Asymptotische Stochastik (SS 2010)
|
|
- Nadja Wolf
- vor 7 Jahren
- Abrufe
Transkript
1 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) Der lokale GWS von de Moivre und Laplace kann wie folgt formuliert werden: Sei 0 < p < 1 fest und Y n Bin(n, p), insbesondere EY n = np, Var(Y n ) = np(1 p). Ferner sei φ µ,σ 2 die Lebesgue-Dichte von N (µ, σ 2 ). Zeigen Sie, dass für alle C > 0 gilt, dass P(Y n = k) φ np,np(1 p) (k) 1 = 0. k: k np C np(1 p) (D.h. die Zähldichte der Binomialverteilung und die (stetige) Dichte der Normalverteilung sind asymptotisch gleich, und zwar gleichmäÿig in k auf kompakten (d.h. hier endlichen) Mengen.) Man beweise die folgende, allgemeinere Aussage: Seien X n, n N, Zufallsvariable mit Werten in T n := N 0 + b n, wobei > 0. Die Zähldichte t f n (t) := P(X n = t), t T n habe die Eigenschaft ( ) k f n( (k + 1) + b n ) f n ( k + b n ) für k N 0 (mit 0/0 := 0). Gilt X n (1) d N (0, 1), so gilt für alle 0 < c < f n (t)/ 1 φ(t) = 0. t T n : t c Lösung: Sei F n die Verteilungsfunktion von X n. Es gilt F n (x) = t T n : t x f n(t), x R. Sei Φ die Verteilungsfunktion von N (0, 1). (i) Aus dem Satz von Polya (Blatt 1, Aufgabe 2) folgt wegen der Stetigkeit von Φ und hieraus auch (2) x<y F n (x) Φ(x) = 0 x R P(x < X n y) (Φ(y) Φ(x)) = 0. Da alle F n konstant auf Intervallen der Länge sind, folgt hieraus auch (3) (ii) (1) ist äquivalent zu (4) Denn f n(t)/ 1 φ(t) = 1 φ(t) t T n : t c f n(t) = 0. f n (t) φ(t) und φ(t) = 0. 1 φ(t) φ(c) < für t c.
2 (iii) Die Zähldichten f n sind unimodal, d.h. sie besitzen eine Maximimumstelle t n T n, sind links von t n monoton steigend und rechts von t m monoton fallend (nicht notwendig strikt). Dies ist eine Konsequenz von ( ). Es gibt ein k n N 0 mit f n( (k+1)+b n ) f n ( k+b n 1 für k < k ) n und f n( (k+1)+b n ) f n ( k+b n < 1 für k k ) n. Denn es ist nicht möglich, dass f n( (k+1)+b n ) f n ( k+b n 1 für ) alle k N 0 gilt. k n = 0 ist allerdings nicht ausgeschlossen. t n := k n + b n ist dann der gesuchte Wert. (iv) Sei φ n (t) := f n( k+b n ) für k + b n t (k + 1) + b n und φ n (t) = 0 für t < b n. Die φ n sind dann Dichten von Verteilungen P n mit Verteilungsfunktionen G n (eine Art Histogrammbildung). Da die f n unimodal sind, sind auch die Dichten φ n unimodal. Nach Konstruktion ist t n ein Modalwert von φ n. Ist Y n eine Zufallsvariable mit Verteilungsfunktion G n und X n := k + b n für k + b n Y n (k + 1) + b n, so gilt X n X n nach Konstruktion und Y n X n. Wegen Satz 3.23 folgt aus X n d N (0, 1) auch Y n d N (0, 1). Aus (1) wird (5) x<y (G n (y) G n (x)) (Φ(y) Φ(x)) = 0. Hinreichend für (4) ist jetzt der Nachweis von (6) φ n (t) φ(t) = 0. t R (v) Sind die Dichten φ n unimodal (ohne dass ( ) gefordert wird), so gilt (7) 3α := inf inf (φ n(t) φ(t)) 0. t R Denn sei α < 0. Dann gibt es nach Übergang zu einer Teilfolge von (X n ) n N eine notwendig beschränkte Folge (t n ) n N in R mit (φ n (t n ) φ(t n )) = 3α. Nach Übergang zu einer weiteren Teilfolge kann angenommen werden, dass t := t n existiert und wegen der Stetigkeit von φ dann (8) (φ n(t n ) φ(t )) = 3α < 0. Da φ stetig ist, gibt es ein ϵ > 0 mit φ(t) φ(t ) + α für alle t [t ϵ, t + ϵ]. Da die φ n unimodal sind, gilt φ n (t) φ n (t n ) für alle t t n oder alle t t n. Sei etwa φ n (t) φ n (t n ) für alle t t n. Für genügend groÿes n gilt t n t ϵ/2 und G n (t ϵ/2) G n (t ϵ) = t ϵ/2 t ϵ t ϵ/2 t ϵ φ n (t) dt φ n (t n ) ϵ 2 (φ(t ) + 2α) ϵ 2 (φ(t) + α) dt = Φ(t ϵ/2) Φ(t ϵ) + α ϵ 2 im Widerspruch zu (5). Analog geht man vor, wenn φ n (t) φ n (t n ) für alle t t n. (vi) Sind die Dichten φ n unimodal und ist t n R für n N ein (beliebiger) Modalwert von φ n, so gilt t n = 0.
