Gesetz der großen Zahlen
|
|
- Detlef Michel
- vor 7 Jahren
- Abrufe
Transkript
1 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, die de Ausgag des i-te Experimets beschreibt, ist: {, falls Experimet i Erfolg, X i = 0, sost. Die Azahl der Erfolge i de erste Experimete ist S = X X. Da ka ma erwarte, dass p. Dies ist ei Spezialfall des sogeate Gesetzes der große Zahle. S Beispiel Ei fairer Würfel wird uedlich oft geworfe. Die Zufallsvariable X i sei die Augezahl bei Wurf i. Mit S = X X bezeiche wir die Summe der Augezahle der erste Würfe. Der Erwartugswert vo X i ist Ma ka da erwarte, dass E[X i ] = ( ) = Dies ist ei aderer Spezialfall des Gesetzes der große Zahle. S I beide Aussage geht es um Kovergez vo Folge vo Zufallsvariable. Damit wir das Gesetz der große Zahle formuliere köe, müsse wir defiiere, was wir uter eier solche Kovergez verstehe. Es stellt sich heraus, dass es viele verschiedee Kovergezbegriffe für Folge vo Zufallsvariable gibt. Vier dieser Begriffe (Kovergez i Wahrscheilichkeit, Kovergez i L p, fast sichere Kovergez, Kovergez i Verteilug) werde im Folgede behadelt Kovergez i Wahrscheilichkeit ud L 2 -Kovergez Defiitio Eie Folge vo Zufallsvariable Z, Z 2,... : Ω R kovergiert i Wahrscheilichkeit (oder stochastisch) gege eie Zufallsvariable Z : Ω R, we für alle ε > 0 gilt: lim P[{ω Ω : Z (ω) Z(ω) > ε}] = 0.
2 I eier vereifachte Schreibweise: Bezeichug. Z P N Z. lim P[ Z Z > ε] = 0. Defiitio Eie Folge vo Zufallsvariable Z, Z 2,... : Ω R kovergiert i L 2 (oder im quadratische Mittel) gege eie Zufallsvariable Z : Ω R, we Z L 2, Z L 2 ud lim E[(Z Z) 2 ] = 0. Bezeichug. Z L 2 Z. Im Folgede werde wir zeige, dass aus der L 2 -Kovergez die stochastische Kovergez folgt, jedoch icht umgekehrt Ugleichuge vo Markow ud Tschebyschew Lemma Sei Z 0 eie Zufallsvariable. Da gilt für alle a > 0: P[Z a] EZ a. Beweis. Für die Zufallsvariable Z gilt: { a, falls Z(ω) a, Z(ω) 0, falls Z(ω) < a. Mit adere Worte, Z a {Z a}. Für de Erwartugswert vo Z gilt somit: EZ E[a {Z a} ] = a E[ {Z a} ] = a P[Z a]. Durch Umforme erhält ma die Ugleichug im Lemma. Satz (Tschebyschew-Ugleichug). Sei X L 2 eie Zufallsvariable. Da gilt für alle a > 0: P[ X EX a] Var X a 2. Beweis. Da Z := (X EX) 2 0, folgt mit Lemma 0.3.: P[(X EX) 2 a 2 ] E[(X EX)2 ] = Var X. a 2 a 2 Die Ugleichug (X EX) 2 a 2 gilt geau da, we X EX a. Damit erhält ma die Tschebyschew-Ugleichug. Satz (Markow-Ugleichug). Sei Z 0 eie Zufallsvariable ud f : [0, ) [0, ) eie mooto steigede Fuktio. Da gilt für alle a > 0: P[Z a] E[f(Z)]. f(a) 2
3 Beweis. Da f mooto steiged ist, gilt für die Wahrscheilichkeit: P[Z a] = P[f(Z) f(a)] E[f(Z)]. f(a) Die letzte Ugleichug erhält ma aus Lemma 0.3., idem ma dort f(z) astelle vo Z eisetzt. Beispiel Mit f(a) = a p, wobei p > 0, erhält ma die Ugleichug P[Z a] E[Zp ] a p. Satz Seie Z, Z 2,... ud Z Zufallsvariable mit Z L 2 Z. Da gilt: Z P Z. Beweis. Aus Z L 2 Z folgt mit der Defiitio der L 2 -Kovergez, dass lim E[(Z Z) 2 ] 0. Sei ε > 0. Mit dem obige Beispiel (mit p = 2) erhalte wir Wir habe gezeigt, dass P[ Z Z ε] E[(Z Z) 2 ] ε 2 lim P[ Z Z ε] = 0 0. ud somit Z P Z Schwaches Gesetz der große Zahle Satz 0.4. (Schwaches Gesetz der große Zahle). Seie X, X 2,... : Ω R uabhägige Zufallsvariable mit EX i = µ ud Var X i = σ 2 für alle i N. Da gilt: X X L 2,P µ Das heißt, das arithmetische Mittel der Zufallsvariable X,..., X kovergiert i L 2 bzw. i Wahrscheilichkeit gege de Erwartugswert. Beweis. Sei S = X X die Summe der erste Zufallsvariable. Da gilt für de Erwartugswert ud die Variaz der Summe ES = µ ud Var S = σ 2, wobei im Fall der Variaz beutzt wird, dass die Zufallsvariable uabhägig sid. Wir zeige zuerst die L 2 -Kovergez: [ (S ) ] [ 2 (S ) ] 2 E µ ES = E = Var S 2 = 2 σ2 = σ2 0. 3
4 Daraus fogt S S P N µ. L 2 µ. Ud mit Satz folgt u auch die stochastische Kovergez: Beispiel Ei fairer Würfel wird uedlich oft geworfe. Es sei S die Augesumme ach Würfe, also S = X +...