Gesetze der großen Zahlen
|
|
- Judith Bach
- vor 6 Jahren
- Abrufe
Transkript
1 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 Kovergez. Idikatorfuktio. Ergodesatz (= Gesetz der große Zahle für Markov- Kette). Grezwertsätze spiele i der Stochastik eie zetrale Rolle. Oft besage solche Sätze, dass viel vo scheibarem Zufall oft viel Struktur zeigt. Hauptsächlich werde wir us mit de Grezwertsätze für die Summe der ZVe beschäftige. Dabei ka ma deke a de Gesamteifluss (die Summe), der additiv aus viele zufällige Eiflüsse (Summade) besteht. Ud diese ka ma geschickt ausutze. Summe der ZVe Sei {X i } eie Folge der ZVe auf eiem WRaum (Ω, A, P). Betrachte die partielle Summe: S := X + X X = X i. () Solche Summe tauche i viele Kotexte auf. Vergleiche die Irrfahrt. Defiitio 0. (Empirischer Mittelwert). Der empirische Mittelwert ist die folgede ZV X := S. (2) Ist E[X ] = E[X 2 ] =... = E[X ] = µ, so gilt E[ X ] = µ. (3) Frage: Wie verhält sich S für groß? Ka ma erwarte, dass 2 ist? Wie groß sid die Schwakuge vo S? S µ (4) Eie Atwort liefer die Grezwertsätze für die Summe der ZVe. Grezwertsätze sid ützlich weil: Sie eie approximative Aalyse der ZV S erlaube. Sie eie wichtige Rolle i der Statistik spiele, sobald ma geüged Date 3 hat. 2 i eiem geeigetem Sie Empirischer Mittelwert Müzwurf Abbildug : Die Grafik eier Realisierug des empirische Mittelwerts X (ω) i Abhägigkeit vo der Azahl der Müzwurfe. (Dies ist eie Simulatio des Beroulli-Experimets mit der Erfolgswahrscheilichkeit 0, 5.) 3 D.h. groß geug i ().
2 gesetze der große zahle 2 Schwaches Gesetz der große Zahle Wir erier us a das folgede Theorem aus der erste Hälfte der Vorlesug. Theorem 0. (Schwaches Gesetz der große Zahle). 4 Sei {X i } eie Folge der uabhägige idetisch-verteilte5 Zufallsvariable 6 auf dem Wahrscheilichkeitsraum 7 (Ω, A, P) mit E [X ] = µ <. Da gilt lim P { } X µ > ε = 0 für alle ɛ > 0. (5) 4 = schwaches GGZ wurde vo schweizerische Mathematiker Jakob Beroulli i seier Arbeit Ars Cojectadi (vo lat. Kust des Vermutes, also Stochastik) bewiese. I Worte bedeutet Theorem 0. Folgedes. Uter de Voraussetzuge vo Theorem 0. kozetriert sich die Verteilug des empirische Mittelwerts stark i der ε-umgebug um de theoretische Erwartugswert µ. Sie tut dies für alle ε > 0. Defiitio 0.2 (Kovergez i Wahrscheilichkeit (= stochastische Kovergez)). Sei {Y i } eie Folge der ZV ud Y eie ZV auf dem WRaum (Ω, A, P). Die Folge {Y i } kovergiert i Wahrscheilichkeit8, falls Abbildug 2: Jakob Beroulli ( ) 5 = u.i.v. 6 = ZV 7 = WRaum 8 alterativ sagt ma: kovergiert stochastisch ε > 0: lim P{ Y Y > ε} = 0. (6) Notatio. Falls (6) gilt, schreibt ma Y P Y. (7) Eie recht ützliche ZV 9 ist wie folgt defiiert. Defiitio 0.3 (Idikatorfuktio). Sei A Ω, wobei (Ω, A, P) ei WRaum ist. Die Fuktio A : Ω R heißt Idikatorfuktio des Ereigisses A, falls, ω A A (ω) = 0, ω Ω \ A. (8) 9 Sie erlaubt us Aussage über Ereigisse mit de Aussage über ZVe kompatibel zu mache. Bemerkug. Die Idikatorfuktio ist eie hadliche ZV. Ma ka z.b. leicht de Erwartugswert für sie ausreche: E[ A ] = P(A) + 0 P(Ω \ A) = P(A). (9) Example 0. (Wahrscheilichkeite ud Häufigkeite). Sei A A ei Ereigis im Kotext eies zufällige Experimets. Sei p := P(A) die
