Schwache Konvergenz von W-Verteilungen auf der Zahlengeraden
|
|
- Helga Brandt
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache Konvergenz von W-Verteilungen Seien P n W(, B 1 n N un P W(, B 1. Bezeichne F n ie Verteilungsfunktion von P n für jees n N, bezeichne F ie Verteilungsfunktion von P unf C F ie Menge aller Stetigkeitsellen von F. Die Folge P n (n N heißt schwach konvergent gegen P, abkürzene Schreibweise: P n w P, wenn gilt: lim F n(x = F (x x C F. Bemerkung: Eineutigkeit er Limesverteilung Wenn P n w P un auch Pn w Q für eine Folge Pn W(, B 1 (n N un zwei W-Verteilungen P, Q W(, B 1, ann folgt P = Q. Mit Definition 5.1 folgt nämlich F P (x = F Q (x x C FP C FQ. Die Komplemente (C FP c un (C FQ c sin abzählbar, woraus man unschwer schließt: F P = F Q, also P = Q. Beispiel: Dirac-Verteilungen Für ein b i ie Dirac-Verteilung (oer Einpunkt-Verteilung im Punkt b gegeben urch δ b (A = 1 A (b A B 1, un bekanntlich i δ b W(, B 1. Seien nun a n (n N eine Folge in un a. Dann ergibt sich aus Definition 5.1 ie Äquivalenz: lim a w n = a δ an δa. 38
2 Norbert Gaffke: Vorlesung Einführung in ie Wahrscheinlichkeitheorie un Statiik, Wintersemeer 2012/13 Kapitel 5: Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 39 Beispiel: Diskrete Approximation er (0, 1-Verteilung Betrachte P = (0, 1 un P n = 1 n n δ j/n. j=1 Man zeigt leicht: P n w (0, 1. w Bemerkung: P n P i schwächer als punktweise Konvergenz von Pn gegen P Ein anerer zunäch vielleicht näher liegener Konvergenzbegriff für W-Verteilungen auf (, B 1 i ie punktweise Konvergenz im Sinne reeller Funktionen auf B 1,.h. lim P n(a = P (A A B 1. Die Beispiele von oben zeigen aber, ass ie schwache Konvergenz P n w P nicht ie punktweise Konvergenz impliziert. In er Tat i ie punktweise Konvergenz ärker als ie schwache Konvergenz: Wenn lim P n(a = P (A A B 1 w, ann P n P, (nicht aber umgekehrt. w Wenn P n P mit einer etigen Limesverteilung (.h. mit etiger Verteilungsfunktion F, ann i ie (punktweise Konvergenz er Verteilungsfunktionen F n in Definition 5.1 sogar gleichmäßig : Lemma 5.2 (Stetige Limesverteilung Seien P n W(, B 1 n N un P W(, B 1. w Wenn P n P un ie Verteilungsfunktion F von P etig i, ann gilt (mit Fn = Verteilungsfunktion von P n n N : ( lim sup Fn (x F (x = 0. x Lemma 5.3 (Eine schwach konvergente Folge i raff, engl. tight Seien P n W(, B 1 n N un P W(, B 1 w mit P n P. Dann gilt: Zu jeem ε > 0 exiiert ein kompaktes Intervall I, so ass P n (I 1 ε n N. Definition 5.4 (Verteilungskonvergenz von reellen Zufallsvariablen Seien (Ω, C, P ein W-aum, X n (n N eine Folge reeller Zufallsvariablen auf Ω un P W(, B 1. (i Die Folge X n heißt konvergent in Verteilung gegen P, abkürzene Schreibweise: X n P, wenn gilt: P X n w P. (ii Die Folge X n heißt konvergent in Verteilung gegen X, abkürzene Schreibweise: X n X, wenn gilt: P Xn w P X.
