GESETZE DER GROSSEN ZAHLEN
|
|
- Andrea Schwarz
- vor 6 Jahren
- Abrufe
Transkript
1 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 i eier erstauliche Kostaz der Häufigkeite vo Ereigisse maifestierte, we ma ur eie geüged grosse Azahl vo Wiederholuge eies Experimets zuliess. So hat ma bereits vor sehr lager Zeit bemerkt, dass sich bei eier grosse Zahl vo Wiederholuge des Werfes eier perfekte Müze die Häufigkeit des Auftretes vo Zahl tatsächlich um de Wert 1 2 stabilisiert, de ma vo daher versucht war, als die Wahrscheilichkeit für das Auftrete vo Zahl azuspreche. J. Beroulli (Ars Cojectadi, 1713) war der erste, der ei Modell für dieses Phäome etworfe hat. Er hat eie Kovergezbegriff eigeführt, welcher dem der Kovergez i der Wahrscheilichkeit eg verwadt ist, ud er hat gezeigt, dass die Häufigkeit des Auftretes vo Zahl i diesem Modell tatsächlich gege 1 2 kovergiert. Die Argumete Beroullis ware kombiatorischer Art ud sehr kompliziert. Sie wurde vo Tchebychev erheblich vereifacht ud zwar dak der Ugleichug, die seie Name trägt ud die er bei diesem Alass eigeführt hat. Die vo J. Beroulli utersuchte Problemstellug wurde i der Folge beträchtlich ausgeweitet ud führte zu de verschiedeste Versioe vo Aussage, die ma uter dem Begriff Gesetze der grosse Zahle zusammefasst. Es sei u (X )( 1) eie Folge vo reelle ud zetrierte Zufallsvariable. Gesucht sid hireichede Bediguge dafür, dass die Folge der Zufallsvariable ( 1 ) X k ( 1) gemäss eiem der i Kapitel 16 behadelte Kovergezbegriffe gege 0 kovergiert. Dabei sid ur die Kovergez i der Wahrscheilichkeit ud die fast-sichere Kovergez systematisch utersucht worde. Etspreched ist die Rede vo dem schwache ud dem starke Gesetz der grosse Zahle. Defiitio. Die Folge (X )( 1) geügt dem schwache Gesetz der grosse Zahle, we die Folge mit dem allgemeie Glied 1 X k i
2 270 KAPITEL 17: GESETZE DER GROSSEN ZAHLEN der Wahrscheilichkeit gege 0 kovergiert. Die Folge (X )( 1) geügt dem starke Gesetz der grosse Zahle, we die Folge mit dem allgemeie Glied 1 X k fast-sicher gege 0 kovergiert. 1. Das schwache Gesetz der grosse Zahle. Es gibt mehrere hireichede Bediguge, die sicherstelle, dass eie Folge (X )( 1) vo Zufallsvariable dem schwache Gesetz der grosse Zahle geügt. Wir gebe hier eiige dieser Aussage a, wobei stets die Notatio (1.1) S = X k, Y = S ( 1) verwedet wird. Theorem 1.1 (Schwaches Gesetz der grosse Zahle i L 2 für paarweise ichtkorrelierte Zufallsvariable). Es sei (X )( 1) eie Folge vo Zufallsvariable aus L 2, die zetriert ud paarweise ichtkorreliert sid. Für jedes 1 sei Var X = σ 2 < +. We(1/ 2 ) σ2 k für gege 0 kovergiert, so kovergiert Y i L 2 gege 0, ud damit gilt auch Y 0 i der Wahrscheilichkeit. Beweis. DadieX paarweise ichtkorreliert sid, gilt für jedes 1 E[Y 2 ]=VarY = 1 2 Var S = 1 2 σk 2 ud somit E[Y 2 ] 0für,d.h.Y 0iL 2.DieKovergezvoY gege 0 i der Wahrscheilichkeit ist u eie umittelbare Kosequez der Ugleichug vo Bieaymé-Tchebychev. Bemerkuge. Die Aussage vo Theorem 1.1 gilt atürlich isbesodere da, we die Zufallsvariable X als Gesamtheit uabhägig sid oder ur paarweise uabhägig sid. Awedug 1.2. Es sei (X )( 1) eie Folge vo Zufallsvariable aus L 2, die paarweise ichtkorreliert sid. Für jedes 1 sei E[X ]=µ ; die Folge mit dem allgemeie Glied 1 µ k kovergiere für gege µ ud (1/ 2 ) σ2 k kovergiere gege 0. Da kovergiert die Folge ( 1 X k) i L 2 gege µ, ud damit gilt Kovergez auch i der Wahrscheilichkeit. Beweis. Wir wede Theorem 1.1 auf die Folge (X µ )( 1) vo zetrierte Zufallsvariable a ud erhalte aus 1 (X k µ k )= 1 X k 1 µ k 0
