Konvergenz von Folgen von Zufallsvariablen
|
|
- Katharina Breiner
- vor 6 Jahren
- Abrufe
Transkript
1 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 für eie fee Dimesio k N : X : Ω, A R k, B k N, X : Ω, A R k, B k. Defiitio 5.1 Fa-sichere Kovergez Die Folge X kovergiert fa-sicher gege X, abkürzede Schreibweise: X Ω 0 A mit PΩ 0 = 1 gibt, so dass X f.s., we es ei lim X ω = Xω ω Ω 0. Defiitio 5.2 Stochaische Kovergez Die Folge X kovergiert ochaisch gege X, abkürzede Schreibweise: X reelle ε > 0 gilt: lim P X X > ε = 0. X, we für jedes Dabei bezeichet die euklidische Norm auf R k ; wir köe auch irgedeie Norm auf R k ehme der obige Kovergezbegriff ädert sich icht. Bemerkuge: 1. Eie adere Bezeichug für die ochaische Kovergez der Folge X gege X i Kovergez i Wahrscheilichkeit der Folge X gege X. 2. Es verwudert agesichts der beide Defiitioe icht, dass die Limesvariable X im Fall X X f.s. oder X X icht reg eideutig beimmt i, soder ur P-fa-sicher eideutig beimmt i. 3. Für Dimesio k 2 lasse sich die beide geate Kovergezbegriffe auf die k reelle Kompoetevariable vo X ud vo X heruterbrige. Seie X = X 1,..., X k N ud X = X 1,..., X k, 32
2 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Sommersemeer 2010 Kapitel 5: Kovergez vo Folge vo Zufallsvariable 33 Da gelte die Äquivaleze: X X f.s. X i X i f.s. i = 1,..., k ; 5.1 X X X i X i i = 1,..., k. 5.2 Theorem 5.3 Beziehuge zwische fa-sicherer ud ochaischer Kovergez a Es gilt die Äquivalez: X X f.s. lim P sup m: m Xm X > ε = 0 ε > 0. Isbesodere: X X f.s. impliziert X X. b We X X, da exiiert eie Teilfolge X i i N mit eier rikt aufeigede Folge 1 < 2 <... < i <... i N, so dass X i X f.s. für i. Beispiel: Stochaische Kovergez i i.a. schwächer als fa-sichere Kovergez Seie Ω = [ 0, 1, A = B[0 1, 1 ud P = λ 1 [0, 1 die Gleichverteilug auf dem Itervall [ 0, 1. Defiiere [ i 1 A i,m := m, i i = 1,..., m, m N, m { } Wähle irgedeie Abzählug der Idexmege i, m : i {1,..., m}, m N : N i, m, ud betrachte die Folge reller Zufallsvariable X := 1 Ai,m, N. Ma sieht leicht: X 0 ; aber für jedes ω [ 0, 1 hat die Folge X ω N uedlich viele Glieder gleich 1 ud uedlich viele Glieder gleich 0, ud i daher icht koverget. Lemma 5.4 Cauchy-Kriterium für fa-sichere Kovergez Für eie gegebee Folge X N R k -wertiger Zufallsvariable auf Ω sid die drei folgede Bediguge i, ii ud iii äquivalet. i Es exiiert eie R k -wertige Zufallsvariable X auf Ω mit X X f.s.. ii Für jedes ε > 0 gilt iii lim P sup X +r X > ε r N sup X r X s 0 f.s. für. r,s = 0. Bemerkug: Cotiuous Mappig Theorem CMT für fa-sichere Kovergez Für die fa-sichere Kovergez i offesichtlich, dass sie sich auf eie etige Trasformatio der eizele Zufallsvariable überträgt: We X X f.-s. ud G : R k R l etig, da G X G X f.s. Die Voraussetzug der Stetigkeit vo G auf gaz R k i uötig resrriktiv; ma zeigt leicht CMT für fa-sichere Kovergez, vergl. Theorem 5.3 ute : We X X f.s. ud G : R k, B k R l, B l mit P X C G = 1, da G X G X f.s. ; dabei bezeichet: C G := { x R k : G i etig im Pukt x }.