+X, wobei die Zufallsvariable X i die Augezahl im i-te Wurf beschreibt. Der Erwartugswert eies Wurfes ist µ = 3.5. Mit Satz 0.4. folgt u S P 3.5. N Ma ka etspreched der Defiitio der stochastische Kovergez z.b. mit ε = 0.0 das folgede Ergebis erhalte: [ lim P 3, 49 < S ] < 3, 5 =. Die Wahrscheilichkeit, dass die mittlere Augezahl außerhalb des Itervalls (3, 49, 3, 5) liegt, geht gege 0, we die Azahl der Würfe gege geht. Bemerkug Das Wort schwach i der Bezeichug schwaches Gesetz der große Zahle bezieht sich auf die Art der Kovergez (i Wahrscheilichkeit oder L 2 ). Im folgede werde wir stärkere Versioe des Gesetzes der große Zahle beweise Fast sichere Kovergez Defiitio Sei (Ω, F, P) ei Wahrscheilichkeitsraum. Ei Ereigis A F heißt ei fast sicheres Ereigis, we P[A] =. Defiitio Ei Ereigis B F heißt ei fast umögliches Ereigis (oder ei Nullereigis), we P[B] = 0. Beispiel Das Ereigis Ω ist fast sicher (ud i Wirklichkeit, sogar sicher). Das Ereigis ist fast umöglich (ud i Wirklichkeit, sogar umöglich). Das Komplemet eier fast sichere Ereigisses ist fast umöglich ud umgekehrt, das Komplemet eies fast umögliche Ereigisses ist fast sicher. Bemerkug Ma geht davo aus, dass ei Nullereigis i der Praxis icht beobachtet werde ka. Es ka zwar sei, dass es im Wahrscheilichkeitsraum gewisse Ausgäge gibt, die zum Eitrete dieses Ereigisses führe, diese bilde allerdigs eie so kleie Mege, dass ma diese Ausgäge icht beobachte ka, egal, wie oft ma das Experimet wiederholt. Aalog geht ma davo aus, dass ei fast sicheres Ereigis bei jeder Ausführug des Experimets beobachtet wird. Bemerkug Eie Vereiigug vo abzählbar viele Nullereigisse ist ei Nullereigis (auch da, we die Ereigisse icht disjukt sid). Ei Schitt vo höchstes abzählbar viele fast sichere Ereigisse ist wieder ei fast sicheres Ereigis. Diese Aussage gelte allerdigs icht für überabzählbare Schitte bzw. Vereiiguge. Beispiel Ma betrachte eie ideale Zufallsgeerator, der eie im Itervall [0, ] gleichverteilte Zahl erzeugt. Die Grudmege dieses Experimets ist Ω = [0, ], F = B [0,] ist die Borel-σ-Algebra auf [0, ] ud P = λ ist das Lebesgue-Maß. 4
5 Es sei B = {q, q 2,...} [0, ] ei Ereigis, das aus abzählbar viele Ausgäge besteht. Zum Beispiel, ka ma das Ereigis B = Q [0, ] = es wurde eie ratioale Zahl erzeugt betrachte. Für jedes q i ist P[q i ] = 0 ud somit, mit der σ-additivität, P[B] = P[q i ] = 0. i= Daraus folgt, dass B fast umöglich ist. Ei idealer Zufallsgeerator erzeugt also ie eie ratioale Zahl. Natürlich erfüllt kei realer Zufallsgeerator (z.b. i eiem Recher) diese Aforderug. Im Gegeteil: Ei realer Zufallsgeerator erzeugt ur Zahle mit eier edliche Dezimaldarstellug, also ur ratioale Zahle. Es sei u A = [0, ]\B ei Ereigis, das ei Komplemet eier abzählbare Mege ist. Zum Beispiel ka ma das Ereigis A = [0, ]\Q = es wurde eie irratioale Zahl erzeugt betrachte. Da gilt für die Wahrscheilichkeit vo A: P[A] = P[B] = 0 =. Daraus folgt, dass A fast sicher ist. Ei idealer Zufallsgeerator erzeugt also ur irratioale Zahle. Defiitio Eie Folge vo Zufallsvariable Z, Z 2,... : Ω R kovergiert fast sicher gege eie Zufallsvariable Z : Ω R, we: P[{ω Ω : lim Z (ω) = Z(ω)}] =. I eier vereifachte Schreibweise: [ P lim Z = Z ] =. Bezeichug. Z Z oder lim Z = Z Bemerkug Damit diese Defiitio Si macht, muss ma zeige, dass das Ereigis A := {ω Ω : lim Z (ω) = Z(ω)} messbar ist. Wir zeige also, dass A F. Die Gleichheit lim Z (ω) = Z(ω) gilt geau da, we für alle ε > 0 ei k N existiert, so dass für alle k: k N k Z (ω) Z(ω) ε. Ma ka sich auch ur auf Werte ε = mit m N eischräke. Da ka ma A m folgedermaße beschreibe: { A = ω Ω : m N k N k : Z (ω) Z(ω) } m = { ω Ω : Z (ω) Z(ω) }. m m N Dabei habe wir durch ud durch ersetzt. Da Z Z eie messbare Fuktio ist, sid alle Mege der Form { ω Ω : Z (ω) Z(ω) } m 5
6 messbare Ereigisse. Da die messbare Ereigisse eie σ-algebra bilde, sid auch beliebige abzählbare Schitte ud Vereiiguge dieser Mege messbar, also auch A. Es folgt, dass A F. Satz Seie Z, Z 2,... ud Z Zufallsvariable mit Z Beweis. Es gelte, dass Z Z. Da hat das Ereigisses A = {ω Ω : lim Z (ω) = Z(ω)} Wahrscheilichkeit P[A] =. Sei ε > 0. Wir defiiere Ereigisse A k = {ω Ω : k : Z (ω) Z(ω) ε}, k N. Es gilt A k N A k. Aus = P[A] P[ k N A k ] folgt, dass P[ k N A k ] =. Z. Da gilt: Z P Z. N Außerdem gilt A A 2 A Mit der Stetigkeit des Wahrscheilichkeitsmaßes folgt Es ist u lim P[A k] = P[ k N A k ] =. k lim P[ Z k Z ε] = lim P[{ω Ω : Z k (ω) Z(ω) ε}] lim P[A k ] =. k k k Also ist lim k P[ Z k Z > ε] = 0. Daraus folgt Z P N Z. P Beispiel Aus Z Z folgt icht Z Z. Das zeige wir a eiem Beispiel. N Die Zufallsvariable Z, Z 2,... seie uabhägig mit Dabei sei α (0, ] ei Parameter. P[Z = ] = α, P[Z = 0] = α. P () Es gilt Z 0, de für alle ε > 0 gilt N P[ Z > ε] P[Z = ] = α (2) Allerdigs gilt icht Z 0. Es ist = vo Borel Catelli (Teil 2) folgt α 0. P[Z = für uedlich viele ] =. Daraus folgt P[lim Z 0] = ud deshalb gilt icht Z 6 = (da α ). Mit dem Lemma 0.