3 1. DAS SCHWACHE GESETZ DER GROSSEN ZAHLEN 271 das gewüschte Resultat für die L 2 -Kovergez, also auch für die Kovergez i der Wahrscheilichkeit. Das folgede Korollar betrifft die Situatio vo idetisch verteilte Zufallsvariable ud ist ebefalls ei Korollar vo Theorem 1.1. Theorem 1.3 (Schwaches Gesetz der grosse Zahle i L 2 für paarweise ichtkorrelierte Zufallsvariable mit idetischer Verteilug.). Es sei (X ) ( 1) eie Folge vo zetrierte Zufallsvariable aus L 2, die idetisch verteilt ud paarweise ichtkorreliert sid. Da gilt Y 0 i L 2,also Y 0 i der Wahrscheilichkeit. Beweis. Für jedes 1istVarX = σ 2 = σ 2 < +. Also gilt 1 2 σ 2 k = σ2 0 ud die Behauptug folgt aus Theorem 1.1. Bemerkug 1. Die Aussage vo Theorem 1.3 gilt atürlich isbesodere da, we die Zufallsvariable X als Gesamtheit uabhägig oder ur paarweise uabhägig sid. Bemerkug 2. Die Folge mit dem allgemeie Glied E[Y 2 ] kovergiert mooto absteiged gege 0, de es gilt E[Y 2 ]=σ2 / 0. Awedug 1.4. Es sei (X )( 1) eie Folge vo Zufallsvariable aus L 2, die idetisch verteilt ud paarweise ichtkorreliert sid; dabei sei µ der gemeisame Erwartugswert der X. Da kovergiert 1 X k gege µ i L 2, also auch i der Wahrscheilichkeit. Beweis. Ma wedet Theorem 1.3 auf die Folge (X µ) ( 1) vo zetrierte Zufallsvariable a ud erhält 1 (X k µ) = 1 X k µ 0 i L 2, also auch i der Wahrscheilichkeit. Awedug 1.5. Es sei (X )( 1) eie Folge vo uabhägige, idetisch verteilte Zufallsvariable mit der Verteilug pε 1 + qε 0, wobei 0 p 1, p+ q =1. Da kovergiert 1 X k gege p i L 2,also auch i der Wahrscheilichkeit. Dies ist das klassische Beispiel des Müzwurfs vo Beroulli. Wie wir gesehe habe, ist der Beweis des schwache Gesetzes der grosse Zahle (Theoreme 1.1 ud 1.3) besoders eifach für Zufallsvariable aus der
4 272 KAPITEL 17: GESETZE DER GROSSEN ZAHLEN Klasse L 2.Tatsächlich ka ma sich vo dieser Hypothese befreie ud lediglich dere Zugehörigkeit zu L 1 voraussetze, we ma zusätzlich och aimmt, dass sie paarweise uabhägig ud idetisch verteilt sid. Der Beweis des schwache Gesetzes der grosse Zahle ist i diesem Fall schwieriger ud verwedet die Techike des Stutzes ud Zetrieres, was wir jetzt darstelle werde. Theorem 1.6 (Schwaches Gesetz der grosse Zahle i L 1 für paarweise uabhägige, idetisch verteilte Zufallsvariable). Es sei (X )( 1) eie Folge vo zetrierte Zufallsvariable aus L 1, die paarweise uabhägig ud idetisch verteilt sid. Mit de Bezeichuge (1.1) gilt da Y 0 i L 1, also auch Y 0 i der Wahrscheilichkeit. Beweis. Würde die X zu L 2 gehöre, so folgte die Behauptug aus Theorem 1.3, de aus Y 0 im quadratische Mittel folgt die Kovergez auch i L 1. Die Beweisidee besteht dari, sich mit Hilfe der Techike des Stutzes ud Zetrieres auf de Fall vo L 2 zurückzuziehe. Das folgede techische Lemma wird dabei helfe. Lemma 1.7. Zu jedem ε > 0 gibt es eie Borel-messbare ud beschräkte Fuktio f auf R derart, dass f X 1 (wie X 1 ) zetriert ist ud X 1 f X 1 1 <ε gilt. Dabei hägt f ur vo der Verteilug vo X 1 ab. Beweis des Lemmas. a) Sei also ε > 0 