3 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Sommersemeer 2010 Kapitel 5: Kovergez vo Folge vo Zufallsvariable 34 Agemerkt sei, dass i der Tat die Mege C G Mege aller Stetigkeitspukte vo G eie Borel sche Mege i, was ma aus der folgede Darellug vo C G c Mege aller Uetigkeitspukte vo G sieht: Für alle m, N i { } A m, := x R k : y, z R k mit y x < 1, z x < 1, Gy Gz 1 m eie offee Teilmege vo R k, ud es gilt C G c = A m,. m=1 =1 Theorem 5.5 CMT für ochaische Kovergez We X X ud G : R k, B k R l, B l mit P X C G = 1, da G X G X. Korollar 5.6 We X X R k -wertige ZV e auf Ω, Y Y R l -wertige ZV e auf Ω ud H : R k+l, B k+l R m, B m mit P X, Y C H = 1, da H X, Y H X, Y. 5.2 Schwaches Gesetz der Große Zahle Zur Motivatio der Problemelluge, die wir i diesem ud auch im darauf folgede Abschitt Starkes Gesetz der Große Zahle betrachte werde: Seie x 1,..., x beobachtete Werte vo u.i.v. reelle Zufallsvariable X 1,..., X, also x i = X i ω, i = 1,...,, für ei ω Ω. Da sollte für großes approximativ gelte: x := 1 x i β, wobei β de idetische Erwartugswert der Zufallsvariable X i bezeichet die P-itegrierbar seie. Das Schwache Gesetz der Große Zahle egl. Weak Law of Large Numbers, WLLN präzisiert dies als ochaische Kovergez X := 1 X i β, das Starke Gesetzes der Große Zahle egl. Strog Law of Large Numbers, SLLN als fa-sichere Kovergez X β f.s. Wir bemerke och, dass die Beschräkug auf reelle Zufallsvariable im Vergleich zur Situatio vo R k -wertige Zufallsvariable für die geate Frageelluge ichts ausmacht, da letztere Situatio auf die reelle Kompoetevariable zurückgeführt werde ka. Im Folgede sei Ω, A, P ei W-Raum. Lemma 5.7 Tchebychev-Ugleichug Sei X eie quadrat-p-itegrierbare reelle Zufallsvariable auf Ω. Da gilt für jedes ε > 0 : P X EX ε VarX ε 2.
4 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Sommersemeer 2010 Kapitel 5: Kovergez vo Folge vo Zufallsvariable 35 Korollar 5.8 Sei Y N eie Folge quadrat-p-itegrierbarer reeller Zufallsvariable auf Ω mit EY = 0 N ud mit lim VarY = 0. Da gilt Y 0. Theorem 5.9 Schwaches Gesetz der Große Zahle Sei X i i N eie Folge quadrat-p-itegrierbarer ud paarweise ukorrelierter reeller Zufallsvariable auf Ω. Bezeiche X := 1 X i N. Es gilt: We lim 1 2 VarX i = 0, da X E X 0. Korollar 5.10 WLLN für idetisch verteilte ZV e Sei X i i N eie Folge quadrat-p-itegrierbarer, idetisch verteilter ud paarweise ukorrelierter reeller Zufallsvariable auf Ω. Da gilt, mit β := EX i : X β. 5.3 Starkes Gesetz der Große Zahle Lemma 5.11 Hilfsresultate: Toeplitz- ud Kroecker-Lemma Sei x i i N eie reelle Zahlefolge. a We lim i x i = x R, da lim b We die Reihe x i i 1 x i = x., N, i R kovergiert, da lim 1 x i = 0. Im Folgede sei Ω, A, P ei W-Raum. Lemma 5.12 Borel-Catelli-Lemma Sei eie Folge vo Ereigisse A A N gegebe. Bezeiche A := lim sup A = A m =1 m= = { ω Ω : ω A für uedlich viele N }. a b We PA <, da gilt PA = 0. =1 We die Ereigisse A N ochaisch uabhägig sid d.h. für jedes N N sid A 1,..., A N ochaisch uabhägig ud we PA =, da gilt PA = 1. =1