7 0.6. Starkes Gesetz der große Zahle: Erste Versio Satz 0.6. (Starkes Gesetz der große Zahle: Erste Versio). Seie X, X 2,... uabhägige Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, P) mit E[X] 2 < für alle N. Außerdem sei Var X <. 2 = Für die Summe S = X X gilt da = S ES 0. Bemerkug Spezialfall: Seie X, X 2,... uabhägige Zufallsvariable mit EX = µ ud Var X = σ 2. Da gilt: Var X = σ 2 2 <. 2 Satz 0.6. besagt u, dass S µ = 0 ud daraus folgt, dass S µ. Die fast sichere Kovergez impliziert die stochastische Kovergez (ist also stärker), daher die Bezeichug starkes Gesetz der große Zahle. Im Folgede werde wir Satz 0.6. beweise. Dafür beötige wir eiige Hilfsmittel. Satz (Kolmogorow-Ugleichug). Seie X, X 2,..., X uabhägige Zufallsvariable mit Erwartugswert EX i = 0 ud X i L 2 für i =,...,. Sei S i = X +...+X i die Summe der erste i Zufallsvariable. Da gilt für alle a > 0 die Ugleichug P[max{ S, S 2,..., S } a] Var S a 2. Bemerkug Die Tschebyschew-Ugleichug ist schwächer. Mit der ka ma lediglich eie der Summe abschätze, z.b. P[ S a] Var S. a 2 Beweis vo Satz Schritt. Wir defiiere das Ereigis: { } A := max S k a k=,..., ud, für k =,...,, die Ereigisse A k := { S < a, S 2 < a,..., S k < a, S k a} = Erster Austritt aus dem Itervall ( a, a) fidet zum Zeitpukt k statt. Es gilt A = k= A k. (Ereigis A tritt geau da ei, we es ei k gibt, sodass der erste Austritt aus dem Itervall ( a, a) zum Zeitpukt k stattfidet). Außerdem sid A,..., A 7
8 disjukt. (We der erste Austritt zum Zeitpukt k stattfidet, ka er icht zu eiem adere Zeitpukt stattfide). Also ist P[A] = P[A k ]. k= Schritt 2. Die Variaz vo S ist: Var S = E[S] 2 (ES ) 2 = E[S], 2 de ES = E[X X ] = EX +... EX = 0. Wir betrachte also E[S]: 2 [ ] E[S] 2 E[S 2 A ] = E S 2 Ak = E[S 2 Ak ]. k= Für die Summade auf der rechte Seite gilt E[S 2 Ak ] = E[(S k + S S k ) 2 Ak ] = E[S 2 k Ak ] + 2 E[S k (S S k ) Ak ] + E[(S S k ) 2 Ak ] = () + (2) + (3). Schritt 3. Die drei Terme auf der rechte Seite ka ma folgedermaße abschätze. Der erste Term: () = E[S 2 k Ak ] E[a 2 Ak ] = a 2 P[A k ], de we A k eitritt, ist Ak = ud S k a. Der zweite Term: (2) = 2 E[S k Ak (S S k )] = 2 E[S k Ak ] E[S S k ] = 0. Die Umformug gilt, da die Zufallsvariable S k Ak ur vo X,..., X k ud die Zufallsvariable (S S k ) ur vo X k+,..., X abhägt, also sid diese zwei Zufallsvariable uabhägig. Außerdem gilt E[S S k ] = 0, da ES = ES k = 0. Schließlich ist der dritte Term trivialerweise ichtegativ: Schritt 4. Somit erhalte wir (3) 0. k= E[S 2 Ak ] = () + (2) + (3) a 2 P[A k ]. Betrachte wir u wieder die Variaz vo S : Var S = E[S] 2 E[S 2 Ak ] Damit folgt: P[A] k= a 2 P[A k ]. Var S a 2. Beweis vo Satz Schritt. O.B.d.A. köe wir aehme, dass EX = 0 für alle N. Sost betrachte ma die zetrierte Zufallsvariable k= X = X EX, S = X X. 8
9 Es gilt da E X = 0 ud = Var X 2 = = Var X 2 <, de Var X = Var[X EX ] = Var X, da EX eie Kostate ist. Außerdem ist S E S = S = S ES. Somit gilt Satz 0.6. für die Zufallsvariable X geau da, we er für die Zufallsvariable X gilt. Schritt 2. Sei also ES = 0 für alle N. Wir zeige, dass Dazu defiiere wir die Zufallsvariable S k k k 0. U := max S k, N. k=,...,2 Nu gibt es für alle k N geau ei N mit 2 k < 2. Daraus folgt, dass S k k U k U U = 2 2 2, also reicht es zu zeige, dass U 2 0. Schritt 3. Sei ε > 0 fest. Betrachte das Ereigis A (ε) = { U 2 > ε }. Wir zeige u, dass dieses Ereigis mit Wahrscheilichkeit ur edlich oft eitritt, also P[ A (ε) tritt für uedlich viele N ei ] = P[lim sup A (ε)] = 0. Dafür beutze wir de erste Teil des Lemmas vo Borel Catelli. Mit der Kolmogorov- Ugleichug erhalte wir P[A (ε)] = = P[U > 2 ε] = = = [ ] P max S k > 2 ε k=,...,2 9 = Var S ε 2.