3 Andernfalls kann nach Übergang zu einer Teilfolge erreicht werden, dass ein δ > 0 existiert mit t n δ für alle n N, etwach Übergang zu einer weiteren Teilfolge t n δ > 0 für alle n N. Es folgt, dass φ n auf (, δ]. Wegen ϵ φ(ϵ) Φ(ϵ) Φ(0) = (G n (ϵ) G n (0)) = ϵ 0 φ n (t) dt ϵ inf für alle 0 < ϵ δ/2 gilt notwendig inf φ n (δ/2) φ(0), also auch inf Hieraus folgt direkt der Widerspruch δ/2 φ(δ/2) δ δ/2 inf φ n (t) φ(0). t: δ/2 t δ φ n(δ/2) φ(t) dt = G(δ) G(δ/2) = (G n (δ) G n (δ/2)) δ/2 φ(0). (vii) Sind die Dichten φ n unimodal, so gilt für alle δ > 0 (9) 3α := t R: t δ (φ n (t) φ(t)) 0. Wegen (vi) kann angenommen werden, dass φ n auf (, δ 2 ] und φ n auf [ δ 2, ). Denn gilt dies nicht, so existiert wie in (v) nach Übergang zu einer Teilfolge von (X n ) n N ein endliches α > 0 und eine beschränkte Folge (t n ) n N in {t R: t δ}, so dass t := t n existiert und (10) (φ n(t n ) φ(t )) 3α > 0 gilt. ( φ n (t n ) = kann vorerst nicht ausgeschlossen werden.) Sei etwa t δ und v [ 3δ, 4 t ) beliebig mit φ(v) < φ(t ) + α. Für genügend groÿes n gilt dann t n > v und φ n (t n ) φ(t ) + 2α > φ(v) + α. Da φ auf [ δ, ) gilt φ 2 n(v) > φ(v) + α. Da φ stetig ist, gibt es ein δ u < v mit φ(u) < φ(v) + α/2, also auch φ 2 n(t) φ n (v) > φ(v) + α > φ(t) + α/2 für alle u t v. Wie früher steht dies im Widerspruch zu (G n (v) G n (u)) = Φ(v) Φ(u). f (viii) Einfache Gegenbeispiele zeigen, dass ohne weitere Voraussetzungen n (t n ) = möglich ist. (1) kann dann nicht gelten. Kombiniert man (v) und (vii), so folgt aus X d n N (0, 1) für unimodale Zähldichten f n von X n (11) t T n : t δ f n (t) φ(t) = 0 für alle δ > 0 und zusätzlich inf inf t T n f n (t) φ(t) 0. Ersetzt man X n durch X n t n, so gilt wegen Satz 3.23 und (vi) wieder X n t n d N (0, 1) und an der Bedingung ( ) ändert sich nichts. Wir können daher der Einfachheit halber
4 t n = 0 voraussetzen und es reicht wegen min{f n ( δ), f n (δ)} f n (t) f n (0) für δ t δ in T n f n (0) ( ) = φ(0) f zu zeigen, wobei inf n(0) φ(0) schon bekannt ist. Dies folgt z.b. aus ( ). Denn aus log(f n ( (k + 1) + b n )) log(f n ( k + b n )) folgt, dass k log(f n ( k + b n )) konkav ist und log(φ(x)) = 1 log(2π) 2 x2 /2 (Skizze!). Aufgabe 2 (Einfache eindimensionale Irrfahrt) Seien X 1, X 2,... Bin(1, 1 2 ) und S n := die eindimensionale Irrfahrt. Sei T n das gröÿte 0 i n mit S i = 0 und V n die Anzahl der 1 i T n mit S i 1 0 und S i 0. Wir setzen die Gültigkeit der Gleichungen n i=1 X i (12) P(S 1 > 0,..., S n 1 > 0, S n = j) = j n P(S n = j), j > 0, n N. und (13) P(V 2m = 2i S 2m = 0) = 1, i {0, 1,..., m}, m N, m + 1 voraus. Leiten Sie ab, dass für 0 2i 2k < n, j > 0 gilt, dass 1 j