5 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Sommersemeer 2010 Kapitel 5: Kovergez vo Folge vo Zufallsvariable 36 Lemma 5.13 Kolmogorov-Ugleichug Seie Y 1,..., Y ochaisch uabhägige quadrat-p-itegrierbare reelle Zufallsvariable auf Ω mit EY i = 0 i = 1,...,. j Bezeiche S j := Y i für j = 1,...,. Da gilt für jedes ε > 0 : P max 1 j Sj ε 1 ε 2 E Yi 2. Lemma 5.14 Kolmogorov & Khichi Sei Y i i N eie Folge ochaisch uabhägiger quadrat-p-itegrierbarer reeller Zufallsvariable auf Ω mit EY i = 0 i N. Die ochaische Uabhägigkeit der Y i i N bedeutet, dass die Zufallsvariable Y 1,..., Y ochaisch uabhägig sid, für jede Wahl vo N. Es gilt: We E Yi 2 <, da kovergiert die Partialsummefolge S := gege eie reelle Zufallsvariable S auf Ω. Y i, N, fa-sicher Theorem 5.15 Starkes Gesetz der Große Zahle vo Kolmogorov Sei X i i N eie Folge ochaisch uabhägiger quadrat-p-itegrierbarer reeller Zufallsvariable auf Ω. Bezeiche X := 1 X i, N. Es gilt: We VarX i i 2 <, da X E X 0 f.s. We die X i i N ochaisch uabhägig ud idetisch verteilt sowie quadrat-p-itegrierbar sid, da habe wir σ 2 := VarX i koat ud edlich ud daher VarX i i 2 = σ 2 1 i 2 <, so dass mit Theorem 5.15 folgt wobei β := EX i : X E X 0 f.s., d.h. X β f.s. Hierfür reicht scho die P-Itegrierbarkeit att der quadrat-p-itegrierbarkeit der u.i.v. Zufallsvariable X i i N aus, ud auch scho die Exiez des Erwartugswertes β = EX i R : Theorem 5.16 SLLN für eie Folge vo u.i.v. reelle ZV e mit Erwartugswert Sei X i i N eie Folge ochaisch uabhägiger ud idetisch verteilter reeller Zufallsvariable auf Ω mit exiieredem Erwartugswert β := EX i R. Da gilt X β f.s.
6 Norbert Gaffke: Vorlesug Eiführug i die Wahrscheilichkeitheorie ud Statiik, Sommersemeer 2010 Kapitel 5: Kovergez vo Folge vo Zufallsvariable Kovergez empirischer Verteilugsfuktioe Zur Motivatio: Seie x 1,..., x beobachtete Werte vo u.i.v. reelle Zufallsvariable X 1,..., X, also x i = X i ω, i = 1,...,, für ei ω Ω. Die empirische Verteilugsfuktio F x1,...,x x := 1 { i {1,..., } : x i x} x R sollte für großes approximativ mit der wahre Verteilugsfuktio F die Verteilugsfuktio vo P X i übereiimme: Fx1,...,x x F x x R. Das Starke Gesetz der Große Zahle Theorem 5.16 ergibt eie ere Präzisierug; dabei setze wir im Folgede voraus: Seie Ω, A, P ei W-Raum ud X i i N eie Folge vo u.i.v. reelle Zufallsvariable auf Ω. Betrachte zu gegebeem x R die Zufallsvariable auf Ω : F x : ω 1 { } i {1,..., } : X i ω x, d.h. F x = 1 Mit Theorem 5.16 : 1, x ] X i. F x F x f.s. x R, wobei F die Verteilugsfuktio vo P X i. Beachte: Eie mit dieser fa-sichere Kovergez implizierte Mege Ω 0 A mit PΩ 0 = 1 wird vo x abhäge: Ω 0 = Ω 0 x, x R. Der achfolgede Satz vo Gliveko-Catelli verschärft aber die Kovergezaussage i zweierlei Hisicht: Zum eie gibt es eie simultae Teilmege Ω 0 A mit PΩ 0 = 1, so dass die Kovergez F xω F x für alle ω Ω 0 ud alle x R gültig i. Zum adere i die Kovergez für jedes ω Ω 0 sogar gleichmäßig i x. Bezeiche, für jedes N : D ω := sup x R kurz: D = sup x R F xω F x ω Ω, F x F x. Mit der rechtsseitige Stetigkeit der Verteilugsfuktio F ud der empirische Verteilugsfuktio x F xω für jedes fee ω Ω sieht ma, dass die obe defiierte Fuktio D : Ω R messbar i, also eie reelle Zufallsvariable auf Ω i. Theorem 5.17 Gliveko & Catelli Für eie Folge X i i N vo u.i.v. reelle Zufallsvariable auf Ω gilt: D 0 f.s. für.