vorgegebe; da X 1 zu L 1 gehört, ka ma ei hireiched grosses c>0wähle, damit für die Fuktio { x, für x c; g(x) =xi [ c,+c] = 0, sost; folgede Gleichug gilt: X 1 g X 1 1 = x dµ(x) <ε. { x >c} b) Die Fuktio g leistet icht otwedigerweise das Gewüschte, da g X 1 icht zetriert sei muss. Um die Zetrierug zu erreiche, geht ma über zu der Fuktio f(x) =g(x) m, wobei m = E[g X 1 ], also f(x) =xi [ c,+c] (x) xdµ(x). [ c,+c] c) Für hireiched grosses c erfüllt f die Aforderuge, de u ist f X 1 ach Kostruktio zetriert ud X 1 f X 1 1 <εka ma
5 1. DAS SCHWACHE GESETZ DER GROSSEN ZAHLEN 273 folgedermasse erreiche. Ma wählt c so gross, dass X 1 g X 1 1 <ε gilt, was ach a) möglich ist. Da X 1 zetriert ist, gilt m = E[X 1 ] m = E[X 1 ] E[g X 1 ] X 1 g X 1 1 <ε ud somit schliesslich X 1 f X 1 1 X 1 g X m < 2ε. Nu köe wir de Beweis vo Theorem 1.6 agehe. Es sei X = f X, S = X X ud Y = S /. Die Zufallsvariable X sid zetriert, paarweise uabhägig ud idetisch verteilt. Als beschräkte Variable gehöre sie zu L 2. Somit folgt aus Theorem 1.3 Y 0iL 2 ud somit auch i L 1. Adererseits gilt Y Y 1 1 X k X k 1. Aber für k =1,..., hägt der Ausdruck X k X k 1 ur vo der gemeisame Verteilug der X ab; alle diese Glieder sid also gleich ud es folgt Schliesslich gilt Y Y 1 X 1 X 1 1 <ε. Y 1 Y Y 1 + Y 1, so dass Y 1 < 2ε für hireiched grosses gilt. Die Folge mit dem allgemeie Glied Y 1 = E [ Y ] kovergiert also für gege 0. Bemerkug 1. Die Aussage vo Theorem 1.6 gilt atürlich auch da, we die Zufallsvariable X uabhägig sid. Bemerkug 2. I dem Fall, dass die Variable X uabhägig sid, kovergiert die Folge mit dem allgemeie Glied E [ Y ] = Y 1 mooto absteiged gege 0. Diese Bemerkug ka ma folgedermasse eisehe. Wege ist Y 1 = 1 Y X 1 E[Y 1 Y ]= 1 Y 1 1 E[X Y ]. Adererseits ist E[X 1 Y ]= = E[X Y ], da die Zufallsvariable X 1,..., X uabhägig ud idetisch verteilt sid. Somit hat ma Y = E[Y Y ]= 1 ( E[X1 Y ]+ + E[X Y ] ) = E[X Y ],
6 274 KAPITEL 17: GESETZE DER GROSSEN ZAHLEN ud damit folgt E[Y 1 Y ]= 1 Y 1 1 Y = Y sowie Y E [ ] Y 1 Y. Nimmt ma u vo beide Seite de Erwartugswert, so folgt E [ Y ] E [ Y 1 ]. 2. Das starke Gesetz der grosse Zahle. Wir begie diese Abschitt mit eier Versio des starke Gesetzes der grosse Zahle für Zufallsvariable aus L 2. (Eie Beweis fidet ma i dem Buch vo Fourgeaud- Fuchs (op. cit.).) Theorem 2.1 (Starkes Gesetz der grosse Zahle für Zufallsvariable aus L 2 ). Es sei (X )( 1) eie Folge vo zetrierte ud uabhägige Zufallsvariable aus L 2.Für 1 sei Var X = σ 2 < + ud, wie vorher, (2.1) S = X k, Y = S ( 1). We die Reihe 1 σ2 /2 kovergiert, so gilt Y 0 fast-sicher. Theorem 2.2 (Rajchma). Es sei (X ) ( 1) eie Folge vo zetrierte ud uabhägige Zufallsvariable aus L 2. Für 1 sei Var X = σ 2 ; weiter werde die Bezeichuge wie obe i (2.1) verwedet. Ist sup σ 2 < +, sogilt a) Y 0 fast-sicher; b) Y 0 i L 2. Beweis. a) Es sei σ 2 =sup σ 2 < + ; da gilt σ 2 1 damit Y 0 fast-sicher gemäss Theorem 2.1. b) Es gilt E[Y 2]=VarY = 1 L 2 gemäss Theorem σ < ud σ 2 k σ2 0 ud daher Y 0i Bemerkug 1. Rajchma hat die etsprechede Aussage auch für de Fall gezeigt, bei dem uabhägig durch paarweise ichtkorreliert ersetzt wird. Bemerkug 2. Ma ka also i der Aussage des Satzes vo Beroulli die Kovergez i der Wahrscheilichkeit durch die fast-sichere Kovergez ersetze (E. Borel).