P(T n = 2k, V n = 2i, S n = j) = P(S 2k = 0) k + 1 n 2k P(S n 2k = j). Lösung: Bedingen nach {S 2k = 0} liefert zunächst P(T n = 2k, V n = 2i, S n = j) = P(S 2k = 0)P(T n = 2k, V 2k = 2i, S n = j S 2k = 0). Gegeben {S 2k = 0} sind (S 1,..., S 2k ) und (S 2k+1,..., S n ) unabhängig! V 2k hängt gegeben {S 2k = 0} nur von der ersten Folge ab, die beiden anderen Zufallsvariablen hingegen nur von der zweiten. Wir erhalten P(T n = 2k, V n = 2i, S n = j) = P(S 2k = 0)P(T n = 2k, V 2k = 2i, S n = j S 2k = 0) Mit (1) und (2) folgt nun die Behauptung. = P(S 2k = 0)P(V 2k = 2i S 2k = 0)P(T n = 2k, S n = j S 2k = 0) = P(S 2k = 0)P(V 2k = 2i S 2k = 0)P(S 2k+1 > 0,..., S n > 0, S n = j S 2k = 0) Aufgabe 3 (Transformationen von Brownscher Brücke und Brownscher Bewegung) Sei B eine Brownsche Bewegung auf [0, ) und B 0 eine Brownsche Brücke auf [0, 1] (von 0 nach 0). Zeigen Sie: eine Brownsche Bewegung. (Skalierungseigen- (a) Für c > 0 ist der skalierte Prozess cb t c schaft) 2
5 (b) Der zeitinvertierte Prozess X 0 = 0, X t := tb 1, t > 0 ist eine Brownsche Bewegung. t (Zeitinversionseigenschaft der Brownschen Bewegung) (c) Der Prozess B(1 t) 0 ist wieder eine Brownsche Brücke. (Zeitinversionseigenschaft der Brownschen Brücke) (d) tb (1 t)/t ist eine Brownsche Brücke (Trafo von BB zu Brücke) (e) (1 + t)b 0 t/(1+t) ist eine Brownsche Bewegung auf [0, ) (Trafo von Brücke zu BB) Lösung: Es ist klar, dass alle in den Aufgabenteilen genannten Prozesse Gaussprozesse sind. Ein Gaussprozess auf E ist bekanntlich bereits durch Angabe der Funktionen M X : E R, e EX e und C X : E E R, (e, e ) Cov(X e, X e ) eindeutig festgelegt. Hier ist E = [0, ). Ist B Brownsche Bewegung, so folgt und für s < t M B (t) = EB t = 0, t [0, ) Cov(B s, B t ) = E(B s B t ) = E(B s (B t B s + B s )) = E(B s (B t B s )) + E(B 2 s) = s, also C B (s, t) = min(s, t). Nach Denition gilt für eine Brownsche Brücke B 0 M B 0(t) = 0, 0 t 1, C B 0(s, t) = s(1 t), 0 s t 1. Damit genügt es, in allen Teilen zu zeigen, dass die Funktionen M und C jeweils denen einer Brownschen Bewegung bzw. Brownschen Brücke entsprechen. (a) Für X := cb t c 2 ist oenbar M X 0 und C X (s, t) = Cov(X s, X t ) = E(cB s/c 2cB t/c 2) = c 2 min(s/c 2, t/c 2 ) = min(s, t). X ist also Brownsche Bewegung. (b) Für X gilt EX 0 = 0 und für t > 0 und für s, t > 0 EX t = teb 1 t Cov(X s, X t ) = E(X s X t ) = ste(b 1 s = t 0 = 0, B 1 ) = t st max(s, t) = min(s, t). Für s = 0 oder t = 0 folgt diese Beziehung trivialerweise. Beachten Sie, dass damit insbesondere die Stetigkeit der Pfade von X in 0 folgt - eine keineswegs triviale Aussage über die Asymptotik der Brownschen Bewegung für t!