3 Norbert Gaffke: Vorlesung Einführung in ie Wahrscheinlichkeitheorie un Statiik, Wintersemeer 2012/13 Kapitel 5: Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 40 Bemerkung Hinsichtlich er Konvergenz in Verteilung in (ii, X n X, sei angemerkt, ass ie Limesvariable X keineswegs eineutig beimmt i (auch nicht P-f.s., sonern nur ihre Verteilung P X i eineutig beimmt. Der Konvergenzbegriff X n X i nur virtuell ein Konvergenzbegriff für Zufallsvariablen, tatsächlich hanelt es sich um einen Konvergenzbegriff (schwache Konvergenz für ie Verteilungen er Zufallsvariablen. Lemma 5.5 (Stochaische Konvergenz impliziert Konvergenz in Verteilung Seien X n (n N eine Folge reeller Zufallsvariablen auf Ω un X eine reelle Zufallsvariable auf Ω. Es gilt: (a Wenn X n X, ann X n X. (b Im Fall, ass X eine Konante i, gilt auch ie Umkehrung in (a,.h. für x 0 gilt ie Äquivalenz: x 0 X n x0 ( P X n w δ x0. X n 5.2 Weitere Beschreibungen er schwachen Konvergenz Für eine messbare Funktion g : un P W(, B 1 sagen wir, g sei P -fa überall etig, wenn P (C g = 1, wobei C g ie Menge aller Stetigkeitsellen von g bezeichnet. Theorem 5.6 (Äquivalente Beingungen für schwache Konvergenz Seien P n W(, B 1 n N un P W(, B 1. Bezeichne ϕ n ie charakteriische Funktion von P n (für jees n N un ϕ ie charakteriische Funktion von P. Die folgenen vier Beingungen (i - (iv sin äquivalent. (i P n w P. (ii (iii (iv lim ϕ n(t = ϕ(t t. lim h P n = h P für jee etige beschränkte Funktion h :. h P n = h P für jee messbare beschränkte un P -fa überall etige lim Funktion h :. Bemerkung: Konvergenz in Verteilung Sei (Ω, C, P ein W-aum. Für eine Folge X n, n N, von reellen Zufallsvariablen auf Ω un P W(, B 1 lassen sich ie äquivalenten Beingungen (i - (iv auch so formulieren (mit Verwenung er Transformationsformel von Theorem 3.10 : (i X n P. (ii (iii lim ϕ X n (t = ϕ P (t t. lim E P(h X n = E P (h für jee etige beschränkte Funktion h :.
4 Norbert Gaffke: Vorlesung Einführung in ie Wahrscheinlichkeitheorie un Statiik, Wintersemeer 2012/13 Kapitel 5: Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 41 (iv lim E P(h X n = E P (h für jee messbare beschränkte un P -fa überall etige Funktion h :. Theorem 5.7 (CMT für schwache Konvergenz bzw. Konvergenz in Verteilung (a Seien P n W(, B 1 n N un P W(, B 1 w mit P n P. Sei g : eine P -fa überall etige Funktion. Dann: (P n g w P g. (b Seien (Ω, C, P ein W-aum un X n n N un X reelle Zufallsvariablen auf Ω mit X n X. Sei g : eine P X w -fa überall etige Funktion. Dann: g X n g X. Lemma 5.8 Seien (Ω, C, P ein W-aum, X n, n N, un Y n, n N, zwei Folgen reeller Zufallsvariablen auf Ω un P W(, B 1. Es gilt: (a Wenn X n P un Yn 0, ann X n + Y n P un Xn Y n 0. (b Wenn X n P un Yn 1, ann X n Y n P. 5.3 Zentraler Grenzwertsatz Sei (Ω, C, P ein W-aum, un sei X i L 2 (P, i N, eine Folge von ochaisch unabhängigen un ientisch verteilten (u.i.v. reellen Zufallsvariablen auf Ω. Bezeichne β := E(X i un σ := Var(X i, un es sei σ > 0. Unser Interesse i auf as asymptotische (n Verhalten er Verteilung er Summenvariablen n S n = X i, n N, i=1 gerichtet. Um Verteilungskonvergenz zu erhalten, betrachten wir ie anarisierten Summenvariablen: S n nβ n σ, n N. Offensichtlich haben ie anarisierten Summenvariablen alle en Erwartungswert 0 un Varianz gleich 1.