10 Wir defiiere och σk 2 = Var X k. Somit gilt P[A (ε)] ε σ 2 + σ σ2 2 (gilt, da X 2 2 2, X 2,... uabhägig) = = ε 2 = σk 2 k= k= :2 k ε σ 2 k 2 k 2 k= = 4 3 σk 2 ε 2 k m= 4 m <. (gilt ach Voraussetzug) Mit dem Lemma vo Borel Catelli folgt, dass P[lim sup A (ε)] = 0. Schritt 4. Setzt ma u ε = mit m N, so gilt für alle m N: m [ U P lim sup 2 > ] = 0. m Da eie Vereiigug vo abzählbar viele Nullereigisses wieder ei Nullereigis ist, gilt somit auch [ ] U P lim sup 2 > 0 = 0. Daraus folgt: [ ] U P lim 2 = 0 = ud somit U Starkes Gesetz der Große Zahle: Zweite Versio I der erste Versio des starke Gesetzes der große Zahle habe wir vorausgesetzt, dass die Variaze der Zufallsvariable edlich sei solle. I der Behauptug des Satzes, ämlich S ES 0 taucht die Variaz allerdigs icht auf. Ma ka sich deshalb frage, ob die Voraussetzug der Edlichkeit der Variaz icht überflüssig ist. Das ist i der Tat der Fall, wie der ächste Satz zeigt. Satz 0.7. (Starkes Gesetz der große Zahle: Zweite Versio). Seie X, X 2,... uabhägige ud idetisch verteilte Zufallsvariable auf eiem Wahrscheilichkeitsraum (Ω, F, P). Die Zufallsvariable seie außerdem itegrierbar, d.h. E X <. Da gilt: X X 0 E[X ]
11 Das heißt, das arithmetische Mittel der Zufallsvariable kovergiert fast sicher gege de Erwartugswert. Bemerkug Die Zufallsvariable X, X 2,... heiße idetisch verteilt, we ihre Verteilugsfuktioe gleich sid, d.h. F X (t) = F X2 (t) =... für alle t R. Idetisch verteilte Zufallsvariable habe de gleiche Erwartugswert: E[X ] = E[X 2 ] =.... Für de Beweis vo Satz 0.7. beötige wir mehrere Lemmata. Lemma Seie X, Y, X, Y : Ω R Zufallsvariable mit X Da gilt: X + Y X Y a X X + Y, X Y, a X, a R. X ud Y Y. Beweis. Wir beweise ur die erste Aussage. Dazu defiiere wir zwei Ereigisse: A := {ω Ω : lim X (ω) = X(ω)}, B := {ω Ω : lim Y (ω) = Y (ω)}. Es gilt mit der Defiitio der fast sichere Kovergez: Daraus folgt: X X P[A] = ud Y Y P[B] =. P[A c ] = 0 ud P[B c ] = 0. Für Ausgäge aus dem Schitt vo A ud B, also ω A B, gilt: lim (X (ω) + Y (ω)) = X(ω) + Y (ω). Für die Wahrscheilichkeit des Ereigisses A B gilt: P[A B] = P[(A B) c ] = P[A c B c ] P[A c ] P[B c ] =, wobei wir im zweite Schritt die Regel vo de Morga ud im dritte Schritt die Subadditivität beutzt habe. Das Ereigis A B tritt also fast sicher ei. Damit gilt: X + Y Die adere Aussage werde aalog bewiese. X + Y. Lemma Sei Z 0 eie Zufallsvariable. Da gilt: P[Z ] EZ P[Z ]. = =0
12 Beweis. Wir beweise ur die Ugleichug = P[Z ] EZ. Die adere Ugleichug ka ma aalog beweise. Sei p = P[ Z < + ]. Es gilt [ ] [ ] EZ = E Z Z<+ E Z<+ = p = p. =0 =0 Es gilt außerdem P[Z ] = p + p 2 + p 3 + p , P[Z 2] = p 2 + p 3 + p , P[Z 3] = p 3 + p , P[Z 4] = p , Addiert ma diese Ugleichuge, so erhält ma = P[Z ] = = p. Kombiiert ma beide Resultate, so erhält ma die gewüschte Ugleichug. =0 = Lemma Für alle k 2 gilt: =k 2. 2 k Beweis. =k 2 k dx = 2. x 2 k k Lemma (Cesaro). Sei x, x 2,... eie Folge i reeller Zahle mit eiem edliche Grezwert lim x = x. Da gilt: x x lim = x. Beweis. Schritt 0. Wir köe o.b.d.a. aehme, dass x = 0. Sost ka ma x := x x betrachte. Schritt. Sei ε > 0. Aus lim x = 0 folgt, dass es ei K N gibt, so dass für alle k K gilt: x k < ε 2. Nachdem K gewählt wurde, köe wir ei N N fide, so dass für alle N gilt: x x K < ε 2. Das liegt dara, dass der Zähler kostat ist, währed der Neer beliebig groß gewählt werde ka. Schritt 2. Sei u max{k, N}. Da gilt: x x x x K + ε 2 + ε 2 ε 2 + ε 2 = ε. 2 k=k+ k=k+ x k
13 Da ε > 0 beliebig ist, folgt daraus, dass lim x +...+x = 0. Schließlich köe wir das starke Gesetz der große Zahle (zweite Versio) beweise. Beweis vo Satz Seie X, X 2,... : Ω R uabhägige, idetisch verteilte Zufallsvariable mit E X <. Wir zeige, dass da gilt: Schritt. Defiiere da ist X + X = X. Außerdem sei Es gilt: () X, X 2,... sid uabhägig, (2) X, X 2,... sid uabhägig. S := X X E[X ]. X := X X < ud X := X X, S := X X ud S := X X. Schritt 2. User Ziel ist es, zu zeige, dass, dass Es gilt: S EX 0. S EX = S ES = S ES + S ES =: a + b c wobei a, b, c Zufallsvariable sid. Nach Lemma reicht es zu zeige, dass Schritt 3. Wir zeige, dass a = S ES Var X 2 a, b, c 0. 0, idem wir Satz 0.6. beutze. E[X 2 ] 2 = 2 E[X2 X <] = 2 E[X2 X <] (gilt, da X idetisch verteilt) = [ ] E X 2 2 Ak, k= 3
14 wobei A k = {k X < k}. Nu vertausche wir die beide Summe: Var X 2 E[X 2 2 Ak ] k= = E[X 2 Ak ] 2 k k 2 k E[X2 Ak ], k wobei wir Lemma beutzt habe: k Var X 2 [ ] X E 2 k X Ak k 2 E[ X Ak ] k [ ] = 2 E X Ak k = 2 E X Mit Satz 0.6. folgt u a 2 < (gilt ach Voraussetzug) 0. Schritt 4. Wir zeige, dass b = S Borel Catelli beutze. Es gilt: P[X 0] = P[ X ] 2. Es folgt, dass k (wobei X k, falls A k eitritt) (gilt mit mootoer Kovergez) 0, idem wir de erste Teil des Lemmas vo = P[ X ] (gilt, da X idetisch verteilt) E X (gilt mit Lemma 0.7.4) <. Mit dem Lemma vo Borel Catelli folgt u: [ ] P lim sup{x 0} = P[X 0 für uedlich viele ] = 0. Daraus folgt: P[X 0 für edlich viele ] = P[A] =. Für ω A gilt da, dass X (ω) 0 für edlich viele Werte vo. Also ist S (ω) kostat ab irgedeiem ud damit gilt: lim S (ω) 4 = 0.