6 (c) Es gilt für X t = B 0 (1 t), dass E X 0 und da für 0 s t 1 gilt, dass 0 1 t 1 s 1 ist, folgt nach Denition der Brownschen Brücke C X (s, t) = E(B 0 (1 s)b 0 (1 t)) = (1 t)(1 (1 s)) = s(1 t). Damit ist X wieder Brownsche Brücke. (d) Für X t := tb (1 t)/t ist oenbar E X 0 und für 0 s t 1 gilt C X (s, t) = E(sB (1 s)/s tb (1 t)/t ) = st min((1 s)/s, (1 t)/t). Da x (1 x)/x auf [0, 1] monoton fällt, folgt weiter C X (s, t) = st(1 t)/t = s(1 t). (e) Für X t := (1 + t)b 0 t/(1+t) ist oenbar E X 0 und für 0 s t < nach Denition der Brownschen Brücke (es ist zu beachten, dass stets s/(1 + s) t/(1 + t) [0, 1]) C X (s, t) = E((1 + s)b 0 s/(1+s)(1 + t)b 0 t/(1+t)) = (1 + s)(1 + t)s/(1 + s)(1 t/(1 + t)) = s(1 + t t) = s. Damit ist X eine Brownsche Bewegung. Aufgabe 4 (Linearkombinationen von Gaussprozessen und Brownschen Bewegungen) (a) Seien X und Y unabhängige Gaussprozesse auf einem metrischen Raum E. Zeigen Sie, dass für a, b R ax + by wieder ein Gaussprozess ist. (b) Seien W und W unabhängige Brownsche Bewegungen. Für welche (a, b) R 2 ist wieder eine Brownsche Bewegung? aw + b W Lösung: (a) In dieser Vorlesung besitzen Gaussprozesse nach Denition stetige Pfade - es ist klar, dass sich diese Eigenschaft auf Linearkombinationen vererbt. Es bleibt zu zeigen, dass die endlich-dimensionalen Verteilungen von ax + by (mehrdimensionale) Normalverteilungen sind. Dies ist der Fall, denn für n N, (t 1,..., t n ) E n gibt es µ X, µ Y R n, A X, A Y R n2 so, dass (X t1,..., X tn ) N (µ X, A X ) (Y t1,..., Y tn ) N (µ Y, A Y ). Nach dem Additionasgesetz für unabhängige (!) normalverteilte Zufallsvektoren (siehe SII, 18.13) folgt dann aber a(x t1,..., X tn ) + b(y t1,..., Y tn ) N (aµ X + bµ Y, a 2 A X + b 2 A Y ).
7 (b) Nach Teil (a) ist aw +b W ein Gaussprozess. Ein Gaussprozess auf E ist bekanntlich bereits durch Angabe der Funktionen M X : E R, e EX e und C X : E E R, (e, e ) Cov(X e, X e ) eindeutig festgelegt. Hier ist E = [0, ) und M aw +b W (t) 0, t [0, ) und C aw +b W (s, t) = Cov(aW s + b W s, aw t + b W t ) = Cov(aW s, aw t ) + Cov(aW s, b W t ) + Cov(b W s, aw t ) + Cov(b W s, b W t ) = a 2 min(s, t) b 2 min(s, t) = (a 2 + b 2 ) min(s, t). Damit ist aw + b W genau dann eine Brownsche Bewegung, wenn a 2 + b 2 = 1.