5 Norbert Gaffke: Vorlesung Einführung in ie Wahrscheinlichkeitheorie un Statiik, Wintersemeer 2012/13 Kapitel 5: Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 42 Lemma 5.9 (Taylor-Approximation zweiter Ornung er charakteriischen Funktion Für ie charakteriische Funktion ϕ = ϕ X1 gilt: oer aners ausgerückt: ϕ(t = 1 + iβt 1 2 (σ2 + β 2 t 2 + o(t 2 für t 0, lim t 0, t 0 1 ( t 2 ϕ(t [ 1 + iβt 1 2 (σ2 + β 2 t 2] = 0. Theorem 5.10 (Zentraler Grenzwertsatz, Stanar-Version Für ie Folge er anarisierten Summenvariablen gilt: S n nβ n σ N(0, 1. Bemerkung: Gleichmäßige Konvergenz er Verteilungsfunktionen Gemäß Definition 5.1 sagt er zentrale Grenzwertsatz: ( lim P Sn nβ n σ z = Φ(z, z, wobei Φ ie Verteilungsfunktion von N(0, 1 bezeichnet. Nach Lemma 5.2 i ie Konvergenz gleichmäßig in z,.h. ( Sn nβ sup P z Φ(z ( 0. n σ z Daraus ergibt sich as folgene Korollar. Korollar 5.11 (Asymptotik er Verteilung er Summenvariablen sup P ( S n z ( z nβ ( Φ 0. n σ z Anmerkung: Für großes n haben wir aher als Approximation für ie Verteilungsfunktion er Summenvariablen: P ( S n z ( z nβ Φ z. n σ Beispiel: Normal-Approximation von Binomial-Verteilungen Betrachten wir en Spezialfall von u.i.v. 0-1-wertigen Zufallsvariablen: X i Bi(1, p i N, u.i.v., mit einem p ( 0, 1. Dann i β = p un σ = p(1 p. Also haben wir (für großes n ie Approximation P ( S n z ( z np Φ. np(1 p
6 Norbert Gaffke: Vorlesung Einführung in ie Wahrscheinlichkeitheorie un Statiik, Wintersemeer 2012/13 Kapitel 5: Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 43 Wegen S n Bi(n, p i ies ie Normal-Approximation er Bi(n, p-verteilung. Da ie Verteilungsfunktion von Bi(n, p auf en Intervallen z [ k, k + 1 jeweils konant gleich P ( S n k i (für jees k = 0, 1,..., n 1, ergibt sich für ie Wahl z = k : ( k P( S n k Φ np np(1 p für k = 0, 1,..., n 1, ( Normalapproximation er Binomialverteilung mit Ganzzahligkeitskorrektur. Im folgenen weiteren Korollar wir bei er Stanarisierung er Summenvariablen S n nicht ie exakte Stanarabweichung σ verwenet, sonern eine konsiente Folge von Schätzern σ n (n N. Korollar 5.12 Sei außerem σ n, n N, eine Folge positiver reeller Zufallsvariablen auf Ω mit σ n S n nβ n σn N(0, 1. σ. Dann gilt:
Schwache Konvergenz von W-Verteilungen
Kapitel 6 Schache Konvergenz von W-Verteilungen 6. Schache Konvergenz bz. Verteilungskonvergenz Bezeichne ieer W(B k ) ie Menge aller W-Verteilungen auf er Borel schen Sigma-Algebra B k in R k soie C b
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
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
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
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
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
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrMathematik III. Vorlesung 87. Die äußere Ableitung
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 87 Die äußere Ableitung In ieser Vorlesung weren wir ein neuartiges mathematisches Objekt kennenlernen, ie sogenannte äußere Ableitung.
MehrKonfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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:
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,
MehrSignifikanztests Optimalitätstheorie
Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs
Mehr15 Differentialrechnung in R n
36 15 Differentialrechnung in R n 15.1 Lineare Abbilungen Eine Abbilung A : R n R m heißt linear falls A(αx + βy) = αa(x) + βa(y) für alle x, y R n un alle α, β R. Man schreibt oft Ax statt A(x) un spricht
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)
Mehr1 5. Endliche Körper Situation: Satz: Beispiel: Z iel: Klassifikation endlicher Körper und ihrer Beziehungen.
1 5. Enliche Körper Z iel: Klassifikation enlicher Körper un ihrer Beziehungen. 1 5. 1. Situation: K sei eine enliche Erweiterung es Körpers F p = Z/ p, p P, [ K: F p ] = n #( K = p n = : q K ist zyklisch
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
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
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrVorlesung 7b. Unabhängigkeit bei Dichten. und die mehrdimensionale Standardnormalverteilung
Vorlesung 7b Unabhängigkeit bei Dichten und die mehrdimensionale Standardnormalverteilung 0. Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4 4
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
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
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
MehrVorlesung 7a. Der Zentrale Grenzwertsatz
Vorlesung 7a Der Zentrale Grenzwertsatz als Erlebnis und Das Schwache Gesetz der Großen Zahlen Wiederholung: Die Normalverteilung Dichtefunktion ϕ der Standardnormalverteilung ϕ(x) 0.0 0.1 0.2 0.3 0.4
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.