7 2. DAS STARKE GESETZ DER GROSSEN ZAHLEN 275 Theorem 2.3 (Starkes Gesetz der grosse Zahle für Zufallsvariable aus L 1 (Kolmogorov)). Es sei (X ) ( 1) eie Folge vo zetrierte, uabhägige ud idetisch verteilte Zufallsvariable aus L 1. Mit de Bezeichuge wie obe i (2.1) gilt da Y 0 fast-sicher. Beweis (L. Pratelli, uveröffetlicht). f.s. a) Gemäss Theorem 4.2 aus Kapitel 16 ist die Aussage Y 0äquivalet zu der Feststellug { für jedes ε>0 gilt P sup k m b) Folgedes Lemma wird beötigt: Lemma 2.4. } Y k >ε 0 Für jedes m 1 ud jedes ε>0 gilt { } ε P Y k >ε Y m 1, sup k m (m ). d.h. aus Y m 0 i L 1 folgt Y m 0 fast-sicher. c) Die Behauptug des Theorems folgt u aus a) ud b) ud Theorem 1.6 (schwaches Gesetz der grosse Zahle i L 1 ). Beweis des Lemmas. Ma beweist die folgede, zum Lemma äquivalete Aussage: Für jedes Paar (m, ) vo gaze Zahle mit 1 m ud jedes ε>0 gilt { ε P sup m k } Y k >ε Y m 1. Wir betrachte die Mege T =sup{k :1 k, Y k >ε} (mit der Kovetio sup = ) ud setze A = {sup m k Y k >ε}. Daist A = {T m} = m k {T = k} ud ε P(A) =ε m k P{T = k}. Nach Defiitio der T gilt aber für jedes k mit m k die Abschätzug εp{t = k} Y k dp = Y k dp+ ( Y k ) dp {T =k} {T =k, Y k >0} = B + C. {T =k, Y k <0} Wir werde B ud C getret bereche. Zuächst ist B = 1 k k j=1 {T =k, Y k >0} X j dp.
8 276 KAPITEL 17: GESETZE DER GROSSEN ZAHLEN Da u aber die X uabhägig ud idetisch verteilt sid, habe alle Itegrale auf der rechte Seite de gleiche Wert. Die rechte Seite ist also auch gleich dem arithmetische Mittel vo k Zahle, die ihrerseits alle gleich dem Wert des Itegrals {T =k, Y k >0} X 1 dp sid. Sie ist da aber auch gleich dem arithmetische Mittel vo m ( k) Zahle mit ebe diesem Wert. Folglich ka ma B = 1 m X 1 dp= Y m dp m j=1 {T =k, Y k >0} {T =k, Y k >0} schreibe. Gaz etspreched geht ma für C vor ud erhält C = ( Y m ) dp. {T =k, Y k <0} Zusammefassed erhält ma εp{t = k} B + C = ud durch Summatio über k εp(a) m k {T =k} {T =k} Y m dp, Y m dp E[ Y m ]= Y m 1. Korollar 2.5. Es sei (X )( 1) eie Folge vo uabhägige ud idetisch verteilte Zufallsvariable aus L 1.Dagilt Y = 1 f.s. X k E[X 1 ]. Dieses Korollar hat eie Umkehrug; cf. Aufgabe Die Lemmata vo Borel-Catelli Lemma 3.1 (Borel-Catelli). Es sei (A )( 1) eie Folge vo Ereigisse, ud es bezeiche A de Limes lim sup A. a) Ist 1 P(A ) < +, soistp(a ) = 0, d.h. mit Wahrscheilichkeit 1 trete ur edlich viele der Ereigisse A ei. b) Seie u die Ereigisse A paarweise uabhägig. Ist 1 P(A )=+, soistp(a )=1, d.h. mit Wahrscheilichkeit 1 trete uedlich viele der Ereigisse A ei. Beweis. a) Es ist A = 1 k A k, also gilt für jedes 1 P(A ) P( P(A k ). A k ) k k Nu ist der rechte Ausdruck der Rest der Ordug eier kovergete Reihe, er muss also für gege 0 gehe. Daher gilt P(A )=0.