3 gesetze der große zahle 3 Wahrscheilichkeit dieses Ereigisses. Betrachte eie Folge aus uabhägige Wiederholuge des Experimets A, A 2,..., A A ud sei X der Zeitateil, i dem das Ereigis A vorkommt. Es gilt X = ( A + A A ). (0) Dak (9) gilt E[ Ai ] = p. Das schwache Gesetz der große Zahle ist awedbar ud zeigt, dass für großes der empirische Mittelwert sehr wahrscheilich i der ε-umgebug vo p liegt. Sehe Abbildug. Grob gesagt erlaubt us dies zu schließe, dass der empirische Mittelwert eie Abschätzug vo p liefert 0. 0 Dies ist ei Lik zur Statistik Alterativ ist dies ei Schritt i die Richtug der Iterpretatio der Wahrscheilichkeit vo A als die Frequez vo A i eier Experimeteserie. Ergodesatz ei Teil der Stochastik, der sich mit de empirische Date beschäftigt. Statistik etwickelt Methode die (uter de Modelaahme) eiige Schlussfolgeruge aus de Date ermögliche, wie z.b. Abschätzuge für die ubekate Parameter. Für Markov-Kette gilt GGZ auch ud heißt Ergodesatz. Markov-Kette sid Folge der Abhägige ZVe, deswege ist das schwache GGZ für sie icht direkt awedbar! vo griech. ergo ( Eergie, Arbeit ) + odos ( Pfad, Weg ). Diese (etwas uglückliche) Termiologie stammt vo bedeutede österreichische physiker: Defiitio 0.4 (Ergodische Markov-Kette). Eie Markov-Kette {X i } mit eier Übergagsmatrix P heißt ergodisch, falls die etsprechede - Schritt Übergagswahrscheilichkeite kovergiere gege eie ichttriviale Verteilug kovergiere 2 : j : lim P () = π j > 0. () Theorem 0.2 (schwacher Ergodesatz = schwacher GGZ für Markov-Kette). Sei {X i } eie ergodische Markov-Kette auf dem Zustadsraum S mit der Übergagsmatrix P. Defiiere de empirische Zeitateil, de die Markov-Kette im Zustad A S ach N Schritte verbracht hat: Abbildug 3: Ludwig Boltzma ( ) 2 Nicht-trivial heißt hier, dass für alle j: π j > 0 gilt. ν (A) := ( A(X ) A (X )), A S. (2) Da gilt ν (A) P π(a). (3) Isbesodere impliziert (3), dass für alle beschräkte Fuktioe f : S R die Kovergez gilt. f (X i ) P f (s)π{s} (4) s S
4 gesetze der große zahle 4 Notatio. Für die rechte Seite vo (4) beutzt ma die Notatio π[ f ]. I Worte ist die rechte Seite vo (4) der Erwartugswert vo f bezüglich π. Die like Seite vo (4) ist ei Mittel über die Zeitperiode vo i = bis i = vo de Beobachtuge 3 f (X i ) userer Markov- Kette. Ergodesatz besagt: das Zeitmittel (like Seite) kovergiert gege das Zustadsmittel (rechte Seite), s. (4). 3 Eie Beobachtug ist eie Fuktio f : S R auf dem Zustadsraum. De oft beobachtet ma i de Experimete icht de Gesamtzustad vom System, soder eie Fuktio (ei Parameter) davo. Eie lage Stichprobe userer Markov-Kette (like Seite) approximiert das Gleichgewicht (rechte Seite), s. (4). Markov-Kette ist eie Folge der abhägige ZV. Deswege ist Theorem 0. icht direkt awedbar! Propositio 0. (Ergodische Markov-Kette kovergiere geometrisch schell is Gleichgewicht). Sei {X } = eie ergodische Markov- Kette. Da gilt ρ (0, ) : p () π j Cρ. (5) Proof of Theorem 0.2. Sei s i, s j S. Wir möchte zeige, dass ε > 0: P{ ν {j} π j > ε X = s j } 0. (6) Die Ugleichug vo Tschebyscheff liefert P{ ν {j} π j > εx = s i } E[ ν {j} π j 2 X = s i ] ε 2 (7) Es bleibt z.z., dass I der Tat gilt E[ ν {j} π j 2 X = s i ] 0. (8) E[ ν {j} π j 2 X = s i ] = 2 E [ wobei = 2 k= k= l= {sj }(X k ) π j 2 X = s i ] m (k,l), m (k,l) = E[ sj (X k ) sj (X l ) X 0 = s i ] π j E[ sj (X k ) X 0 = s i ] π j E[ sj (X l ) X 0 = s i ] + π 2 j = p (s) p(t) j,j π j p (k) π j p (l) i.j + π 2 j, (9) (20)