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
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)
Mehr0, t 0,5
XIII. Die Normalverteilung ==================================================================. Der lokale Grenzwertsatz --------------------------------------------------------------------------------------------------------------
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
Mehr1.3 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
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
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
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
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........................
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
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.
MehrStatistik für Informatiker, SS Verteilungen mit Dichte
1/39 Statistik für Informatiker, SS 2017 1.1.6 Verteilungen mit Dichte Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo17/ 17.5.2017 Zufallsvariablen mit Dichten sind ein kontinuierliches
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrSpezielle stetige Verteilungen
Spezielle stetige Verteilungen schon bekannt: Die Exponentialverteilung mit Parameter k R, k > 0 hat die Dichte f (x) = ke kx für x 0 und die Verteilungsfunktion F (x) = 1 e kx für x 0. Eigenschaften Für
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
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
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:
Mehr30 Die Gammafunktion und die Stirlingsche Formel
3 Die Gammafunktion und die Stirlingsche Formel 35 Charakterisierung der Gammafunktion 36 Darstellung der Gammafunktion 38 Beziehung zwischen der Gammafunktion und der Zetafunktion 3 Stirlingsche Formel
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,
MehrMusterlösung Analysis 3 - Maßtherorie
Musterlösung Analysis 3 - Maßtherorie 10. März 2011 Aufgabe 1: Zum Aufwärmen (i) Zeige, dass die Mengensysteme {, X} und P(X) σ-algebren sind. Es sind jeweils nur die Charakteristika nachzuweisen. (1)
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........................
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
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
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
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
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
Mehr2. Ein Zufallsvektor X IR d ist multivariat normal verteilt dann und nur dann wenn seine charakteristische Funktion folgendermaßen gegeben ist:
Multivariate elliptische Verteilungen a) Die multivariate Normalverteilung Definition 2 Der Zufallsvektor (X 1, X 2,..., X d ) T hat eine multivariate Normalverteilung (oder eine multivariate Gauss sche
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
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
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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 Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrTechnische Universität München. Aufgaben Mittwoch SS 2012
Technische Universität München Andreas Wörfel Ferienkurs Analysis 2 für Physiker Aufgaben Mittwoch SS 2012 Aufgabe 1 Äquivalente Aussagen für Stetigkeit( ) Beweisen Sie folgenden Satz: Seien X und Y metrische
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
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
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
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
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
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
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
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrKapitel 8: Zufallsvektoren
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 03.12.2015 Kapitel 8: Zufallsvektoren Statt einem Merkmal werden häufig mehrere Merkmale gleichzeitig betrachtet, z.b. Körpergröße und
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
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
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.
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........................
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
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
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
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 2008/2009
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Mai 2011 Waldherr / Christodoulides Einführung in Quantitative Methoden- 8.VO 1/40 Poisson-Verteilung Diese Verteilung
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrUniversität Ulm Abgabe: Mittwoch,
Universität Ulm Abgabe: Mittwoch, 8.5.23 Prof. Dr. W. Arendt Jochen Glück Sommersemester 23 Punktzahl: 36+4* Lösungen Halbgruppen und Evolutionsgleichungen: Blatt 2. Sei X ein Banachraum und (T (t)) t
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrLösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrInstitut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess
Institut für Stochastik Prof. Dr. N. Henze Dipl.-Math. V. Riess Name: Vorname: Matrikelnummer: Lösungsvorschlag zur Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik (Stochastik) Datum: 07.
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
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
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
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
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrReferenten: Gina Spieler, Beatrice Bressau, Laura Uhlmann Veranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn
8.5 Eindimensionale stetige Zufallsvariablen Eine Zufallsvariable X heißt stetig, wenn es eine Funktion f(x) gibt, sodass die Verteilungsfunktion von X folgende Gestalt hat: x F(x) = f(t)dt f(x) heißt
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
Mehr23 Konvexe Funktionen und Ungleichungen
23 Konvexe Funktionen und Ungleichungen 231 Konvexe Funktionen 232 Kriterien für Konvexität 233 Streng konvexe Funktionen 235 Wendepunkte 237 Ungleichung von Jensen 2310 Höldersche Ungleichung 2311 Minkowskische
Mehr