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrSchwache Konvergenz. Kapitel 8
Im Hinblick auf die funktionalen Grenzwertsätze wird in diesem Kapitel die Theorie der schwachen Konvergenz endlicher Maße auf separablen metrischen, vorallem polnischen Räumen entwickelt. In dieser Situation
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrStetigkeit vs Gleichmäßige Stetigkeit.
Stetigkeit vs Gleichmäßige Stetigkeit. Beispiel: Betrachte ie Funktion f(x) = 1/x auf em Intervall D = (0, 1]. f ist in jeem Punkt p (0, 1] stetig. Denn: Sei p (0, 1] un ε > 0 gegeben. Setze δ = min (
MehrGesetz der großen Zahlen
Gesetz der großen Zahlen Marie Reichstein Technische Universität Wien 19. Jänner 2012 Übersicht Geschichte Fragestellung schwaches Gesetz der großen Zahlen starkes Gesetz der großen Zahlen Null-Eins-Gesetze
Mehr6 Lineare Kongruenzen
6 Lineare Kongruenzen Sei m > 0 un a, b beliebig. Wir wollen ie Frage untersuchen, unter welchen Beingungen an a, b un m eine Zahl x 0 existiert, so aß ax 0 b mo m. Wenn ein solches x 0 existiert, sagen
MehrTechnisches Lemma aus der Linearen Algebra
echnisches Lemma aus er Linearen Algebra Lemma. Sei t A(t) Mat(n, n) eine glatte, matrixwertige Funktion auf em Intervall ( ε,ε), welche A(t) = I erfülle. Dann gilt: t et(a(t)) t=0 = trace(ȧ(0)). Beispiel.
MehrWahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie Dr. C.J. Luchsinger 5 n (Konvergenz, LLN) 5.1 Konvergenzarten In der WT gibt es viele Konvergenzarten für Folgen von Zufallsgrössen. Sie haben alle ihre Berechtigung. In der
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
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
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
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
Mehr4 Normalapproximation der Binomialverteilung
4 Normalapproximation der Binomialverteilung Es sei daran erinnert, daß eine Zufallsgröße X mit der Verteilung ( ) n P(X = k) = b(k; n, p) = p k q n k (q = 1 p) für k = 0, 1,..., n k binomialverteilt heißt.
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
MehrÜbungsklausur Lineare Algebra I - Wintersemester 2008/09
1 Übungsklausur Lineare Algebra I - Wintersemester 008/09 Teil 1: Multiple Choice (1 Punkte Für ie ganze Klausur bezeichne K einen beliebigen Körper. 1. Welche er folgenen Aussagen sin ann un nur ann erfüllt,
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrGleichmäßige Konvergenz und Funktionenräume
Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen
MehrKarteikarten, Analysis 2, Sätze und Definitionen nach der Vorlesung von PD Hanke
Karteikarten, Analysis 2, Sätze und en nach der Vorlesung von PD Hanke Felix Müller, felix.b.mueller@physik.lmu.de Diese Karteikärtchen sollten alle en und Sätze der Vorlesung Analysis 2 bei Herrn PD Hanke
MehrKorollar 116 (Grenzwertsatz von de Moivre)
Ein wichtiger Spezialfall das Zentralen Grenzwertsatzes besteht darin, dass die auftretenden Zufallsgrößen Bernoulli-verteilt sind. Korollar 116 (Grenzwertsatz von de Moivre) X 1,..., X n seien unabhängige
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
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
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
Mehr3 Trennungs- und Stützeigenschaften, sowie elementare Hilfssätze
U BREHM: Konvegeoetrie 3-1 3 Trennungs- un Stützeigenschaften, sowie eleentare Hilfssätze Zunächst einige Hilfssätze, in enen Begriffe aus er Konveität it topologischen Eigenschaften zusaengebracht weren
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.