Konvergenz 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
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,...,
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
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
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
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
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
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
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
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
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
Mehr2 Konvergenz von Folgen
Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge
MehrGESETZE DER GROSSEN ZAHLEN
KAPITEL 17 GESETZE DER GROSSEN ZAHLEN Am Afag der Wahrscheilichkeitsrechug stad der Wusch, gewisse experimetelle Fakte zu modelliere, die ma vage als empirische Gesetze des Zufalls bezeichete ud die sich
Mehr7 Brownsche Bewegung (Version Januar 2012)
7 Browsche Bewegug (Versio Jauar 0) Wir führe zuerst die Defiitio eier Browsche Bewegug ei ud zeige da, dass ei solcher Prozess eistiert. Daach beweise wir eie Reihe vo Eigeschafte der Browsche Bewegug,
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
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
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
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. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe 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,
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
MehrSchwache Konvergenz von W-Verteilungen auf der Zahlengeraden
Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache
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
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
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
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
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
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. 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
Mehr4.1 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
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)
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
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:
Mehr5 Folgen. 5.1 Konvergenz von Folgen. Definition: Zu jedem 0 existiert ein N so, daß. Eine Folge, die gegen 0 konvergiert, heißt
Prof. Dr. Berd Dreseler 5 Folge 5.1 Kovergez vo Folge Defiitio: Eie Folge a heißt koverge t, we es eie Zahl a mit folgeder Eigeschaft gibt: Zu jedem 0 existiert ei N so, daß a a für alle > N Die Zahl a
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
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,
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
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
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
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
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,...)
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
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)
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
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.
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
Mehrmit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1
Kapitel 1: Reste, Teiler, Vielfache Defiitio Es sei a 0. Die Zahl b 0 ist ei Teiler vo a, we es ei u 0 gibt, sodass ub= a. Ist b ei Teiler vo a, so ist a ei Vielfaches vo b. Bezeichug b a für b ist Teiler
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 Lösuge Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 2008/2009 Übug am 09.2.2008 Übug 8 Eileitug Es soll och eimal auf die agebotee Sprechstude higewiese werde, sowie auf mögliche
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
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},
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
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
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
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
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
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
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
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.
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
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
Mehr1 Aussagenlogik und vollständige Induktion
Dr. Siegfried Echterhoff Aalysis 1 Vorlesug WS 08 09 1 Aussagelogi ud vollstädige Idutio Die Mathemati basiert auf eier Reihe vo Axiome, d.h. auf mathematische Aussage, die als (offesichtlich? wahr ageomme
MehrTechnische Universität München Ferienkurs Analysis 1 Hannah Schamoni Folgen, Reihen, Potenzreihen, Exponentialfunktion. Musterlösung
Feriekurs Seite Techische Uiversität Müche Feriekurs Aalysis Haah Schamoi Folge, Reihe, Potezreihe, Expoetialfuktio Musterlösug 0.0.0. Folge I Utersuche Sie die Folge a N auf Kovergez bzw. Divergez ud
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
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
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
MehrInhaltsverzeichnis. 2 Grenzwerte, Folgen und Reihen. 2.1 Intervalle in R. 2.2 Umgebungen (in R und C)
Ihaltsverzeichis 2 Grezwerte, Folge ud Reihe I diesem Kapitel führe wir de zetrale Begriff der Kovergez eier Folge vo Zahle (x ) N gege eie Grezwert x ei. Aschaulich bedeutet dies, dass i jeder och so
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
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
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,
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
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,
MehrThema 8 Konvergenz von Funktionen-Folgen und - Reihen
Them 8 Kovergez vo Fuktioe-Folge ud - Reihe Defiitio Sei (f ) eie Folge vo Fuktioe vo D R i R. Wir sge, dß f puktweise gege eie Fuktio f kovergiert, flls gilt: f () f() für jedes D. Dies ist der türliche
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:
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
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,
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
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
MehrAufgrund der Körperaxiome ist jedoch
Hiweise: Der Doppelstrich // steht für eie Kommetarzeile. Tipp- ud Rechtschreibfehler köe trotz mehrfacher Kotrolle icht hudertprozetig vermiede werde. Die selbst erstellte Lösugsasätze orietiere sich
MehrLangrange-Multiplikators und Hinreichende Bedingungen
Albert Ludwigs Uiversität Freiburg Abteilug Empirische Forschug ud Ökoometrie Mathematik für Wirtschaftswisseschaftler Dr. Sevtap Kestel Witer 008 10. November 008 14.-4 Lagrage-Multiplikators ud Hireichede
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
MehrAufgabe 4.2. (a) lim 7 + = (b) lim. ( 2n 3 6n 2 + 3n 1. (c) lim n n 2 ( 1) n n 3) = lim. (d) n n + 1. lim. (e) n n. Aufgabe 4.3.