15 Da P[A] =, folgt b 0. Schritt 5. Es bleibt och zu zeige, dass c = ES EX = E[X X ] = E[X X ] 0. Es gilt: Nu gilt für alle ω Ω: mooto X (ω) X (ω) 0. Mit dem Satz vo der mootoe Kovergez erhält ma: Es folgt: Also gilt: E[ X X ] 0. EX = E[X X ] E[ X X ] 0 Mit Lemma folgt da: c = EX EX EX 0. 0 (da X i idetisch verteilt). (ud sogar sicher). (da EZ E Z ). Schritt 6. Fügt ma die Ergebisse für a, b, c zusamme, so erhält ma: S EX = a + b + c 0. Das ist die gewüschte Kovergez Der Fall eies uedliche Erwartugswerts I alle Versioe des Gesetzes der große Zahle habe wir vorausgesetzt, dass der Erwartugswert existiert. Der ächste Satz zeigt, was passiert, we der Erwartugswert icht existiert. I diesem Fall gilt das Gesetz der große Zahle ämlich icht. Satz Seie X, X 2,... uabhägige, idetisch verteilte Zufallsvariable mit E X = + auf eiem Wahrscheilichkeitsraum (Ω, F, P). Da gilt: [ ] X X P lim exitiert ud ist edlich = 0. Beweis. Schritt. Wir defiiere das Ereigis { S (ω) A := ω Ω : L(ω) := lim } existiert ud ist edlich, wobei wieder S = X X. Dieses Ereigis ist messbar (Übug). Für ω A gilt u: X (ω) = S (ω) S (ω) = S (ω) 5 S (ω) 0,
16 de S (ω) L(ω), Nu betrachte wir das Ereigis B := S (ω) { ω Ω : lim X (ω) L(ω), } = 0.. Wir habe gezeigt: falls ω A, da ist auch ω B. Daraus folgt A B. Schritt 2. Als ächstes defiiere wir eie Folge vo Ereigisse: Daraus erhalte wir: C := {ω Ω : X }. C = (lim sup C ) c = {ω Ω : X (ω) für edlich viele }. Falls ω B, da ist auch ω C. Daraus folgt A B C. Schritt 3. Wir wolle zeige, dass P[A] = 0. Dafür reicht es u zu zeige, dass P[C] = 0 bzw. P[lim sup C ] =. Wir beutze dazu de zweite Teil des Lemmas vo Borel Catelli: P[ X ] P[C ] = = P[ X ] (gilt, da X i idetisch verteilt) E X (gilt mit Lemma 0.7.4, da X 0) =. Da die Ereigisse C uabhägig sid, folgt mit dem zweite Teil des Lemma vo Borel Catelli, dass P[lim sup C ] =. Daraus folgt da P[C] = 0. Da A C, folgt auch P[A] = 0. Beispiel Seie X, X 2,... uabhägige, Cauchy-verteilte Zufallsvariable mit Dichte f Xk (t) =, t R. Da gilt für de Erwartugswert: E X π +t 2 k =. Mit Satz 0.8. folgt u, dass [ ] S P lim existiert ud ist edlich = 0. Das starke Gesetz der große Zahle gilt also für Cauchy-verteilte Zufallsvariable icht Aweduge des Gesetzes der große Zahle Die ächste 3 Beispiele sid Spezialfälle der sogeate Mote-Carlo-Methode. Berechug vo π. Ma ka die Zahl π mit stochastische Mittel bereche. Diese Methode ist jedoch sehr zeitaufwedig bzw. ugeau. Ma erzeuge Pukte bzw. Zufallsvektore Z, Z 2,..., Z, die uabhägig ud gleichverteilt auf dem Quadrat [, ] 2 sid. 6
17 Nu betrachtet ma alle Pukte, die im Eiheitskreis liege, dere Bertag also kleier ist. Die Azahl dieser Pukte ist S := Zk. k= Für de Erwartugswert der Idikatorfuktio gilt E Z = P[ Z ] = λ(kreis) λ(quadrat) = π 4. Also dürfe wir das starke Gesetz der große Zahle beutze: π Zk 4. k= Um die Zahl π zu bereche, zähle wir also die Pukte, die im Kreis liege ud teile diese Azahl durch die Azahl aller Pukte. Bei sehr großem sollte das Verhältis die Zahl π/4 approximiere. De Fehler dieser Approximatio bestimme wir später mit dem zetrale Grezwertsatz. Mote-Carlo-Itegratio. Ma betrachte eie itegrierbare Fuktio ϕ : [0, ] d R. Das Itegral der Fuktio bezeiche wir mit I := [0,] d ϕ(x)dx = k =0 0 k d = ϕ(x,..., x d )dx... dx d. Für kleies d, etwa d = oder 2, ka ma zur Berechug des Itegrals z.b. die folgede Formel beutze: I ( k... ϕ,..., k ) d für großes. We allerdigs die Dimesio d groß ist, so besteht die Summe auf der rechte Seite aus d Summade, was sehr viel sei ka. Ma deke z.b. a de Fall d = 00, wo selbst für = 2 die Azahl der Summade 2 00 > 0 30 ist. I diesem Fall wird die obe beschriebee Methode ieffiziet ud ma ka stattdesse die sogeate Mote Carlo Methode beutze. Ma erzeuge zufällige Pukte bzw. Zufallsvektore Z, Z 2,..., Z, die uabhägig ud gleichverteilt auf dem Quader [0, ] d sid. Da die Fuktio ϕ itegrierbar ist, gilt E[ϕ(Z )] = ϕ(x) f Z (x)dx = ϕ(x)dx = I. R d [0,] d Also köe wir das starke Gesetz der große Zahle beutze: ϕ(z k ) I. k= 7
18 Ma ka also das Itegral I durch das arithmetische Mittel k= ϕ(z k) approximiere. Später werde wir mithilfe des zetrale Grezwertsatzes de Fehler dieser Approximatio bestimme. Empirische Defiitio der Wahrscheilichkeit. Bei eiem Experimet mit Grudmege Ω möchte ma die Wahrscheilichkeit eies Ereigisses A Ω bestimme. Dazu wiederholt ma das Experimet -mal ud erhält die Ausgäge ω,..., ω Ω. Die Azahl der Augäge, die i A liege, sei N (A) = ωk A. k= Wir köe auf die Idikatorfuktioe ωk A das starke Gesetz der große Zahle awede: N (A) = ωk A E ω A = P[A]. k= I Worte: Die relative Häufigkeit eies Ereigisses kovergiert fast sicher gege seie Wahrscheilichkeit, we die Azahl der Experimete gege geht. Beispiel 0.9. (Befragug). Wir betrachte eie Populatio vo N Persoe, die eie Frage mit ja oder ei beatworte. Die Zahl N sei bekat. Es sei N 0 (bzw. N ) die Azahl der Persoe, die die Frage mit ei (bzw. mit ja ) beatworte. Dabei sid N 0 ud N ubekat. Es gilt N 0 + N = N. Wir ka ma N 0 ud N bestimme, ohe die gaze Populatio zu befrage? Es werde zufällig Persoe aus der Populatio mit Zurücklege ausgewählt ud befragt, wobei groß aber viel kleier als N ist. Es sei A k das Ereigis die k-te Perso sagt ja. Nach dem starke Gesetz der große Zahle gilt k= Damit ka N geschätzt werde. Ak E A = P[A ] = N N. Approximatiossatz vo Weierstraß. Als ächstes werde wir eie Satz aus der Aalysis mit Mittel aus der Wahrscheilichkeitstheorie beweise. Satz (Weierstraß). Sei f : [0, ] R eie stetige Fuktio. Da ka ma zu jedem gegebee ε > 0 ei Polyom P mit max f(x) P (x) ε x [0,] kostruiere. Das heißt, jede stetige Fuktio auf eiem Itervall ka beliebig geau durch Polyome approximiert werde. Beweis. Schritt. Seie X, X 2,... uabhägige Zufallsvariable mit X i Ber(p), d.h. P[X i = ] = p, P[X i = 0] = p, p [0, ]. Da ist S := X X Bi(, p), also P[S = k] = ( k) p k ( p) k. Isbesodere gilt für de Erwartugswert ud die Variaz ES = EX = p, 8 Var S = p( p).
19 Wir defiiere eie Fuktioefolge: [ ( )] S ( ) k f (p) := E f = f P[S = k] = k=0 f k=0 ( k ) ( ) p k ( p) k. k Somit ist jedes f ei Polyom vom Grad i p. Es wird Berstei-Polyom geat. Schritt 2. Die Idee des Beweises ist u: für besagt das Gesetz der große Zahle, dass S p ud damit auch f ( S ) f(p). Wedet ma de Erwartugswert auf die beide Fuktioswerte a, so erhält ma f (p) f(p). Somit approximiert das Polyom f die Fuktio f, jedefalls we groß ist. Nu präzisiere wir diese Idee. Schritt 3. Da f stetig ist, folgt: () f ist beschräkt, d.h. es existiert M > 0 mit f(x) < M für alle x [0, ]. (2) f ist sogar gleichmäßig stetig, d.h. für jedes ε > 0 existiert ei δ > 0 so dass für alle x, y [0, ] mit x y δ gilt, dass f(x) f(y) < ε. Schritt 4. Sei ε > 0 fest vorgegebe. Dazu kostruiere wir ei δ > 0 wie i Schritt 3. Es gilt ( ) ( ) f (p) f(p) = [f E S f(p)] E f S ] f(p) [ε E + 2M S p >δ, wobei wir die Falluterscheidug S S p δ bzw. p > δ gemacht habe. Im erste Fall habe wir die gleichmäßige Stetigkeit vo f beutzt, im zweite Fall die Beschräktheit vo f. Es gilt also [ ] S S f (p) f(p) ε + 2M P p > δ Var ε + 2M, δ 2 wobei wir die Tschebyschew-Ugleichug beutzt habe. Mit der Formel Var S = p( p) erhalte wir u für hireiched großes p( p) f (p) f(p) ε + 2M ε + 2M 2 δ 2 δ 2ε. 2 Dabei folgt die letzte Ugleichug aus der Tatsache, dass 2M für gege 0 δ 2 kovergiert, also < ε für hireiched großes ist. Wir habe ei approximieredes Polyom mit eiem Approximatiosfehler vo 2ε kostruiert. Da jedoch ε beliebig war, ist der Satz damit bewiese. Normale Zahle. Sei ω (0, ) eie reelle Zahl mit der Dezimaldarstellug ω = 0.x x 2 x Dabei ist x k {0,..., 9} die k-te Ziffer vo ω. Defiitio Eie Zahl ω (0, ) heißt ormal, we für jedes l N ud für jede Zifferfolge (a,..., a l ) {0,..., 9} l der Läge l gilt: lim Xi+ =a,...,x i+l =a l = 0 l. i=0 9
20 I Worte: Jede Zifferfolge der Läge l kommt i der Dezimaldarstellug vo ω mit Häufigkeit 0 l vor, ud das gilt für jedes l. Defiitio Eie Zahl ω (0, ) heißt eifach ormal, we die obige Bedigug für l = erfüllt ist, d.h., we i der Dezimaldarstellug vo ω jede Ziffer mit eier Häufigkeit vo /0 vorkommt. Beispiel Die Zahl = 0, ist icht ormal. Allgemei sid ratioale Zahle 3 icht ormal, da sie eie periodische Dezimalbruchetwicklug besitze. Beispiel Ubewiesee Vermutug: Die Zahle sid ormal. π = , e = , log 2 = Beispiel Ubewiesee Vermutug: Jede algebraische Zahl ist ormal, sofer sie icht ratioal ist. Zum Beispiel ist die Zahl 2 = ormal. Beispiel Die Champerowe-Zahl etsteht durch die Aeiaderreihug aller atürliche Zahle i ihrer Dezimaldarstellug: Ma ka zeige, dass diese Zahl ormal ist Satz (Borel, 909). Sei A [0, ] die Mege der ormale Zahle. Da ist das Lebesgue-Maß vo A gleich. D.h., fast jede Zahl ist ormal. Beweis. Schritt. Wir betrachte de Wahrscheilichkeitsraum (Ω, F, P), wobei Ω = (0, ), F die σ-algebra der Borel-Teilmege vo (0, ) ud P das Lebesgue-Maß ist. Für alle k N sei X k (ω) = ω k die k-te Ziffer vo ω (0, ). Da ist X k eie Zufallsvariable auf Ω. Wir zeige u, dass die Zufallsvariable X, X 2,... uabhägig ud gleichverteilt auf {0,..., 9} sid. Betrachte für ei beliebiges m N ud eie Zifferfolge (b,..., b m ) {0,..., 9} m die Mege {ω (0, ) : X (ω) = b,..., X m (ω) = b m }. Diese Mege ist ei Itervall mit Edpukte 0.b b 2... b m ud 0.b b 2... b m Die Läge des Itervalls ist somit 0 m. Es gilt somit P[X = b,..., X m = b m ] = 0 m. Sei u i {,..., m} fest ud betrachte die Mege {ω (0, ) : X i (ω) = b i }. 20