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
MehrErwartungswerte. Kapitel 5
Kapitel 5 Erwartungswerte Wir haben bisher Erwartungswerte nur für diskrete und für absolut stetige Zufallsvariable definiert und berechnet. Ziel dieses Abschnitts ist die Erweiterung des Begriffs des
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
MehrFraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß:
Universität Regensburg Sommersemester 013 Daniel Heiß: 9: Metrische äußere Maße II I Das mehrdimensionale Lebesguemaß 1.1 Definition (i) Für reelle Zahlen a b, c d ist ein Rechteck im R die Menge R = a,
MehrStochastik für die Naturwissenschaften
Stochastik für die Naturwissenschaften Dr. C.J. Luchsinger 7. n (Konvergenz, LLN, CLT) n heisst für uns n gross Literatur Kapitel 7 * Statistik in Cartoons: Kapitel 5, Seite 114 in Kapitel 6 * Stahel:
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........................
MehrSerie 2 Lösungsvorschläge
D-Math Mass und Integral FS 214 Prof. Dr. D. A. Salamon Serie 2 Lösungsvorschläge 1. Seien folgende Mengen gegeben: und für a, b R R := [, ] := R {, }, (a, ] := (a, ) { }, [, b) := (, b) { }. Wir nennen
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
MehrFolgen und Reihen von Funktionen
Folgen und Reihen von Funktionen Sehr häufig treten in der Mathematik Folgen bzw. Reihen von Funktionen auf. Ist etwa (f n ) eine Folge von Funktionen, dann können wir uns für ein festes x fragen, ob die
Mehr1 Stochastische Konvergenz 2
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
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
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
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
Mehr30 Metriken und Normen
31 Metriken und Normen 153 30 Metriken und Normen Lernziele: Konzepte: Metriken, Normen, Skalarprodukte, Konvergenz von Folgen Frage: Versuchen Sie, möglichst viele verschiedene Konvergenzbegriffe für
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
Mehr1 Erwartungswert und Kovarianzmatrix von Zufallsvektoren
Erwartungswert und Kovarianzmatrix von Zufallsvektoren Erwartungswert und Kovarianzmatrix von Zufallsvektoren. Definition Ist X X,...,X p ein p-dimensionaler Zufallsvektor mit E X j < für alle j, so heißt
MehrÜbungsrunde 11, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
1 4.36 Übungsrunde 11, Gruppe 2 LVA 17.369, Übungsrunde 1, Gruppe 2, 16.1.27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 16.1.27 1.1 Angabe Die logische Struktur eines Systems bestehend aus drei
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrLösung zu Kapitel 5 und 6
Lösung zu Kapitel 5 und 6 (1) Sei f eine total differenzierbare Funktion. Welche Aussagen sind richtig? f ist partiell differenzierbar f kann stetig partiell differenzierbar sein f ist dann immer stetig
MehrVorlesung Mathematik für Ingenieure I (Wintersemester 2007/08)
1 Vorlesung Mathematik für Ingenieure I (Wintersemester 2007/08) Kapitel 4: Konvergenz und Stetigkeit Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 22. November 2007) Folgen Eine Folge
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
Mehr5 Konfidenzschätzung. 5.1 Einige Grundbegriffe zur Konfidenzschätzung
5 Konfidenzschätzung 5. Einige Grundbegriffe zur Konfidenzschätzung Diesem Kapitel liegt das parametrische Modell {X, B X, P } mit P {P Θ} zugrunde. {Θ, B Θ } sei ein Meßraum über Θ und µ ein σ-finites
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
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrRegulär variierende Funktionen
KAPITEL 4 Regulär variierende Funktionen Unser nächstes Ziel ist es, die Max-Anziehungsbereiche der Extremwertverteilungen zu beschreiben. Dies wird im nächsten Kapitel geschehen. Wir haben bereits gesehen,
MehrHANDOUT #1 KONVERGENZ VON W-MASSEN, VERTEILUNGEN UND ZUFALLSVARIABLEN
HANDOUT #1 KONVERGENZ VON W-MASSEN, VERTEILUNGEN UND ZUFALLSVARIABLEN FOLKMAR BORNEMANN Die Vielfalt der Konvergenzberiffe für W-Maße, Verteilungen und Zufallsvariablen (wie vage, schwache, stochastische
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrAsymptotische Stochastik (SS 2010)
Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)
Mehr