5 gesetze der große zahle 5 wobei s = mi{k, l} ud t = k l. Nach Propositio 0. gilt p () = π j + ε () ε () i.j Cρ (2) Deswege gilt m (k,l) C(ρ s + ρ t + ρ k + ρ l ). (22) Somit 2 k= l= m (k,l) C 2 k= l= (ρ s + ρ t + ρ k + ρ l ) = O( ) 0. (23) Theorem 0.3 (Ergodesatz, starke Formulierug). Sei {X } = eie irreduzieble ud aperiodische Markov-Kette mit der statioärer Verteilug π M (S). Für jede Fuktio f : S R gilt lim f (X i ) = π[ f ], f.s. (24) Ma ka zeige, dass für eie ergodische Markov-Kette die ZVe X k, X l mit k l groß fast uabhägig sid. Dies ist eie Begrüdug, warum der GGZ für ergodische Markov-Kette gilt. Wie ka ma umerisch eie Erwartugswert ausreche? Problem. Wie ka ma für π M (S) ud f : S R de Erwartugswert π[ f ] umerisch ausreche? Atwort: Mittels MCMC ud Ergodesatzes! Ma ka z.b. mit dem Metropolis-Hastigs-Algorithmus eie Realisierug 4 {x i := X i (ω)}, für irgedei ω Ω (25) der Markov-Kette {X i } erzeuge. Um da π[ f ] zu schätze, ka ma eifach die like Seite vo (4) a der erzeugte Realisierug {x i } auswerte ud der Ergodesatz liefert5 5 4 Eie Realisierug eier ZV X ist ei Wert x = X(ω) für ei gegebees ω Ω. Eie schwierige Frage hier ist: Wie groß soll i (26) sei? f (x i ) π[ f ]. (26)
6 gesetze der große zahle 6 Starkes Gesetz der große Zahle Starkes GGZ ist auch eie Aussage über die Kovergez vom empirische Mittel gege de Erwartugswert. Allerdigs ist dabei die Kovergezart eie adere. Theorem 0.4 (Starkes Gesetz der große Zahle). Uter de Voraussetzuge vom Theorem 0. gilt { } P ω Ω : lim X (ω) = µ = (27) I Worte bedeutet starkes Gesetz der große Zahle, dass für fast alle Realisieruge des Zufalls der empirische Mittelwert eier Folge der uabhägige idetisch verteilte ZV kovergiert gege de Erwartugswert vo eiem eizele Summad. 6 Defiitio 0.5 (Fast sichere Kovergez). Sei {Y i } eie Folge der ZV ud Y eie ZV auf dem WRaum (Ω, A, P). Die Folge {Y i } kovergiert fast sicher (f.s.) 7, falls es ei sicheres Ereigis 8 A A existiert, so dass ω A : lim Y (ω) = Y (ω). (28) Notatio. Falls (6) gilt, schreibt ma 9 I dieser Notatio ka ma (27) so umschreibe: Y f.s. Y. (29) 6 Philosophisch brigt diese Botschaft die ExperimetatorIe ud TheoretikerIe zusamme: der Mittelwert vo Beobachtuge aus eiem Experimet kovergiert gege de theoretische Erwartugswert für fast alle Realisieruge des Experimets als wir mehr ud mehr Beobachtuge mache. So ka ma vo de Beobachtuge auf die Wirklichkeit schließe. 7 alterativ sagt ma: kovergiert mit Wahrscheilichkeit eis. 8 D.h. P(A) =. 9 Statt f.s. schreibt ma auch P-f.s., we es icht klar ist, welches WMaß i (28) gemeit ist. X f.s. µ. (30) Die fast sichere Kovergez ist ichts aderes als eie puktweise Kovergez 20 auf eier Mege der volle Wahrscheilichkeit. Die Kovergez für fast alle Realisieruge des Zufalls ist eigetlich das, was wir i der Simulatio auf der Abbildug beobachte. 20 Puktweise Kovergez soll aus der Aalysis bekat sei. Ma ka zeige, dass f.s. Kovergez Kovergez i Wahrscheilichkeit (3) Kovergez i Wahrscheilichkeit f.s. Kovergez (32) Damit ist die f.s. Kovergez eie stärkere Kovergezart als die Kovergez i Wahrscheilichkeit.
