F n 2 k=1 1 k n k 1 a(x) dx n i 1 i n i 1 a(x) dx n 1 Größen müssen gut approximiert werden i n i 1 a(x, ω) dx n
Stochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrFinite Elemente I 2. 1 Variationstheorie
Finite Elemente I 2 1 Variationstheorie 1 Variationstheorie TU Bergakademie Freiberg, SoS 2007 Finite Elemente I 3 1.1 Bilinearformen Definition 1.1 Sei V ein reeller normierter Vektorraum. Eine Bilinearform
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
Mehr1. Grundbegri e der Stochastik
. Grundbegri e der Stochastik Raum der Ereignisse. Die einelementigen Teilmengen f!g heißen auch Elementarereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. A ist ein geeignetes System von Teilmengen
Mehr2 Zufallsvariablen und deren Verteilungen
2 Zufallsvariablen und deren Verteilungen 2.1 Zufallsvariablen Zufallsvariablen sind Funktionen von Ω in die reellen Zahlen R. Beispiel 2.1.1 (Zweimaliger Münzwurf). Ω = ZZ, KK, KZ, ZK}. Sei X(ω) die Anzahl
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrBeispiele. Grundlagen. Kompakte Operatoren. Regularisierungsoperatoren
Beispiele Grundlagen Kompakte Operatoren Regularisierungsoperatoren Transportgleichung Dierenzieren ( nx ) (f δ n ) (x) = f (x) + n cos, x [0, 1], δ Regularisierung!! Inverse Wärmeleitung Durc f (f δ n
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 8 Partielle
Mehr15. September 2010 Prof. Dr. W. Bley. Universität Kassel Klausur SS 2010 Diskrete Strukturen I (Informatik) Name:... Matr.-Nr.:... Viel Erfolg!
15. September 010 Prof. Dr. W. Bley Universität Kassel Klausur SS 010 Diskrete Strukturen I (Informatik) 1 3 4 5 6 Name:................................................ Matr.-Nr.:............................................
Mehr1. Was ist eine Wahrscheinlichkeit P(A)?
1. Was ist eine Wahrscheinlichkeit P(A)? Als Wahrscheinlichkeit verwenden wir ein Maß, welches die gleichen Eigenschaften wie die relative Häufigkeit h n () besitzt, aber nicht zufallsbehaftet ist. Jan
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrFinite Elemente. bzw. F + E K = 1. (1)
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 25 Finite Elemente Übung 2 Aufgabe 6 (Eulerscher Polyedersatz für Triangulierung)
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrModellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
MehrMathematik für Informatiker III im WS 05/06 Musterlösung zur 4. Übung
Mathematik für Informatiker III im WS 5/6 Musterlösung zur. Übung erstellt von K. Kriegel Aufgabe : Wir betrachten den Wahrscheinlichkeitsraum der Punkte P =(a, b) aus dem Einheitsquadrat [, ] [, ] mit
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrAktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume
Aktuelle Themen aus der Stochastik Wintersemester 2017/2018 Abschnitt 3: Metrische und polnische Räume Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober/November 2017
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrKapitel 12 Erwartungswert und Varianz
Kapitel 12 Erwartungswert und Varianz Vorlesung Wahrscheinlichkeitsrechnung I vom 4/10. Juni 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 12.1 Der Erwartungswert Der Erwartungswert einer Zufallsvariablen
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
VARIOUS KINDS OF CONVERGENCES OF SEQUENCES OF RANDOM VARIABLES 10 Dezember, 2012 1 Bekannte Konvergenzarten 2 3 1 Bekannte Konvergenzarten 2 3 Wahrscheinlichkeitsraum Im Folgenden betrachten wir immer
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
Mehr2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung
2.2 Binomialverteilung, Hypergeometrische Verteilung, Poissonverteilung Die einfachste Verteilung ist die Gleichverteilung, bei der P(X = x i ) = 1/N gilt, wenn N die Anzahl möglicher Realisierungen von
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
MehrD-MATH Funktionalanalysis II FS 2014 Prof. M. Struwe. Lösung 2
D-MATH Funktionalanalysis FS 214 Prof. M. Struwe Lösung 2 1. a) Wir unterscheiden zwei Fälle. Fall 1: 1 < p < : Seien u L p () und (u k ) W 1,p () eine beschränkte Folge, so dass u k u in L p () für k.
Mehr3 Gemischte Diskretisierungen und Sattelpunktprobleme
Finite Elemente II 67 3 Gemischte Diskretisierungen und Sattelpunktprobleme Der Begriff gemischte Diskretisierung (mixed method) bezeichnet die FE- Diskretisierung eines Variationsproblems, in welchem
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrFinanzmathematische Modelle und Simulation
Finanzmathematische Modelle und Simulation WS 9/1 Rebecca Henkelmann In meiner Ausarbeitung Grundbegriffe der Stochastik I, geht es darum die folgenden Begriffe für die nächsten Kapitel einzuführen. Auf
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrGlättung durch iterative Verfahren
Numerische Methoden in der Finanzmathematik II Sommersemester 211 Glättung durch iterative Verfahren Vorlesung Numerische Methoden in der Finanzmathematik II Sommersemester 211 Numerische Methoden in der
MehrLineare Abbildungen und Orthonormalsysteme
KAPITEL Lineare Abbildungen und Orthonormalsysteme. Lineare Abbildungen und Koordinatendarstellungen.. Lineare Abbildungen und ihre Basisdarstellung. Seien V, W Vektorraume uber R. Mit einer Abbildung
MehrGitterfreie Methoden. Florian Hewener. 29. Oktober 2013
Gitterfreie Methoden 1D 2D Florian Hewener 29. Oktober 2013 Gliederung 1 Interpolationsprobleme Problemstellung Haar-Räume 2 Mehrdimensionale Polynominterpolation 3 Splines Kubische Splines und natürliche
Mehr42 Orthogonalität Motivation Definition: Orthogonalität Beispiel
4 Orthogonalität 4. Motivation Im euklidischen Raum ist das euklidische Produkt zweier Vektoren u, v IR n gleich, wenn die Vektoren orthogonal zueinander sind. Für beliebige Vektoren lässt sich sogar der
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrKurze Einführung in die Finite-Elemente-Methode
Kurze Einführung in die Finite-Elemente-Methode Stefan Girke Wissenschaftliches Rechnen 23 Die Finite-Elemente-Methode In diesem Skript soll eine kurze Einführung in die Finite-Elemente-Methode gegeben
Mehr72 Orthonormalbasen und Konvergenz im quadratischen Mittel
72 Orthonormalbasen und Konvergenz im quadratischen Mittel 30 72 Orthonormalbasen und Konvergenz im quadratischen Mittel Wir untersuchen nun die Konvergenz von Fourier-Reihen im quadratischen Mittel in
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrSchwache Lösungstheorie
Kapitel 4 Schwache Lösungstheorie Bemerkung 4.1 Motivation. Dieses Kapitel stellt eine Erweiterung des Lösungsbegriffes von partiellen Differentialgleichungen vor die schwache Lösung. Diese Erweiterung
MehrStatistik für Ingenieure Vorlesung 4
Statistik für Ingenieure Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 21. November 2017 3.3 Wichtige diskrete Wahrscheinlichkeitsverteilungen 3.3.1 Diskrete
MehrExakte Differentialgleichungen
Exakte Differentialgleichungen M. Vock Universität Heidelberg Seminar Mathematische Modellierung am 11.11.2008 Gliederung Differentialgleichungen eine erste Begegnung Definition Gewöhnliche DGL Die exakte
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
Mehr1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Gewöhnliche Differentialgleichungen Prof.
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
Mehr