9 3. DIE LEMMATA VON BOREL-CANTELLI 277 b) Wir setze S = I A1 + + I A. Da gilt ach Voraussetzug E[S ]= E[I Ak ]= P(A k ) +. Da die A paarweise uabhägig sid, hat ma aber auch Var S = Var I Ak E[IA 2 k ]= E[I Ak ]=E[S ]. Setzt ma u T = S /E[S ], so erhält ma E[(T 1) 2 ]=VarT = Var S (E[S ]) 2 1 E[S ], ud dies kovergiert für gege 0. Damit wurde T 1 0iL 2 gezeigt, dies, ebeso wie T 1, gilt da auch i der Wahrscheilichkeit. Ma ka somit aus der Folge (T ) eie Teilfolge (T k ) herausziehe, für die T k 1 fast-sicher für k gilt. Da die Voraussetzug 1 P(A )= + zu E[S k ] für k äquivalet ist, folgt S k für k fastsicher, ud diese Aussage ist schliesslich äquivalet zu P(A )=1. Bemerkug. Die Umkehrug der Aussage a) gilt icht. Um dies eizusehe, ehme ma de Wahrscheilichkeitsraum (Ω, A, P) mit Ω = [0, 1], mit der Borel-σ-Algebra vo [0, 1] als A ud dem Lebesgue-Mass auf [0, 1] als P. Betrachtet ma u die Folge vo Ereigisse (A =[0, 1/]) ( 1), so ist diese Folge mooto-absteiged, also A = A = {0} ud P(A )=0.Esistaber 1 P(A )= 1 1 =+. 1 Die Voraussetzug der Uabhägigkeit i b) ist also wesetlich. Awedug. Wir betrachte eie uabhägige Folge vo Müzwürfe, wobei die Wahrscheilichkeit des Auftretes vo Zahl i eiem Wurf gleich p (0 <p<1) sei. Nu sei A ei Wort der Läge l 1, d.h. eie Folge vo l Symbole, vo dee jedes etweder Zahl oder Kopf bedeutet. Weiter bezeiche A 1 das Ereigis, dass das Wort A i de erste l Würfe realisiert wird, A 2 das Ereigis, dass A i de folgede l Würfe realisiert wird,etc.dieereigissea 1, A 2,... sid uabhägig ud für jedes 1 gilt P(A )=P(A 1 ) > 0, somit ist 1 P(A )=+. Aus Teil b) des Lemmas folgt u, dass mit Wahrscheilichkeit 1 das Wort A uedlich oft im Verlauf des Spiels auftritt. Ei aaloges Argumet zeigt, dass ei Affe, der zufällig auf eier Schreibmaschie tippt, mit Wahrscheilichkeit 1 jede
10 278 KAPITEL 17: GESETZE DER GROSSEN ZAHLEN Text beliebiger edlicher Läge im Verlauf vo uedlich viele Aschläge eimal schreibt. 1 Das Lemma vo Borel-Catelli hat folgede Kosequez. Theorem 3.2 ((0, 1)-Gesetz vo E. Borel). Es sei (A )( 1) eie Folge vo paarweise uabhägige Ereigisse ud A bezeiche das Ereigis lim sup A. Da ka P(A ) ur die Werte 0 oder 1 aehme, ud zwar je achdem, ob die Reihe mit dem allgemeie Glied P(A ) kovergiert oder divergiert. Dieses Theorem ist ei erstes Beispiel für das berühmte (0, 1)-Gesetz vo Kolmogorov, welches besagt, dass gewisse termiale Ereigisse ur mit Wahrscheilichkeit 0 oder 1 auftrete köe. Als Awedug dieses Theorems werde wir u zeige, dass für eie Folge (X )( 1) vo uabhägige Zufallsvariable, für welche die Folge (Y )( 1) mit Y = 1 X k fast-sicher gege eie Limes Y kovergiert, dieser Limes fast-sicher kostat sei muss. Um dies zu sehe, stelle wir zuächst fest, dass das System (X 1,...,X k )für jedes k 1 uabhägig vo Y = lim (X X )/ = lim (X k X k+ )/ ist, ud somit auch Y k uabhägig vo Y.Für jedes reelle x ist also das Ereigis {Y k x} uabhägig vo dem Ereigis {Y x}. (DasEreigis{Y x} ist ei typisches termiales Ereigis.) Somit gilt P({Y k x} {Y x}) =P{Y k x}p{y x} für jedes reelle x. Lässt ma u k gege uedlich gehe, so folgt daraus P{Y x} =(P{Y x}) 2 ; da ka aber für jedes x ur P{Y x} =0 oder 1 gelte. Da die Abbildug x P{Y x} eie Verteilugsfuktio ist, muss sie otwedigerweise eie Stufe der Höhe 1 sei. Also ist Y = kostat. ERGÄNZUNGEN UND ÜBUNGEN 1. Es sei (X )( 1) eie Folge vo uabhägige ud idetisch verteilte Zufallsvariable aus L 2.Dabeiseim = E[X 1 ] ud σ 2 =VarX 1. Für jedes 2 werde die folgede Zufallsvariable defiiert: Y = 1 X k, Z = 1 1 (X k Y ) 2. 1 Borel (Émile). Le hasard. Paris, Librairie Félix Alca, 1938.