7 gesetze der große zahle 7 Die Kovergez i Wahrscheilichkeit (Defiitio 0.2) beihaltet de Grezübergag außerhalb des P-Symbols. Allerdigs steht der Grezwert i der f.s. Kovergez (Defiitio 0.5) ierhalb des P-Symbols, was (ituitiv) eie stärkere Aussage darstellt. Sicheres Ergeigis A vo der Defiitio 0.5 hägt vo uedlich viele ZVe {X } = ab. Allerdigs ich gaz stark. Der Grezwert lim X hägt ur davo ab, was für großes geschiet. Also hägt das Ereigis A ur davo ab, was mit der Folge {X } = im Uedliche passiert. Proof of Theorem 0.4. Eifachheitshalber führe wir de Beweis uter eier stärkere Voraussätzug als ageküdigt 2 : [ ] E X 4 <. (33) o.b.d.a. köe wir aehme, dass E[X ] = Wir möchte zeige, dass ] S 4 E 4 <. (34) [ 2 Diese aahme heißt: Existez vo de vierte Momete. Ohe diese Aahme ist der Beweis etwas läger. 22 Betrachte sost statt X i die zetrierte ZVe Y i := X i µ. Für diese gilt E[Y i ] = 0. Es gilt [ ] E S 4 = i = i 2 = i 3 = i 4 = E [ X i X i2 X i3 X i4 ] (35) Beachte, dass es viele Summade i (35) gibt, die gleich 0 sid. Z.b. falls i is icht gleich i 2, i 3 ud i 4, da wege der Uabhägigkeit E[X i X i2 X i3 X i4 ] = E[X i ]E [ X i2 X i3 X i4 ] = 0. (36) Deswege muss ma i (35) ur die Terme vo der folgede zwei Bauarte betrachte: E[X 4 i ] (es gibt Stück davo) ud E[X 2 i X 2 i 2 ]. (37) Summade (37) bekommt ma i de folgede Fälle: i = i 2 = i 3 = i 4, i = i 3 = i 2 = i 4 oder i = i 4 = i 2 = i 3. Deswege gibt es isgesamt 3( ) Terme dieser Bauart. Somit [ ] E S 4 = E[X 4 ] + 3( )E[X 2 X2 2 ] = O(2 ). (38) Deswege gilt 4 E[S 4 ] = O( 2 ). Demzufolge gilt (34). Isb. heißt (34), dass Warum?
8 gesetze der große zahle 8 Somit S f.s. ud schließlich S 0 0 f.s. S 4 < f.s. (39) Literaturhiweise: Kapitel aus Ref. 24 Literatur 24 Götz Kerstig ad Ato Wakolbiger. Elemetare Stochastik. Spriger, 200 Götz Kerstig ad Ato Wakolbiger. Elemetare Stochastik. Spriger, 200.
Zenraler 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
MehrEmpirische 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,...,
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
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
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
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
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
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,
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
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
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
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
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:
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
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.
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
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
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
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
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
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
MehrWir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.
Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie
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,
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
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,
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
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
Mehr7 Markovketten und DNA-Sequenzen
7 MARKOVKETTEN UND DNA-SEQUENZEN 7 Markovkette ud DNA-Sequeze Hedrik Flasche 24.Mai 2012 7.1 Diskrete Markovkette Uter eier (zeitlich-)diskrete Markovkette versteht ma folgede Defiitio. (Diskrete Markovkette)
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
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
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,
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
MehrGesetz der großen Zahlen
KAPITEL 0 Gesetz der große Zahle 0.. Zwei Beispiele Beispiel 0... Wir betrachte ei Beroulli-Experimet, das uedlich oft wiederholt wird. Die Wahrscheilichkeit für eie Erfolg sei p. Die Zufallsvariable,
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
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
MehrTutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
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
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
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
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
MehrAnalysis I für M, LaG/M, Ph 8.Übungsblatt
Aalysis I für M, LaG/M, Ph 8Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr Robert Haller-Ditelma 0206200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergezkriterie/Kovergezradie) (a)
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
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
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
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgabe ud e Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 008/009 Übug am 8..008 Übug 5 Eileitug Zuerst soll auf de aktuelle Übugsblatt ud Stoff der Vorlesug eigegage werde. Dazu werde
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
Mehr5. Übungsblatt Aufgaben mit Lösungen
5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge
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
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
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
MehrAnalysis I für M, LaG/M, Ph 4.Übungsblatt
Aalysis I für M, LaG/M, Ph 4.Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr. Robert Haller-Ditelma 05.05.200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergez vo Folge) Beweise Sie:
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
MehrAsymptotische Notationen
Foliesatz 2 Michael Brikmeier Techische Uiversität Ilmeau Istitut für Theoretische Iformatik Sommersemester 29 TU Ilmeau Seite 1 / 42 Asymptotische Notatioe TU Ilmeau Seite 2 / 42 Zielsetzug Igoriere vo
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
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.