Folge Eie Folge ist eie Aordug vo reelle Zahle. Die eizele Zahle heiße Glieder der Folge. Kapitel 4 Folge ud Reihe Formal: Eie Folge ist eie Abbildug a : N R, a Folge werde mit a i i oder kurz a i bezeichet.
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 11. c n (z a) n,
f : a P UNIVERSIÄ DES SAARLANDES FACHRICHUNG 6. MAHEMAIK Prof. Dr. Rolad Speicher M.Sc. obias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 202 Musterlösug zu Blatt Aufgabe. Zeige Sie durch Abwadlug
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
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
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
MehrFolgen, Reihen und Grenzwert. Vorlesung zur Didaktik der Analysis
Folge, Reihe ud Grezwert Vorlesug zur Didktik der Alysis Ihlt Motivtio Folge Spezielle Folge Grezwertdefiitio Wichtige Zusmmehäge ud Strtegie der Kovergezutersuchug Fuktioegrezwert Reihe Prdoxie ud Zusmmefssug
Mehr10. Stetigkeit Definition (Stetigkeit) Beispiele. Wir übertragen den Stetigkeitsbegriff für reelle Funktionen auf metrische Räume.
10 Stetigkeit Wir übertrge de Stetigkeitsbegriff für reelle Fuktioe uf metrische Räume 101 Defiitio (Stetigkeit) Seie (X, d x ), (Y,d y ) metrische Räume, f : X Y eie Abbildug Wir sge f ist stetig im Pukt
MehrKapitel VI. Reihen. VI.1 Definitionen und Beispiele. Definition VI.1. Sei (a n ) n=1 K N eine Zahlenfolge. Dann heißt die Folge (s m ) m=1 K N, mit
Kapitel VI Reihe VI.1 Defiitioe ud Beispiele Defiitio VI.1. Sei (a K N eie Zahlefolge. Da heißt die Folge (s m K N, mit m s m : a, (VI.1 Reihe i K. Ist (s m koverget, so schreibe wir { a : lim {s m m}
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
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,...
Mehr4. Die Menge der Primzahlen. Bertrands Postulat
O. Forster: Eiführug i die Zahletheorie 4. Die Mege der Primzahle. Bertrads Postulat 4.1. Satz (Euklid. Es gibt uedlich viele Primzahle. Beweis. Wir zeige, dass es zu jeder edliche Mege p 1, p 2,..., p
MehrDiesen Grenzwert nennt man partielle Ableitung von f nach x i und
Bevor wir zum ächste Kapitel übergehe, werde wir de Begri eier Fuktio i mehrere Variable eiführe. Eie Fuktio vo Variable ist eie Vorschrift, die jedem Pukt (x 1,x,...,x ) eier Teilmege D des IR eie bestimmte
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
Mehr4 Andreas Gathmann. x 2 +y 2 x 2 +y 2 x 2 +y 2
4 Adreas Gathma 1. Komplexe Zahle Bevor wir mit der komplexe Aalysis begie, wolle wir uächst die grudlegede Defiitioe ud Eigeschafte der komplexe Zahle och eimal kur wiederhole. Defiitio 1.1. Die Mege
Mehr1 Funktionen und Flächen
Fuktioe ud Fläche. Fläche Defiitio: Die Ebee R ist defiiert als Mege aller geordete Paare vo reelle Zahle: R = {(,, R} Der erste Eitrag heißt da auch Koordiate ud der zweite Koordiate. Für zwei Pukte (,,
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
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:
Mehr