11 ERGÄNZUNGEN UND ÜBUNGEN 279 a) Ma bereche E[Z ]. b) Ma zeige Z f.s. σ 2 für. 2. Es solle u die Voraussetzuge vo Theorem 1.6 gelte, wobei die Zufallsvariable X als Gesamtheit uabhägig, ud icht etwa ur paarweise uabhägig seie. Ma zeige auf direktem Weg, ud zwar uter Verwedug p vo charakteristische Fuktioe, dass Y 0 gilt. 3. Es sei (X )( 1) eie Folge vo uabhägige ud idetisch verteilte Zufallsvariable. Dabei gelte Y =(1/) f.s. X k Y. Ma beweise die folgede Aussage: a) P{ X } < + ; 1 b) die X sid itegrierbar; c) Y ist fast-sicher kostat. 4. Es sei (X )( 1) eie Folge vo Zufallsvariable ud S = X X. Ma zeige, dass aus S / L Y da S / p 0 folgt, d.h. die Folge (X )( 1) geügt dem schwache Gesetz der grosse Zahle. 5. Das Modell des Müzwurfs vo Beroulli ka dazu verwedet werde, um eie bemerkeswerte Beweis des Approximatiossatzes vo Weierstrass zu liefer. Dieser Satz sagt aus, dass eie auf eiem beschräkte Itervall stetige Fuktio dort vo Polyome gleichmässig approximiert werde ka. Dieser Beweis stammt vo Berstei. Es sei (X )( 1) eie Folge vo uabhägige ud mittels pε 1 + qε 0 (0 p 1, p+ q = 1) idetisch verteilte Zufallsvariable. Ma setzt wieder Y =(1/) p X k ; der Satz vo Beroulli besagt Y p. Seiu h : [0, 1] R eie stetige ud somit beschräkte Fuktio. Wir zeige E[h Y ] h(p) ( ), wobei dies gleichmässig für p [0, 1] gilt. Beweis. Bezeichet µ die Verteilug vo Y, so gilt für jedes δ>0 A = E[h Y h(p)] E[ h Y h(p) ]=A + B, wobei h(x) h(p) dµ(x) ud B = h(x) h(p) dµ(x). { x p δ} { x p >δ} Als stetige Fuktio auf [0, 1] ist h sogar gleichmässig stetig. Zu jedem ε>0 gibt es also ei δ(ε) > 0derart,dass x p δ die Abschätzug h(x) h(p) <εimpliziert. Damit ist A<ε. Halte wir u ε, ud damit auch δ fest. Es sei M eie obere Schrake für h auf [0, 1]. Da gilt B 2M { x p >δ} dµ(x) =2MP{ Y p >δ},
12 280 KAPITEL 17: GESETZE DER GROSSEN ZAHLEN ud dies wird gemäss der Ugleichug vo Bieaymé-Tchebychev majorisiert durch 2M Var Y /δ 2 2M pq/(δ 2 ) 2M/(δ 2 ). Die rechte Seite ist aber vo p uabhägig ud strebt für gege 0. Dies gilt also auch für B, ud zwar gleichmässig i p. Folglich kovergiert E[h Y ]für gleichmässig i p gege h(p). Wege Y = S / ud L(S )=B(, p) gilt aber E[h Y ]= ( ) h(k/) p k (1 p) k, k k=0 ud dieser Ausdruck kovergiert gleichmässig für p [0, 1] gege h(p). Dies ist gerade die Aussage des Satzes vo Weierstrass, wobei die Polyome sogar och explizit agegebe werde. Ma et sie auch Berstei-Polyome. 6. Wir betrachte u die Kugel B (0,R)imR ( 1) mit Mittelpukt 0 ud Radius R 0. Ihr Volume ist V (R) =π /2 R /Γ(1 + /2) (cf. Aufgabe 12, Kap. 14). Wir projiziere dieses Volume auf eie der Achse, etwa die x-achse; ma erhält eie Masseverteilug auf R, die eie Dichte g (x, R) besitzt. Mittels geeigeter Normierug wird daraus eie Wahrscheilichkeitsdichte f (x, R) =g (x, R)/V (R). Wählt ma u R =, so stellt ma erstaulicherweise fest, dass die Folge der Wahrscheilichkeitsdichte f (x, )für puktweise gege die Dichte der Normalverteilug N (0, 1) kovergiert. Aders gesagt, für jedes reelle x gilt f (x, ) 1 2π e x2 /2 ( ). 7. Es sei (u )( 1) eie Folge vo reelle Zahle mit 0 <u 1 für jedes 1. Weiter sei (X )( 1) eie Folge vo uabhägige Zufallsvariable, wobei X für jedes 1 die Verteilug u ε 1/u +(1 u )ε 0 hat. Da gilt: 1) Für jedes 1istE[X ]=1. p 2) X 0 geau da, we u 0. f.s. 3) X 0 geau da, we u < +. 1 Ma beachte: für eie Folge (u )( 1) mit der Eigeschaft, dass die Reihe mit dem allgemeie Glied u kovergiert, folgt X X f.s. 0aus dem Resultat 3) ud dem Satz vo Césaro, obwohl ma E[X ]=1für alle 1hat.