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 1
Techische Uiversität Müche Zetrum Mathematik Mathematik (Elektrotechik) Prof. Dr. Ausch Taraz Dr. Michael Ritter Übugsblatt Hausaufgabe Aufgabe. Bestimme Sie de Kovergezbereich M der folgede Reihe für
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
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
MehrProf. Dr. Wolfgang Konen Mathematik 1, WS Wozu InformatikerInnen Folgen brauchen
Prof. Dr. Wolfgag Koe Mathematik WS0 08.0.0. Zahlefolge.. Wozu IformatikerIe Folge brauche Kovergez vo Folge ist die Grudlage der Aalysis (Differetial- ud Itegralrechug) Traszedete Gleichuge wie x l x
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
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
MehrAufgaben und Lösungen Weihnachtsgeschenke zur Vorlesung Analysis I
Aufgabe ud Lösuge Weihachtsgescheke zur Vorlesug Aalysis I Der Witersemester 008/009 Übug am 4.., 5..008 sowie 0.0.009 Aufgabe. Folge Aufgabe Ma bestimme, ob die Folge (a ) mit a = + 3 + 4 kovergiert ud
MehrÜbungen zur Analysis I WS 2008/2009
Mathematisches Istitut der Uiversität Heidelberg Prof. Dr. E. Freitag /Thorste Heidersdorf Übuge zur Aalysis I WS 008/009 Blatt 3, Lösugshiweise Die folgede Hiweise sollte auf keie Fall als Musterlösuge
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
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
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
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
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.
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
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,
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
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
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
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrDie erste Zeile ("Nummerierung") denkt man sich also dazu. Häufig wird eine Indexschreibweise benutzt um ein Folgenglied zu kennzeichnen.
Folge ud Reihe (Izwische Stoff der Hochschule. ) Stad: 30.03.205. Folge Was sid Zahlefolge? Z.B. oder Das ist die vereifachte Wertetabelle eier Fuktio geschriebe wie üblich bei Fuktioe i eier Wertetabelle.
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
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:
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
Mehr13. Übungsblatt zur Vorlesung Mathematik I für Informatik
Fachbereich Mathematik Prof. Dr. Thomas Streicher Dr. Sve Herrma Dipl.-Math. Susae Pape 3. Übugsblatt zur Vorlesug Mathematik I für Iformatik Witersemester 009/00 6./7. Jauar 00 Gruppeübug Aufgabe G (Reihe)
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
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 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
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},
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
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
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
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
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
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
MehrKapitel 2 Differentialrechnung in einer Variablen. 2.1 Folgen und Grenzwerte
Kapitel 2 Differetialrechug i eier Variable 2. Folge ud Grezwerte 2.. Defiitio Eie Folge ist eie Zuordug N R, a, geschriebe als Liste (a,a 2,...) oder i der Form (a ) N. Hier sid ei paar Beispiele: 2,4,6,8,...
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
MehrKapitel 5: Gemeinsame Verteilung und Unabhängigkeit von Zufallsvariablen
- 39 (Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable Kapitel 5: Gemeisame Verteilug ud Uabhägigkeit vo Zuallsvariable 5 Deiitio : : Ω Ω,, seie Abbilduge über derselbe Mege Ω Die Abbildug
Mehr2 Vollständige Induktion
8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes
MehrMethoden: Heron-Verfahren, Erweiterung von Differenzen von Quadratwurzeln
6 Kovergete Folge Lerziele: Kozepte: Grezwertbegriff bei Folge, Wachstumsgeschwidigkeit vo Folge Resultat: Mootoe beschräkte Folge sid koverget. Methode: Hero-Verfahre, Erweiterug vo Differeze vo Quadratwurzel
MehrHöhere Mathematik I (Analysis) für die Fachrichtung Informatik
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag
Mehr