21 Das ist die Mege aller ω, die i der Dezimaldarstellug a der i-te Stelle die Ziffer b i habe. Für die erste i Stelle gibt es 0 i Möglichkeite, die Ziffer zu wähle. Diese Mege ist somit eie Vereiigug vo 0 i Itervalle der Läge 0 i. Somit ergibt sich für die Wahrscheilichkeit dieser Mege: P[X i = b i ] = 0 i 0 i = 0. Daraus folgt, dass die Zufallsvariable X i gleichverteilt auf {0,..., 9} ist. Außerdem gilt für alle m N ud alle (b,..., b m ) {0,..., 9} m P[X = b,..., X m = b m ] = 0 m = P[X = b ]... P[X m = b m ]. Daraus folgt, dass die Zufallsvariable X, X 2,... uabhägig sid. Schritt 2. Die Idee ist u, das starke Gesetz der große Zahle folgedermaße zu beutze. Es gilt z.b. für jede Ziffer a {0,,..., 9}: Xk =a E[ X =a] = P[X = a] = 0. k= Das zeigt scho mal, dass fast jede Zahl eifach ormal ist. Wir werde u diese Argumetatio auf Zifferfolge beliebiger Läge l ausweite. Schritt 3. Wir betrachte eie Zifferfolge (a,..., a l ) {0,..., 9} l der Läge l. Wir defiiere die Zufallsvariable ud, allgemeier, Z (0) i := Xi l+ =a,..., X i l+l =a l, i = 0,, 2,..., Z (j) i := Xi l+j+ =a,..., X i l+j+l =a l, i = 0,, 2,..., j = 0,..., l. Diese Zufallsvariable sid folgedermaße zu verstehe: Ma uterteile alle Ziffer eier Zahl ω i Pakete der Läge l, wobei das erste Paket a der Stelle j + startet, ud betrachte das i-te Paket. Etspricht dieses der Zifferfolge (a,..., a l ), so ist Z (j) i =. Sost ist Z (j) i = 0. Für alle j {0,..., l } sid die Zufallsvariable Z (j) 0, Z (j), Z (j) 2,... uabhägig ud idetisch verteilt. Mit dem starke Gesetz der große Zahle erhalte wir folgedes: Es gibt eie Mege B(l, j, a,..., a l ) (0, ) mit Lebesgue-Maß 0, so dass für alle ω / B(l, j, a,..., a l ) gilt: lim i=0 Z (j) i (ω) = EZ (j) 0 = 0 l. Die Häufigkeit der Zifferfolge (a,..., a l ) ist also 0 l, allerdigs werde dabei ur Pakete berücksichtigt, die a de Stelle j +, j + + l, j + + 2l,... afage. Da dies aber für jedes j {0,..., l } gilt, erhalte wir, dass für alle ω / l j=0 B(l, j, a,..., a l ) lim Xk+ =a,..., X k+l =a l (ω) = 0 l. k=0 2
22 Nu defiiere wir die Ausahmemege B := l N l j=0 a,...,a l {0,...,9} B(l, j, a,..., a l ) (0, ). Jede Zahl ω, die icht i B liegt, ist ormal. Da B eie abzählbare Vereiigug vo Nullmege ist, ist das Lebesgue-Maß vo B gleich 0. Das Komplemet vo B hat also Lebesgue-Maß, ud alle Zahle dari sid ormal. Somit ist das Lebesgue-Maß der Mege der ormale Zahle gleich. Ereuerugssatz. Ma betrachte ei Gerät (etwa eie Glühbire), desse Lebesdauer eie Zufallsvariable X > 0 ist. Sobald das Gerät kaputt geht, wird es durch ei eues Gerät ersetzt, desse Lebesdauer eie Zufallsvariable X 2 > 0 ist. Sobald das zweite Gerät kaputt geht, wird es durch ei drittes Gerät ersetzt, usw. Wir ehme a, dass X, X 2,... (die Lebesdauer der Geräte) uabhägige Zufallsvariable sid, da ei Gerät ichts vo der Lebesdauer eies adere wisse ka. Außerdem ehme wir a, dass X, X 2,... idetisch verteilt sid, etwa weil die Geräte vom gleiche Hersteller sid bzw. die gleiche Qualität habe. Seie also X, X 2,... : Ω R uabhägige ud idetisch verteilte Zufallsvariable mit positive Werte, d.h. P[X k > 0] =. Die Zufallsvariable S = X X heißt die -te Ereuerugszeit. Zum Zeitpukt S geht das -te Gerät kaputt ud wird durch das + -te Gerät ersetzt. Es gilt 0 < S < S 2 <.... Mit N(T ) = S<T, T > 0, bezeiche wir die Azahl der Ereueruge im Zeititervall (0, T ). Satz (Ereuerugssatz). Es gilt: = N(T ) T T EX. Wir werde de Satz icht beweise. Die Aussage ist allerdigs sehr ituitiv: die Lebesdauer eies Geräts ist im Durchschitt gleich EX, also verbraucht ma im Zeititervall (0, T ) ugefähr T/EX Geräte, jedefalls da, we T groß ist. Es gilt also die Approximatio N(T ) T EX. 22
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,...,
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
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
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
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
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
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,
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
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
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
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
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},
Mehr4.1 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
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
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
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
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,
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
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
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,
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
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
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
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
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:
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
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
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
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
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
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.