13
Empirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
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
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,
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
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
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
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
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
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,
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
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
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
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
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,
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
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
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
MehrKAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
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.
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
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
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:
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
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
MehrEingangsprüfung Stochastik,
Eigagsprüfug Stochastik, 5.5. Wir gehe stets vo eiem Wahrscheilichkeitsraum (Ω, A, P aus. Die Borel σ-algebra auf wird mit B bezeichet, das Lebesgue Maß auf wird mit λ bezeichet. Aufgabe ( Pukte Sei x
MehrGesetze der großen Zahlen
Gesetze der große Zahle Ato Klimovsky Grezwertsätze für die Summe der ZV. Schwaches Gesetz der große Zahle. Kovergez i Wahrscheilichkeit (Stochastische Kovergez). Starkes Gesetz der große Zahle. Fast sichere
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
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
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
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},
MehrAnhang A: Die Gamma-Funktion
O. Forster: Zetafuktio ud Riemasche Vermutug Ahag A: Die Gamma-Fuktio A.. Defiitio. Die Gamma-Fuktio ist für eie komplee Variable z mit Rez > durch das Euler-Itegral Γz := t z e t defiiert. Da mit := Rez
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:
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
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,
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
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
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Übungsblatt 8. b n := 1 n. a k. k=1
D-MATH, D-PHYS, D-CHAB Aalysis I HS 2017 Prof. Mafred Eisiedler Übugsblatt 8 1. Bereche Sie de Grezwert lim a für die Folge (a ) gegebe durch a) a = (2 1/ ) 10 (1 + 1/ 2 ) 10 1 1/ 2 1/, b) a = + 1, c)
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
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
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
Mehr24 Konvergente Teilfolgen und Cauchy-Kriterium
120 IV. Uedliche Reihe ud Taylor-Formel 24 Kovergete Teilfolge ud Cauchy-Kriterium Lerziele: Kozepte: Teilfolge, Häufugswerte, Limes superior ud iferior, Cauchy-Folge Resultate: Satz vo Bolzao-Weierstraß,
Mehr6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
MehrKapitel 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,...
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.
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
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
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
Mehrα : { n Z n l } n a n IR
1 KAPITEL VI. ZAHLENFOLGEN UND REIHEN 1) REELLE ZAHLENFOLGEN: i) Jede Abbildug α : IN a IR heiÿt 'reelle Zahlefolge' bzw. 'Folge i IR'. Ma otiert diese i der Form α = a ) IN = a ) =0 = a 0, a 1, a 2,...)
MehrÜbungen zur Infinitesimalrechnung 2, H.-C. Im Hof 19. März Blatt 4. Abgabe: 26. März 2010, Nachmittag. e x2 dx + e x2 dx = 2 e x2 dx
Übuge zur Ifiitesimalrechug, H.-C. Im Hof 9. März Blatt 4 Abgabe: 6. März, Nachmittag Aufgabe. Zeige e x dx π. Beweis. Wir bemerke als erstes, dass e x dx e x dx + e x dx e x dx formal sieht ma dies per
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
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
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
Mehr4. Der Weierstraßsche Approximationssatz
H.J. Oberle Approximatio WS 213/14 4. Der Weierstraßsche Approximatiossatz Wir gebe i diesem Abschitt eie ostrutive Beweis des Weierstraßsche Approximatiossatzes, der mit de so geate Berstei-Polyome (Felix
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
Mehr5.4.2 Die empirische Verteilungsfunktion als Ausgangspunkt
Tests 9 5.4 Der Kolmogorov Smirov Test Grudlage für de Kolmogorov Smirov Apassugs Test ist ei Satz vo Kolmogorov, die asymptotische Verteilug eier Statistik Δ betreffed. Aus Δ ergibt sich durch Modifikatio
MehrÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre
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.