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
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
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
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
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
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
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
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
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
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
MehrLGÖ Ks VMa 12 Schuljahr 2017/2018
LGÖ Ks VMa Schuljahr 7/8 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Experte 8 Polyomgleichuge ud -ugleichuge
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
MehrAnhang A: Die Gamma-Funktion
O. Forster: Zetafuktio ud Riemasche Vermutug Ahag A: Die Gamma-Fuktio A.. Defiitio. Die Gamma-Fuktio ist für eie komplee Variable z mit Rez > durch das Euler-Itegral Γz := t z e t defiiert. Da mit := Rez
MehrDer Durchschnitt einer Familie von σ-algebren auf M ist ebenfalls eine σ-algebra auf M. Ist also E M, so ist
Maßtheorie (Versio 0.3) 1. σ-algebra Ist M eie Mege, so et ma ei System vo Teilmege A M eie σ-algebra (auf M ), we gilt: A A A A c A Ist A N eie Familie vo Mege i A, so ist N A A A ist damit stabil uter
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
Mehrn=0 f(x) = log(1 + x) = n=1
Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,
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
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
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.
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
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
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
MehrGrenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen
. Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.
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
MehrÜbungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
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
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.
MehrZusammenfassung: Gleichungen und Ungleichungen
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Eperte 8 Polyomgleichuge ud -ugleichuge
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
MehrLösungsvorschlag zur Klausur zur Analysis III
Prof. Dr. H. Garcke, D. Deper WS 9/ NWF I - Mathematik 8..9 Uiversität Regesburg Lösugsvorschlag zur Klausur zur Aalysis III 6 Pukte pro Aufgabe) Aufgabe i) Bestimme Sie für die Fuktioefolge f :, 4) R,
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Domiik Faas Stochastik Witersemester 00/0 Klausur vom 7.0.0 Aufgabe 3+.5+.5=6 Pukte Bei eier Umfrage wurde 60 Hotelbesucher ach ihrer Zufriedeheit
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
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
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:
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
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
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
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
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
MehrDiskrete Zufallsvariablen
Erste Beispiele diskreter Verteiluge Diskrete Zufallsvariable Beroulli-Verteilug Eie diskrete Zufallsvariable heißt beroulliverteilt mit arameter p, falls sie die Wahrscheilichkeitsfuktio p,, f ( ) ( )
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheilichkeitstheorie ud Statistik Fraz Hofbauer Diese Vorlesug brigt eie elemetare Eiführug i die Wahrscheilichkeitstheorie ohe Verwedug der Maßtheorie. Sie besteht aus drei Teile. Im erste Teil wird
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
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
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
MehrEin Steilkurs über Martingale in diskreter Zeit
Ei Steilkurs über Martigale i diskreter Zeit Matthias Birker WS 211/212 Dieser Text ist eie Eiladug, sich (i sehr kapper Form) mit der Theorie der (zeitdiskrete) Martigale zu beschäftige. Eie wesetlich
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
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:
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,
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
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
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
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
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)
MehrZufallsvariable. Die Wahrscheinlichkeitsverteilung p (probability function) ist definiert durch: p(x i ) := P (X = x i ),
ETHZ 90-683 Dr. M. Müller Statistische Methode WS 00/0 Zufallsvariable Zusammehag: Wirklichkeit Modell Wirklichkeit Stichprobe Date diskret stetig rel. Häufigkeit Häufigkeitstabelle Stabdiagramm Histogramm
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
MehrProseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik
Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1
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
Mehr5-1 Elementare Zahlentheorie
5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie
MehrDer zentrale Grenzwertsatz
KAPITEL 13 Der zetrale Grezwertsatz Der zetrale Grezwertsatz besagt, ass eie Summe vo sehr viele uabhägige ietisch verteilte Zufallsvariable mit elicher Variaz approximativ ormalverteilt ist. Dieser Satz
MehrKombinatorik und Polynommultiplikation
Kombiatorik ud Polyommultiplikatio 3 Vorträge für Schüler SS 2004 W Pleske RWTH Aache, Lehrstuhl B für Mathematik 3 Eiige Zählprizipie ud Ausblicke Wir habe bislag gesehe, was die Multiomialkoeffiziete
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
MehrAnalysis II für M, LaG und Ph, WS07/08 Übung 2, Lösungsskizze
Gruppeübug Aalysis II für M, LaG ud Ph, WS7/8 Übug, Lösugsskizze G 4 (Zum warm werde). Begrüde die vo Physiker beliebte Näheruge si(x) x, cos(x) ud ta(x) x für kleie x R. Dies folgt direkt aus der Tayloretwicklug
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
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,
Mehr4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
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
Mehr