MehrStochastik I. Vorlesungsskript. Universität Mainz. Andrej Depperschmidt. Sommersemester 2014
Stochastik I Adrej Depperschmidt Vorlesugsskript Uiversität Maiz Sommersemester 2014 Versio: 12. Mai 2016 Vorwort Bei diesem Skript hadelt es sich um Vorlesugsotize, die parallel zur Vorlesug Stochastik
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 14
Techische Uiversität Müche Zetrum Mathematik Mathematik (Elektrotechik) Prof. Dr. Ausch Taraz Dr. Michael Ritter Übugsblatt 4 Hausaufgabe Aufgabe 4. Sie sid 0 Miute zu spät i die Vorlesug gekomme ud stelle
MehrKapitel 11 DIE NORMAL-VERTEILUNG
Kapitel DIE NORMAL-VERTEILUNG Fassug vom 7. Februar 006 Prof. Dr. C. Porteier Mathematik für Humabiologe ud Biologe 49 . De itio der Normal-Verteilug. De itio der Normal-Verteilug Bisher habe wir ur diskret
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
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
MehrAufgaben zu Kapitel 6
Aufgabe zu Kapitel 6 Aufgabe zu Kapitel 6 Verstädisfrage Aufgabe 6. Gegebe sei die Folge x ) 2 mit x 2)/ + ) für 2. Bestimme Sie eie Zahl N N so, dass x ε für alle N gilt, we a) ε 0, b) ε 00 ist. Aufgabe
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,
MehrZahlenfolgen, Grenzwerte und Zahlenreihen
KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
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
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
MehrGesetze der Großen Zahl und Zentraler Grenzwertsatz
Kapitel 5 Gesetze der Große Zahl ud Zetraler Grezwertsatz Seie X,X,... uabhägige, idetisch verteilte reelle Zufallsvariable mit Var[Xi 0,. Wir betrachte S := X i i= ud frage ach de typische Werte, die
MehrWallis-Produkt, Gammafunktion und n-dimensionale Kugeln
Wallis-Produkt, Gammafuktio ud -dimesioale Kugel Thomas Peters Thomas Mathe-Seite www.mathe-seite.de 6. Oktober 3 Das Ziel dieses Artikels ist es, Formel für das Volume ud die Oberfläche vo -dimesioale
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
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
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.
Mehr6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 12. Übungsblatt
UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 8/9 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum. Übugsblatt
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
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
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
MehrKonvergenz von Fourier-Reihen
Kovergez vo Fourier-Reihe Ausarbeitug zum Semiar zur Fourieraalysis, 3..27 obias Reimes Diese Ausarbeitug beschäftigt sich mit der Kovergez vo Fourier-Reihe. Hierzu werde im erste Abschitt eiige Vorbemerkuge
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
MehrZenraler Grenzwertsatz
Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe
Mehr8. Übungsblatt Aufgaben mit Lösungen
8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium
MehrGaußsches Integral und Stirling-Formel
Gaußsches Itegral ud Stirlig-Formel Lemma. Gaußsches Itegral Es gilt für alle a > : e ax dx π a Beweis: Wir reche: e dx ax e ax dx e ay dy e ax e ay dx dy mit dem Satz vo Fubii e ax +y dx dy. Nu verwede
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
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
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug
Mehr6. AufdemRaumder stetigdifferenzierbaren FunktionenC 1 ([a,b],r n ) kannman auch folgende Norm betrachten:
2 Kapitel. Gewöhliche Differetialgleichuge.2 Baachräume Um de Satz vo Picard ud Lidelöf auf höhere Dimesioe übertrage zu köe, wird hier zuächst der Begriff des Baachraums bereitgestellt ud da der Baachsche
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
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:
Mehr5-1 Elementare Zahlentheorie
5- Elemetare Zahletheorie 5 Noch eimal: Zahletheoretische Fuktioe 5 Der Rig Φ als Rig der formale Dirichlet-Reihe! Erierug: Ei Polyom mit Koeffiziete i eiem Körper K ist ach Defiitio ichts aderes als eie
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
MehrHilfsmittel aus der Kombinatorik, Vollständige Induktion, Reelle Zahlenfolgen
7. Vorlesug im Brückekurs Mathematik 2017 Hilfsmittel aus der Kombiatorik, Vollstädige Iduktio, Reelle Zahlefolge Dr. Markus Herrich Markus Herrich Kombiatorik, Vollstädige Iduktio, Zahlefolge 1 Hilfsmittel
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
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)
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
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
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
Mehr